基于深度学习的快速准确声音全息生成框架

Deep learning-based fast and accurate sound holography generation framework

由DGIST电子工程与计算机科学系的黄宰允教授领导的团队开发了一种基于深度学习的超声全息生成框架技术,可以实时根据全息图进行聚焦超声的自由配置。将来,它将成为精确脑部刺激和治疗的基础技术。

即使对于产前检查,超声波也是一种安全的工具。最近,人们对于用于脑部刺激和治疗的超声技术进行了研究,因为它们可以在不需要手术的情况下激活深层位置。根据早期研究,超声脑部刺激可以治疗包括阿尔茨海默病、抑郁症和疼痛在内的疾病。

为了克服这些限制,黄宰允教授团队提出了一种基于深度学习的学习架构,可以实时封装自由准确的超声聚焦。因此,黄宰允教授的团队证明了在全息图生成时间几乎是实时的情况下,将超声聚焦到所需形状更加精确是可行的,并且比当前超声全息生成算法方法快400倍。

研究团队的基于深度学习的学习框架通过自监督学习来发展超声全息生成技术。自监督学习是一种让计算机自己学习找到没有解决方案的数据规则的技术。研究团队提出了一种学习创建超声全息图的方法,一种专门用于创建超声全息图的深度学习网络,以及一种新的损失函数,并通过模拟和实际试验展示了每个元素的可靠性和优越性。

问题和解决方案

问题在于当前技术将超声聚焦到一个小点或一个巨大的圆圈中进行刺激,这使得在多个区域同时相互作用时难以选择性地激活相关脑部区域变得具有挑战性。一种利用全息概念在特定位置自由聚焦超声的系统被提出作为解决这个问题的方法。然而,它存在一些缺点,包括精度不高和创建全息图的计算过程冗长。

总结:

声学全息术在各种应用中越来越受欢迎。然而,如何创建声学全息图的研究仍然很少。即使是传统的声学全息图算法在快速准确生成声学全息图方面也需要更高的效率,这阻碍了新应用的创建。DGIST黄宰允教授团队提出了一种基于深度学习的系统,可以快速准确地创建声学全息图。该框架的自编码器设计允许进行无监督训练,无需地面真实数据。该框架展示了全息超声生成网络(HU-Net)、一种专为能效全息图设计的独特损失函数,以及无监督学习全息图创建的理想网络。