编辑推荐：
为解决 tFUS 因颅骨不均匀性导致的超声焦点强度、位置和形状估计难题，研究人员开展基于深度学习的颅内声场分布实时估计研究。结果显示模型焦点估计精度高，推理时间仅 16 ms，为 tFUS 临床应用提供新方向。
在医学影像与精准治疗领域，经颅聚焦超声（transcranial focused ultrasound, tFUS）作为一种非侵入性脑刺激技术，凭借高空间特异性和深度穿透能力，在神经调控、药物递送及阿尔茨海默病、帕金森病等神经疾病治疗中展现出广阔前景。然而，颅骨的不均匀性会导致超声波传播时发生折射、反射、吸收和衰减，造成能量衰减、聚焦不良甚至形成额外焦点，使得精准估计超声焦点的强度、位置和形状成为巨大挑战。传统成像方法无法捕捉低强度声焦，数值模拟虽能估算颅内压力场，但计算成本高，难以满足实时应用需求。在此背景下，探索一种高效、精准的 tFUS 声场实时估计方法成为临床转化的关键瓶颈。
为突破这一困境，相关研究人员开展了基于深度学习的 tFUS 颅内声场分布实时估计研究。该研究成果发表在《Engineering Applications of Artificial Intelligence》，为 tFUS 技术的临床应用提供了创新性解决方案。
研究人员主要采用以下关键技术方法：首先利用数值正向模拟生成 13 个颅骨的训练数据集；其次通过迁移学习从 3D 颅骨数据中提取特征，采用预训练的 VGG-19 网络编码颅骨几何特征；然后构建深度学习替代模型，包括预测声场分布的声学分布网络（Acoustic Distribution Network, ADNet）和估计峰值压力的峰值压力网络（Peak Pressure Network, PPNet）；最后使用 5 个未参与建模的人类颅骨进行实验验证，通过测量焦点位置误差（ΔFP）、豪斯多夫距离（HD）、骰子相似系数（DSC）和峰值压力比误差（ΔPPR）等指标评估模型性能。
研究结果
模型架构与特征提取
研究提出的深度学习模型包含两个核心模块：通过预训练 VGG-19 网络对颅骨 CT 数据进行特征提取，捕捉颅骨的几何特征；ADNet 基于提取的特征预测颅内声压场的空间分布，PPNet 则专门估计焦点处的最大压力值，二者结合提升整体预测精度。
实验验证与性能评估
通过对 3 个离体颅骨的直接场测量验证模型性能：焦点位置误差为 2.46 mm，峰值压力比误差 3.94%，显示出高精度的焦点定位能力；在焦域预测方面，最大边界误差 5.90 mm，焦域一致性达 81%，表明模型能有效刻画声场分布形态；推理时间仅 16 ms，显著快于传统数值模拟，满足实时应用需求。
与现有方法对比
相较于既往基于特定患者的 DNN 模型需大量颅骨 CT 数据且无法通用，该模型以颅骨 CT 数据和换能器位置为输入，无需针对特定患者重新训练，具有更广的解剖通用性。实验验证显示，其在焦点位置精度和焦域一致性方面优于现有方法，突破了传统方法在准确性与效率平衡、解剖通用性及实验验证方面的局限。
研究结论与意义
本研究构建的深度学习替代模型，成功实现了 tFUS 颅内声场的实时估计，解决了传统数值模拟计算耗时的难题，同时通过双模块设计提升了焦点定位和压力估计的精度。其核心创新点包括：适用于多种颅骨解剖结构的通用型深度学习模型、基于物理过程的声场传播特征刻画、结合颅骨几何与换能器位置的实时 3D 声场预测，以及通过独立模块增强峰值压力估计精度。该方法为 tFUS 在神经调控、脑肿瘤药物递送等临床场景中的精准靶向提供了关键技术支撑，显著提升了 tFUS 的临床可行性，有望推动其在阿尔茨海默病、帕金森病等神经疾病治疗中的广泛应用。尽管研究基于有限样本且未涉及活体实验，但其在离体验证中展现的高效性与准确性，为后续临床转化奠定了坚实基础，标志着深度学习在医学超声领域的应用迈出重要一步。
