اخیرا سیستم های تصویربرداری مایکروویو به عنوان یک سیستم اسکن قابل حمل مغز، مورد توجه قرار گرفته شده است. هدف از سیستم تصویربرداری مایکروویو مغز برای کاربردهای مانند تشخیص تومور سرطانی، آسیب های مغزی ایسکمیک یا خونریزی و نظارت بر فعالیت های مغزی است. در این سیستم چندین فاکتور اصلی در عملکرد تصویربرداری نقش بسزایی دارند. این عوامل شامل بعد آنتن و ویژگی های تابش آن، روش های بازسازی تصویر، روش های پسا پردازش و غیره است. چندین روش تصویربرداری برای استفاده در سیستم های تصویربرداری پزشکی پیشنهاد شده است. به طور کلی روش های تصویربرداری به دو شاخه اصلی کمی و کیفی طبقه بندی می شوند. روشهای کمی مانند توموگرافی، ثابت دی الکتریک منطقه مورد نظر را بر اساس روش های تکرار شونده استخراج می کند. تصویری که با استفاده از این روش ها بازسازی می شود، دارای هزینه زمان زیاد محاسبه ولی در مقابل تفکیک پذیری خوبی را دارد. از طرف دیگر روش های کیفی مانند روش های مبتنی بر رادار، بر اساس تاخیر سیگنال های منعکس شده بوده و به دلیل سریع تر بودن از روش های کمی از آنها به عنوان روش های زمان واقعی که مناسب تر برای استفاده در بیمارستان هستند، استفاده می شوند. روش های یادگیری ماشین که در سیستم های تصویربرداری مایکروویو اعمال می شوند، توانایی بالایی در امکان تقسیم بندی، خوشه بندی و طبقه بندی دارند. یک چالش اساسی در طراحی روش یادگیری عمیق برای سیستم تصویربرداری مایکروویو مغز، تعیین نوع سکته مغزی است. این چالش را می توان مربوط به تصویر بازسازی شده از سیگنال های دریافتی دانست. به منظور پرداختن به این موضوع از ترکیب روش شبکه عصبی کانولوشن برای استخراج ویژگی و روش طبقه بندی ماشین بردار پشتیبانی به عنوان طبقه بند استفاده می شود. در آینده برای بهبود دقت، پیشنهاد ترکیب این روش با سایر روش های یادگیری ماشین مانند الگوریتم ژنتیک مطرح است.