在微波超热治疗中检测热点的直接学习方法

科学领域:

• 生物医学工程 生物医学工程
• 计算电磁学 计算机电磁学
• 医疗成像医学成像

背景情况:

• 微波超热 (MH) 需要精确的温度监测,以确保治疗疗效和患者安全.
• 目前用于MH的温度检测方法的准确性和实时适用性可能受到限制.

研究的目的:

• 开发和评估一种深度学习 (DL) 模型,用于检测乳腺组织温度在MH期间超过关键值.
• 通过模拟和真实电磁热数据来评估模型的性能.

主要方法:

• 采用了深度卷积编码器-解码器架构,利用差异散射场数据作为输入.
• 使用内部模拟器生成温度分布数据,并使用商业电磁热模拟软件进行验证.
• 将DL模型的性能与使用传统规范化技术的Born代方法 (BIM) 相比较.

主要成果:

• DL模型在40dB SNR下达到0.959的高精度,在30dB SNR下达到0.939的高精度.
• 与BIM等传统方法相比,提出的DL方法显示出更高的性能.
• 该研究强调了温度监测数据驱动方法的强有力的规范化能力.

结论:

• 深度学习为微波超热中实时温度监测提供了强大而准确的方法.
• 开发的DL模型有效地识别了MH治疗期间乳腺组织的临界温度升高.
• 数据驱动的规范化技术在医疗应用中增强热监测可靠性的显著前景.