一个深度学习模型,用于一次性跨膜超声波模拟和相位偏差校正

科学领域:

• 医学物理 医学物理
• 生物医学工程 生物医学工程
• 神经科学是一个神经科学.

背景情况:

• 间超声波是一种非侵入性神经调节技术,具有多种临床应用.
• 头骨异质性给精确的超声波聚焦和能量传递带来了挑战.
• 现有的方法在相位偏差校正中的计算速度和准确性之间面临一个权衡.

研究的目的:

• 介绍TUSNet,这是一个深度学习框架,用于高效和准确的跨膜超声波计算.
• 能够快速预测临床工作流程的压力场和相位校正.
• 解决当前焦点预测方法的局限性.

主要方法:

• 开发了TUSNet,这是一个端到端的神经网络,用于预测2D横超声波压力场和相位校正.
• 在大量合成和真实头骨CT片段的数据集上训练了TUSNet.
• 与速度,准确性和压力估计的k-Wave进行了基准TUSNet对比.

主要成果:

• 图斯网在21毫秒内计算了压力场和相位校正,比k-Wave快1200倍以上.
• 在峰值压力大小估计中获得了98.3%的准确性.
• 显示了0.18毫米的平均焦点定位误差.

结论:

• 通过TUSNet的深度学习,可以准确和快速地估计跨膜超声波的参数.
• 图斯网在加速超声波治疗计划方面表现有前途.
• 对于现实世界的临床条件,需要进一步的实验验证.