微波热疗热点检测的深度学习新突破：精准监测，守护健康

研究针对微波热疗（MH）温度监测难题，提出直接学习法，模型准确率高，凸显数据驱动方法优势。

　　在医学领域，微波热疗（Microwave Hyperthermia，MH）作为一种新兴的癌症治疗技术，正逐渐受到人们的关注。它通过将肿瘤区域暴露在 40 - 45^?C 的相对高温下，来达到杀死癌细胞的目的。这种治疗方法既可以单独使用，也能与放疗、化疗等其他治疗手段联合应用。然而，在治疗过程中，如何确保健康组织处于安全温度，同时精准地加热肿瘤区域，成为了一大挑战。

传统的温度监测方法，如使用光纤导管进行测量，虽然能够获取温度数据，但这种方法不仅操作困难，会给患者带来痛苦，还存在一定的风险。而像磁共振成像（MRI）、超声（US）成像、基于微波雷达的成像以及微波断层成像（MWT）等非侵入性方法，也各自存在着诸多问题。例如，MRI 设备昂贵且 setup 复杂；US 成像容易受到运动伪影的干扰；基于微波雷达的成像在非均匀介质中性能会下降；MWT 方法则需要知道计算域内的总电场信息，才能提供温度分布的定量信息。

为了解决这些难题，来自伊斯坦布尔技术大学（Istanbul Technical University）的研究人员开展了一项关于微波热疗热点检测的研究。他们提出了一种直接学习方法，旨在利用深度学习（Deep Learning，DL）技术，更准确地检测微波热疗过程中乳腺组织的温度是否超过阈值。

研究人员为了训练网络，需要随机温度分布和相应的差分散射场数据。由于无法使用实验数据进行训练，他们通过计算机模拟生成训练数据。在模拟过程中，基于对文献中热疗研究的分析，假设温度分布在计算域内具有平滑变化等特点，并定义了介电特性（DPs）与温度的关系。利用矩量法（MoM）求解散射电场，得到了训练所需的数据。

研究中，输入数据是乳房热态和冷态散射电场的差值，并添加了高斯白噪声（AWGN）。数据经过处理后，输入到具有编码器 - 解码器结构的卷积神经网络（CNN）模型中。该模型的输出是一个 50×50 的图像，每个像素的值为 0 或 1，代表该像素位置的温度是否超过 40^?C（热点）。

训练过程中，研究人员使用了 TensorFlow 2.10 和 Keras API，将 50,000 个数据按照 75%、15%、15% 的比例分为训练集、验证集和测试集。采用二元交叉熵损失函数和随机梯度下降（SGD）优化方法，设置了合适的学习率和衰减率。

研究结果显示，该模型在信噪比（SNR）为 40 dB 和 30 dB 时，平均准确率分别达到 0.959 和 0.939。与传统的反演方法（如结合 Tikhonov 正则化（TR）、截断奇异值分解（TSVD）、共轭梯度最小二乘法（CGLS）和快速迭代收缩阈值算法（FISTA）的 Born 迭代法（BIM））相比，该模型在检测热点方面表现更优。这表明数据驱动的方法具有更强的正则化能力，能够更好地处理低介电值组织的温度变化检测问题。

进一步研究发现，当测试数据的 SNR 接近或大于训练数据的 SNR 时，模型的性能能够得到保持。通过调整决策阈值，可以提高危险准确率得分。即使在实际介电特性与温度关系存在一定非线性的情况下，该方法仍能保持较高的准确率。

在临床应用方面，患者就医时，可通过 MRI 或 CT 确定乳房在室温下的 DP 分布，用于生成数据并确定 DL 模型的参数。在微波热疗过程中，利用天线和矢量网络分析仪（VNA）进行测量，经过校准将测量的 S 参数转换为电场值输入模型，实时监测热点分布，确保治疗安全有效。

综上所述，这项研究提出的 CNN 模型在微波热疗热点检测方面取得了显著成果。它不仅为微波热疗的温度监测提供了更准确、有效的方法，还展示了数据驱动方法在处理此类问题时的强大优势。未来，研究人员可以进一步探索深度学习与传统反演方法的结合，以进一步提高微波热疗治疗监测的准确性。该研究成果发表在《Medical & Biological Engineering & Computing》上。

研究人员在开展研究时，主要使用了以下几个关键技术方法：一是通过计算机模拟生成训练数据，依据对温度分布特性的假设和介电特性与温度关系的定义，结合矩量法求解散射电场；二是构建具有编码器 - 解码器结构的卷积神经网络模型，利用二元交叉熵损失函数和随机梯度下降优化方法进行训练；三是通过多种评估指标，如准确率得分、Dice 得分等，对模型性能进行定量评估 。

研究结果主要包括：

1. 模型准确性评估：通过对测试数据的计算，得到在不同信噪比下模型的平均准确率得分，证明模型能准确估计成像域中的热点。
2. 与传统方法对比：将模型与传统反演方法对比，结果显示该模型在检测低介电值组织的温度变化方面表现更优，凸显数据驱动方法的强正则化特性。
3. 噪声影响研究：分析不同信噪比下模型的性能，发现当测试数据信噪比接近或大于训练数据信噪比时，模型性能得以保持。
4. 危险准确率分析：定义危险准确率得分并研究其与决策阈值的关系，发现调整决策阈值可提高危险准确率，但与平均准确率存在权衡关系。
5. 非线性影响探究：研究介电特性与温度关系的非线性对模型性能的影响，结果表明在较高非线性程度下，模型仍能保持较高准确率。

研究结论和讨论部分强调了该研究成果的重要意义。数据驱动方法在热点检测问题上展现出了卓越的性能，与传统正则化方法相比，具有独特且强大的正则化属性。同时，训练过程中添加噪声对提高模型性能至关重要，尤其是在热疗监测问题中。这一研究为微波热疗的精准温度监测提供了新的思路和方法，有望推动微波热疗技术在临床应用中的进一步发展，更好地保障患者的治疗安全和效果。