Tomografía de microondas
La tomografía de microondas (MicroWave Tomography-MWT) es una técnica no-invasiva de bajo costo que utiliza señales de microondas para generar imágenes de las propiedades dieléctricas de un objeto bajo estudio. En MWT, una fuente emite una señal de microondas con una frecuencia en el rango de 100 MHz a 3 GHz, la cual atraviesa el cuerpo que se está estudiando y es detectada por un conjunto de receptores que miden la magnitud y la fase de la señal en distintos puntos alrededor del objeto.
La MWT tiene muchas aplicaciones, incluyendo la medicina, ya que puede utilizarse para detectar y monitorear enfermedades como el cáncer de mama o de pulmón, accidentes vasculares o medir la calidad ósea, entre otras. También puede emplearse en aplicaciones industriales, como el monitoreo de materiales en tuberías, silos metálicos o la detección de defectos en materiales en la industria de la madera.
En el IAR, y en colaboración con el IFLySiB (CONICET-UNLP), se desarrollan investigaciones tendientes a mejorar el diseño, tanto de hardware como de los algoritmos que permiten obtener una imagen a partir de las mediciones del campo eléctrico alrededor de la muestra observada.
Para obtener una imagen en MWT se debe resolver un problema inverso mal condicionado. Los algoritmos clásicos tienen limitaciones en la resolución espacial obtenible por lo que se investiga sobre métodos potenciados con la aplicación de técnicas de machine learning e inteligencia artificial.
Crédito de las imágenes: a) Configuración de la tomografía por microondas (MWT): un objeto es iluminado con señales de microondas mientras un conjunto de receptores mide el campo electromagnético dispersado, lo que permite reconstruir las propiedades electromagnéticas del objeto en estudio (publicado en Caiafa & Irastorza, 2023). b) El tomógrafo en el laboratorio: en el panel izquierdo se muestra una vista superior del contenedor y las antenas de transmisión y recepción; y en el panel derecho se ve el tomógrafo dentro de la cámara anecoica donde se realizan las validaciones experimentales (presentado en la Conferencia SABI, 2025). c) Simulaciones computacionales: Campo eléctrico simulado |Ez|, emitiendo con el transmisor número 7 con un objeto cilíndrico de glicerol al 80 % en el centro, usando un contenedor infinito ideal (panel izquierdo) y un contenedor finito (panel derecho). d) Comparación de reconstrucciones: dos ejemplos comparando los resultados de un algoritmo directo clásico (BP), un algoritmo basado en redes neuronales (CNN) y un algoritmo propuesto desde el IAR utilizando Compressed Sensing (CS) (publicado en Caiafa & Irastorza, 2023).