Los enfoques de aprendizaje automático han sido ampliamente utilizados en el campo de los problemas de dispersión inversa. Normalmente, el conjunto de datos de entrenamiento se genera sintéticamente utilizando fuentes de radiación ideales como ondas planas o ondas cilíndricas. Sin embargo, los datos de prueba a menudo consisten en datos experimentales que tienen en cuenta los acoplamientos de puertos de antena y las distorsiones de forma de onda dentro del sistema. Aunque el ruido se puede agregar artificialmente a los datos sintéticos, es posible que no represente con precisión el ruido experimental real. En consecuencia, la aplicación de técnicas de inversión asistida por aprendizaje automático puede enfrentar desafíos cuando el conjunto de datos de entrenamiento difiere significativamente de los datos experimentales. En este documento, proponemos un sistema experimental específicamente diseñado para la imagen del cuerpo humano. Se construye un conjunto de datos de entrenamiento semiexperimental utilizando software de simulación de ondas completas, incorporando las permitividades relativas de los tejidos humanos comunes. Además, el ruido del sistema se considera meticulosamente a través de la simulación de ondas completas, mejorando la autenticidad del conjunto de datos. Se emplea un esquema de retropropagación para obtener las imágenes reconstruidas aproximadas. Luego, se emplea la red neuronal convolucional U-net para mapear estas imágenes aproximadas a imágenes de alta resolución. Los resultados numéricos demuestran que, en comparación con las redes entrenadas únicamente con datos sintéticos, la red entrenada con datos semiexperimentales logra resultados de reconstrucción superiores con errores más bajos y una calidad de imagen mejorada.