医学微波成像使用物理导向深度学习 第一部分:前进解决器

科学领域:

• 计算电磁学的计算.
• 深度学习应用程序深度学习应用程序
• 基于物理的机器学习.

背景情况:

• 深度神经网络为电磁反向问题提供更快的解决方案,但需要物理框架才能准确.
• 目前的物理导向深度学习解决方案面临培训瓶,因为依赖于计算密集型前向解决方案.
• 确保物理正确的结果需要在深度学习培训循环中强大的前解决方案.

研究的目的:

• 开发一个快速准确的自我监督的深度学习前解决电磁问题的解决方案.
• 为了克服现有的物理引导深度学习逆向解决器的效率限制.
• 为逆电磁问题提供可靠和实用的基于深度学习的解决方案.

主要方法:

• 一个基于物理的框架,将域划分为内部 (散射) 和外部 (背景) 区域.
• 一个混合损失函数,将麦克斯韦的曲线方程和积分方程与格林函数相结合.
• 自主监督学习指导神经网络生成精确的分散场.

主要成果:

• 解决器实现了高的全球和本地准确性,通过随机和现实的模型进行验证.
• 超过95%的测试案例显示散射场和介电性质的平方根平均误差<0.15.
• 与传统的解决方案相比,该方法显示了97%的加快速度,超过了最近的深度学习方法.

结论:

• 提出的自我监督的深度学习前解决方案是准确的,高效的,和可概括的.
• 这种方法有效地解决了物理指导的深度学习中的反向问题的培训瓶.
• 开发的解决方案有助于创建更可靠,更实用的基于深度学习的反向解决方案.