用于异构脊髓解剖中非线性聚焦超声波传播的卷积深度算子网络
医学物理
2024-12-23 v1 人工智能
摘要
聚焦超声（FUS）疗法是脊髓损伤（SCI）治疗的有前景工具，能够在损伤部位精准增强血流，同时最大限度地减少对周围组织的影响。然而，其效果高度依赖于超声源的放置位置，因为脊髓的复杂几何和声学异质性会扭曲和衰减FUS信号。当前方法依赖于计算机仿真求解波动方程，通过脊髓解剖的超声图像计算患者特异的压力图。虽然准确，但这些高保真仿真计算密集，参数扫描耗时数小时，难以用于实时手术决策。为此，我们提出一种卷积深度算子网络（DeepONet）快速预测患者脊髓中的FUS压力场。与常规神经网络不同，DeepONet能够在不进行大量仿真的情况下，逼近支配FUS波行为的可参数化偏微分方程（PDE）的解算子（即新的换能器位置或脊髓解剖）。在训练于多样化患者解剖的模拟压力图后，该模型实现实时预测，仅在测试集上损失2%，显著加速了异构域中非线性物理系统的建模。通过实现手术中的快速参数扫描，本工作为精准个体化的脊髓疗法提供了关键一步。
引用
@article{arxiv.2412.16118,
title = {Convolutional Deep Operator Networks for Learning Nonlinear Focused Ultrasound Wave Propagation in Heterogeneous Spinal Cord Anatomy},
author = {Avisha Kumar and Xuzhe Zhi and Zan Ahmad and Minglang Yin and Amir Manbachi},
journal= {arXiv preprint arXiv:2412.16118},
year = {2024}
}
备注
Accepted for oral presentation at AAAI Conference on Artificial Intelligence: AI for Accelerating Science and Engineering Workshop 2025