使用深度学习进行跨的自适应性偏差校正,用于阶段式阵列超声疗法.

科学领域:

• 生物医学工程 生物医学工程
• 医疗成像医学成像
• 计算神经科学是一种神经科学.

背景情况:

• 跨的聚焦超声波 (FUS) 具有治疗潜力,但受到骨诱导的异常的阻碍.
• 精确的相位校正是计算密集型的,限制实时应用.
• 安全打开血脑屏障 (BBB) 需要精确的FUS聚焦.

研究的目的:

• 开发一种基于深度学习的快速,准确的方法来纠正间偏差.
• 通过临时的BBB打开,实现适应性聚焦,以便通过临时的BBB打开,进行安全有效的超声波处理.
• 为了减少与传统偏差校正技术相关的计算负担.

主要方法:

• 这是一种结合方法,涉及预分段,k-Wave模拟和3D U-net深度学习网络.
• 使用头骨声速样本和相延迟作为非线性模拟环境中的模型输入.
• 训练一个相位预测模型,以实现高效准确的偏差校正.

主要成果:

• 拟议的方法实现了焦点体积和格叶水平,与时间逆转方法最接近.
• 平均峰值值至少占时间逆转方法结果的77%.
• 每个样本的计算成本降低到≤0.05s,比传统方法提高了200倍.

结论:

• 深度学习方法使得快速,精确和自适应的跨状偏差纠正成为可能.
• 这种方法克服了二维模拟和传统计算需求的局限性.
• 它为跨的聚焦超声波疗法提供了一种新的,高效的选择,包括对大脑疾病的临时BBB打开.