本发明属于微波成像，涉及一种微波逆散射成像方法，具体涉及一种基于深度学习的人体组织微波逆散射成像方法，可应用于医学影像等领域。
背景技术：
1、微波逆散射成像技术是指通过向待测物体发射微波并测量从物体表面散射回来的信号，获取物体内部的信息。利用散射数据，通过逆散射算法可以重建物体的形状或介电常数分布，从而实现对物体内部特性的高精度成像。
2、目前临床广泛使用的医学成像种类包括x射线成像、微波逆散射成像、计算机断层扫描ct、磁共振成像mri超声波成像等。相较于其他成像技术，微波逆散射成像具有非电离性、安全、设备便携、成本低等优点。然而，由于入射电磁波在目标体上发生多重散射，散射场与入射场之间存在复杂的非线性关系。传统的求解微波逆散射问题的方法主要包括线性化方法和优化类方法。线性化方法计算速度快，但精度不足；优化类方法虽然可以提高精度，但计算复杂度高，容易陷入局部最优解。逆散射问题的求解缺乏系统性方法和稳定的算法，空间分辨率和介电参数重建精度有待提升。
3、随着机器学习方法的出现，特别是深度学习技术的发展，提供了新的解决途径。深度学习能够利用大规模数据进行训练，从而克服传统方法的不足，提高成像精度和效率。
4、为实现针对人体组织的微波逆散射成像重建，例如申请公布号为cn118330634a，名称为“基于降阶模型的逆散射迭代成像方法及装置”的专利申请，公开了一种基于降阶模型的逆散射迭代成像方法，该方法基于降阶模型的逆散射迭代成像方法通过多发多收架构发射激励波，采集散射场数据并构建降阶模型，从而降低逆散射问题的非线性并提高反演稳定性，在每轮迭代中，利用玻恩数据和雅可比矩阵进行目标参数分布的更新，直至获得最终成像结果。然而该方法的精度依赖于降阶模型的近似精度，可能导致反演结果存在偏差；同时，由于其计算过程复杂，尤其是在进行反投影法更新时，计算资源消耗较大，无法满足实时成像的需求。
技术实现思路
1、本发明的目的在于克服现有技术的缺陷，提出一种基于深度学习的微波逆散射成像方法，用于解决现有技术中存在的成像精度较低且实时性较差的技术问题。
2、为实现上述目的，本发明采取的技术方案包括以下步骤：
3、(1)获取散射参数图像：
4、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；
5、(2)获取训练样本集和测试样本集：
6、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；
7、(3)构建重建网络模型o：
8、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；
9、(4)对重建网络模型o进行迭代训练：
10、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*；
11、(5)获取重建结果：
12、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。
13、本发明与现有的技术相比，具有以下优点：
14、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。
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：
2.根据权利要求1所述的方法，其特征在于，步骤(1)中所述的对每个散射参数矩阵进行预处理，实现步骤为：
3.根据权利要求1所述的方法，其特征在于，步骤(2)中所述的介电常数分布图像，构建方法为：
4.根据权利要求1所述的方法，其特征在于，步骤(3)中所述的编码器，包括级联的卷积层、池化层和多个残差模块。
5.根据权利要求1所述的方法，其特征在于，步骤(4)中所述的对重建网络模型进行迭代训练，实现步骤为：
6.根据权利要求5所述的方法，其特征在于，步骤(4b)中所述的空间金字塔模块对编码器输出的初步特征图a进行多尺度特征提取，实现步骤为：
7.根据权利要求5所述的方法，其特征在于，步骤(4b)中所述的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，实现步骤为：
8.根据权利要求5所述的方法，其特征在于，步骤(4c)中所述的重建网络模型o的损失值计算公式为：
9.根据权利要求5所述的方法，其特征在于，步骤(4c)中所述的通过均方误差损失函数对模型o进行更新，更新公式为：
