[论文解读] Microwave Breast Imaging via Neural Networks for Almost Real-time Applications

Michele Ambrosanio, Stefano Sellari Franceschini+2 more|arXiv (Cornell University)|Mar 21, 2021

Microwave Imaging and Scattering Analysis被引用 9

一句话总结

本文提出一种全连接人工神经网络（ANN）用于近实时微波乳腺成像，该网络在自定义乳腺体膜生成器和正向求解器生成的合成数据上进行训练。与传统非线性反演技术相比，该方法在重建精度方面表现更优——尤其在电导率图谱方面——同时将计算时间缩短至近实时，使其在早期癌症检测中具有临床部署的潜力。

ABSTRACT

Conventional breast cancer imaging techniques are nowadays based on the use of ionising radiations or ultrasound waves for the inspection of breast areas. Nevertheless, these conventional techniques present some drawbacks related to patient safety, processing time and resolution issues. In this framework, microwave imaging can represent a valid alternative or a complementary technique compared to other conventional medical imaging modalities since it is safe (using non-ionising radiations), relatively cheap and more comfortable from patient point of view. Unfortunately, it is slow and computationally expensive, which strongly limit its use in clinical scenarios. In this paper, an artificial neural network for effective and almost real-time breast imaging is proposed. First, a realistic breast-like phantom generator was developed for training the network. Subsequently, numerical analyses have been conducted for the optimisation and the performance evaluation of the approach. The results seem very promising in terms of recovery performance as well as for the computation burden.

研究动机与目标

• 开发一种快速、准确且鲁棒的微波乳腺成像方法，以克服传统逆散射技术带来的计算负担。
• 解决在临床可行时间内从散射微波数据重建介电特性（介电常数和电导率）的挑战。
• 提升电导率图谱的恢复效果——该参数在微波成像中被认为最具挑战性且最具诊断价值。
• 在基于MRI数据生成的真实数值乳腺体膜上验证该方法，确保其临床相关性。
• 展示该方法在低信噪比（例如5 dB）条件下的鲁棒性，以确保其在真实世界中的适用性。

提出的方法

• 训练一个全连接人工神经网络（ANN），将测量的散射场数据映射为组织特性图谱（介电常数和电导率）。
• 使用自研的、内部开发的类乳腺体膜生成器，创建具有不同组织分布和介电特性的逼真、非均质乳腺体膜。
• 基于有限元法（FEM）的正向求解器生成用于训练的合成散射场数据，模拟包含多个天线的三维微波断层扫描设置。
• 在网络训练中使用不同信噪比（SNR）的合成数据集，包括30 dB和5 dB，以确保鲁棒性。
• 训练数据包含在1 GHz频率下对乳腺体膜进行的三维电磁仿真，包含逼真的天线配置和噪声模型。
• 该方法通过直接学习逆映射关系，绕过迭代反演过程，实现在训练后近实时推理。

实验结果

研究问题

• RQ1 深度神经网络能否在高精度和低计算成本下有效学习微波乳腺成像中的逆散射映射？
• RQ2 与DBIM和CSI等传统非线性反演技术相比，所提出的基于ANN的方法在重建介电常数和电导率图谱方面的表现如何？
• RQ3 该方法在低信噪比（例如5 dB）条件下对噪声的鲁棒性如何？
• RQ4 该网络能否泛化至基于MRI生成的真实乳腺体膜，从而确保临床相关性？
• RQ5 与经典方法相比，该网络在分辨关键特征（如皮肤层和肿瘤边界）方面是否表现更优？

主要发现

• 所提出的基于ANN的方法在重建介电常数和电导率图谱方面均优于传统非线性反演技术（DBIM和CSI），尤其在噪声环境下表现更优。
• 该方法实现了近实时性能，将计算时间从数小时（例如15次DBIM迭代需5小时以上）缩短至每次重建仅需毫秒级。
• 网络对噪声表现出强鲁棒性，即使在低信噪比（5 dB）条件下仍能保持高质量重建，清晰恢复组织边界和皮肤层特征。
• 电导率图谱的重建精度显著高于经典方法，这对恶性组织的诊断至关重要。
• 该方法在基于MRI生成的真实体膜上成功恢复了复杂组织结构——包括散射状的纤维腺体组织和异质性致密乳腺组织——并保持了高保真度。
• 网络性能对架构敏感，不同拓扑结构在特定带宽范围内表现更优，表明需要针对性设计。