买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明提出了一种基于深度学习的人体组织微波逆散射成像方法，步骤为：获取人体组织切片获取散射参数图像以及训练和测试样本集；构建重建网络模型并对其进行迭代训练；获取图像重建结果。本发明在对重建网络模型进行训练的过程中，解码器对空间金字塔模块提取的多尺度特征图和编码器提取的初步特征图进行融合后进行上采样，能够从原始噪声较多的散射参数矩阵中提取有效特征，从而减少对散射数据精度的依赖，避免了现有技术因反演结果存在偏差对成像精度的影响；且成像过程仅通过训练好的模型进行前向传播，无需进行反投影法更新，计算资源消耗较小，提高了成像的实时性。

主权项：1.一种基于深度学习的微波逆散射成像方法，其特征在于，包括以下步骤：1获取散射参数图像：通过环形周期性排布的R个天线各自依次发射K个不同频率的电磁波对计算域的Q段人体组织切片进行照射，并记录每两个天线Ri和Rj组成的天线对之间的散射参数Sij，然后构建第k个频率对应的以[Si1,Si2,...,Sin]为行，以[S1j,S2j,...,Snj]T为列的散射参数矩阵，再对该散射参数矩阵进行预处理，得到M幅由散射参数实部、虚部以及微波频率构成的三通道散射参数图像，其中N≥8，M≥8000，M＝Q×K；2获取训练样本集和测试样本集：对从M幅散射参数图像中随机选取的N幅对应的介电常数分布图像作为标签，并将该N幅散射参数图像及其标签组成训练样本集D1，将剩余的M-N幅散射参数图像组成测试样本集E1，其中第n幅散射参数图像对应的标签为yn；3构建重建网络模型O：构建包括级联的编码器、空间金字塔模块和解码器且编码器的输出端还与解码器的输入端连接的重建网络模型O；空间金字塔模块包括级联的多个不同膨胀率的空洞卷积块、全局平均池化块和特征整合卷积块，且全局平均池化块的输入端还与编码器的输出端连接；解码器包括并行排布的通道降维卷积层和第一插值上采样模块，以及与其级联的特征提取层、第二插值上采样模块和通道转换卷积层；4对重建网络模型O进行迭代训练：将训练样本集R1作为重建网络模型O的输入对其进行迭代训练，得到训练好的重建网络模型O*；5获取重建结果：将测试样本集E1作为训练好的重建网络模型O*的输入进行前向传播，得到所有测试样本对应的介电常数重建图像。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于深度学习的人体组织微波逆散射成像方法