《MEDICAL PHYSICS》：A deep-learning model for one-shot transcranial ultrasound simulation and phase aberration correction
编辑推荐：
本文介绍了一种名为TUSNet的深度学习模型，该模型能够实现单次、快速的经颅聚焦超声（TUS）压力场仿真和相位像差矫正（phase aberration correction）。研究利用合成颅脑CT数据训练，在真实数据测试中表现出色，其计算速度相比传统k-Wave仿真提升超过1200倍，同时保持高精度（焦点定位误差仅0.18mm，峰值压力恢复达98.3%），为超声神经调控（neuromodulation）、血脑屏障开放（blood–brain barrier opening）等临床应用的实时治疗规划提供了新方案。
背景
经颅超声（Transcranial Ultrasound, TUS）是一种非侵入性神经调控技术，在调节神经元活动、开放血脑屏障（blood–brain barrier）、靶向给药和热消融等领域具有广阔前景。目前已有超过50项临床试验探索其在阿片成瘾、阿尔茨海默病、痴呆、癫痫和胶质母细胞瘤等疾病治疗中的应用。然而，颅骨结构的异质性导致超声波在传播过程中产生相位畸变，严重影响焦点定位和能量传递的准确性。现有仿真方法如k-Wave虽精度高但耗时长（约30分钟），而商用设备采用的射线追踪法等快速算法（约2秒）又存在精度不足的问题。因此，开发兼具高精度与高效率的相位矫正和压力场预测方法成为当前研究的重点难点。
方法
TUSNet采用端到端的神经网络架构，核心创新点在于融合长短期记忆网络（LSTM）与卷积神经网络（CNN）的混合单元（LSTM-Conv）。该结构通过四个方向的LSTM单元扫描输入图像，捕捉超声波在颅骨中传播的空间序列依赖性，再经卷积层压缩特征。模型包含编码器和解码器模块，各由5个LSTM-Conv细胞串联而成，辅以跳跃连接（skip-connections）缓解梯度消失问题。训练流程分阶段进行：先训练主干网络预测归一化压力场，再固定编码器参数，分别训练相位矫正向量和绝对压力值解码器。损失函数采用加权均方误差（MSE），在焦点区域赋予更高权重以提升治疗关键区域的准确性。
研究使用SkullGAN生成的180,432个合成颅骨CT片段进行训练，测试集包含22个真实患者颅骨CT（共1,232个样本）。所有数据均通过k-Wave仿真获取地面真实值（ground truth），包括时间反转法（time reversal）计算的相位矫正向量和压力场。输入数据包括颅骨CT片段、换能器元件位置和靶点坐标，输出同时涵盖压力场（单位：帕斯卡）、峰值压力和80维相位矫正向量。
结果
TUSNet在21毫秒内即可完成压力场和相位矫正计算，速度较k-Wave提升超1200倍。在焦点定位方面，模型预测的焦点区域与真实值交集比（IoU）达86.95%，平均欧几里得距离误差仅0.30毫米。压力预测精度方面，焦点压力误差为6.07%，峰值压力误差为5.87%。尤其突出的是，其相位矫正向量通过k-Wave验证后可恢复98.3%的焦点压力，且定位误差控制在0.59毫米以内。模型对未见过的靶点表现出良好泛化能力，当随机靶点靠近训练靶点分布时误差显著降低。消融实验表明，波导（waveguides）结构和加权MSE损失函数对性能提升贡献最大，而LSTM-Conv单元相比纯卷积网络将相位矫正精度提升约3倍。
讨论
本研究首次实现了端到端的经颅超声压力场仿真与相位矫正一体化计算，解决了精度与效率的长期矛盾。TUSNet的快速推理能力使其可集成于临床工作流，为术中实时矫正提供可能。然而，当前模型仍存在一定局限：其一，基于二维简化仿真，未涵盖三维颅骨结构中的声波衍射、剪切波转换等复杂物理效应；其二，训练数据依赖k-Wave仿真结果，与实际体内传播存在差异；其三，模型仅针对固定阵列换能器设计，对换能器几何形状和位置的泛化能力有待进一步验证。未来工作将聚焦三维扩展、多中心真实数据验证以及与磁共振成像（MRI）等模态的融合，推动精准超声治疗走向临床落地。
结论
TUSNet通过深度学习架构实现了经颅超声传播的高效精准模拟，在计算速度提升三个数量级的同时，保持了与全波仿真相媲美的物理精度。该技术为超声神经外科的个性化治疗规划奠定了基础，有望加速经颅超声在脑疾病治疗中的临床应用转化。
