融合深度学习代理模型与主动学习引导遗传算法的经颅全息超声透镜优化框架

《Journal of Computational Design and Engineering》：Optimization of Acoustic Lens Design for Transcranial Holographic Ultrasound using an Active Learning-Based Genetic Algorithm

　　

摘要

经颅聚焦超声（tFUS）是一种极具前景的无创脑刺激技术；然而，由于颅骨引起的声场传播畸变，实现精确的体积聚焦仍然具有挑战性。声学全息（AH）已被提出用于补偿这种畸变，但由于颅骨几何结构的复杂性和个体特异性，传统AH透镜设计方法在准确聚焦体积目标方面仍存在局限性。本文提出了一种用于经颅全息超声（THUS）的AH透镜优化框架，该框架融合了基于深度学习的代理建模和主动学习引导的遗传算法（GA）。我们构建了一个深度学习代理模型，以捕获透镜几何形状——通过贝塞尔曲面参数化——与体积声聚焦性能之间的关系。通过主动学习引导的遗传优化，代理模型在多代迭代中逐步精化，从而实现对透镜设计空间的高效和全面探索。所提出的框架在三种人类颅骨模型中的四个体积目标区域上进行了评估，其中包括丘脑和壳核等深部脑结构。总体而言，所提出的方法在体积目标聚焦方面始终优于基于时间反转的传统方法。对于具有临床意义的深部脑目标，体积重叠度的平均值从约0.28–0.33提升至0.37–0.48，相对提升幅度约为50%。这些结果表明，主动学习引导的AH透镜设计优化显著增强了THUS中的精确体积目标聚焦能力，并为个体特异性经颅超声神经调控提供了一种高效的优化框架。图示摘要