TFUScapes

TFUScapes数据集是首个大规模、高分辨率经颅聚焦超声（tFUS）模拟的数据集，通过基于T1加权MRI图像的解剖学颅骨进行模拟。该数据集包含2500个模拟，涵盖125个个体，每个个体有20个不同的换能器位置，超声波发射频率为500 kHz。数据集旨在推进计算声学、神经技术和深度学习交叉领域的研究。

The TFUScapes dataset is the first large-scale, high-resolution dataset for transcranial focused ultrasound (tFUS) simulations, constructed using anatomical skull models derived from T1-weighted MRI scans. This dataset contains 2500 simulations covering 125 unique subjects, with each subject having 20 distinct transducer positions and an ultrasound emission frequency of 500 kHz. The dataset aims to advance research at the intersection of computational acoustics, neurotechnology, and deep learning.

原始信息汇总

TFUScapes 数据集概述

数据集简介

• 名称: TFUScapes
• 领域: 计算声学、神经技术、深度学习
• 目的: 为基于AI的3D经颅聚焦超声模拟提供大规模高分辨率数据集

数据集内容

• 数据量: 2,500个模拟
• 覆盖范围: 125名受试者
• 模拟参数: 每名受试者20个换能器位置，发射频率500 kHz
• 数据类型: 通过解剖学真实人类头骨(源自T1加权MRI图像)的经颅聚焦超声(tFUS)模拟

技术特点

• 模拟引擎: 使用k-Wave伪谱求解器构建的可扩展模拟引擎管道
• 输出内容: 每个模拟返回由聚焦超声换能器在真实头皮位置产生的稳态压力场

相关模型

• DeepTFUS: 深度学习模型，可直接从输入3D CT体积和换能器位置估计归一化压力场
  • 架构: 基于U-Net骨干网络，扩展了换能器感知条件
  • 训练: 使用空间加权和梯度敏感损失函数组合

使用限制

• 用途限制: 仅限研究目的，不可用于临床决策
• 商业用途: 禁止
• 许可: CC-BY-NC-SA 4.0
  • 允许转换和重新分发，但需遵守相同许可并引用相关工作

免责声明

• 数据集未经临床验证
• 不能替代经过认证的医疗设备或模拟平台
• 使用需遵守许可条款和条件

更多信息

• 项目仓库: https://github.com/CAMMA-public/TFUScapes

搜集汇总

数据集介绍

构建方式

在神经调控技术快速发展的背景下，TFUScapes数据集通过创新性计算声学方法构建而成。研究团队基于125名受试者的T1加权MRI影像，采用k-Wave伪谱求解器建立可扩展的仿真引擎管道，针对每个颅骨模型进行20种换能器位置配置的500kHz超声模拟，最终形成包含2500组高分辨率三维仿真的数据集。这种基于真实解剖结构的系统化建模策略，有效捕捉了颅骨异质性对超声传播的复杂影响。

特点

作为首个面向经颅聚焦超声的大规模仿真数据集，TFUScapes的突出价值体现在其多维度特征上。数据集不仅包含稳态压力场等物理量输出，更通过精确配准的CT体积数据与换能器空间坐标构建起完整的输入-输出映射关系。每例仿真均保留波前畸变、声场分布等关键声学特征，为深度学习模型提供具有解剖学意义的训练样本。这种将计算声学与医学影像相结合的独特设计，填补了该领域高质量基准数据的空白。

使用方法

该数据集为计算声学与深度学习交叉研究提供了标准化实验平台。研究者可通过解析CT体积数据与换能器位置坐标，直接获取对应声场分布用于模型训练。配套开源的DeepTFUS框架演示了如何集成傅里叶位置编码与特征调制机制处理三维医学数据。数据集采用分层存储结构，各样本包含完整的元数据描述，支持从波动物理分析到端到端模型验证等多层次研究需求。用户需遵守CC-BY-NC-SA许可协议，确保非商业用途下的学术合规性。

背景与挑战

背景概述

TFUScapes数据集由Vinkle Srivastav等研究人员于2023年提出，旨在推动经颅聚焦超声（tFUS）领域的数据驱动研究。作为首个基于解剖学真实人类颅骨的大规模高分辨率tFUS模拟数据集，它通过整合T1加权MRI影像与k-Wave伪谱求解器，构建了125名受试者共计2,500次仿真的系统性数据。该数据集解决了神经调控领域的关键问题——颅骨异质性导致的超声波前畸变，为深度学习模型开发提供了标准化基准，显著提升了非侵入性脑刺激技术的计算效率与靶向精度。其创新性工作发表于计算声学与神经工程交叉领域，对优化治疗性超声的术前规划具有重要科学价值。

当前挑战

TFUScapes面临的核心挑战体现在两个维度：在领域问题层面，需克服颅骨各向异性引发的复杂声场畸变，这要求模型能精确建模高频超声波（500kHz）与多层生物组织的非线性相互作用；在构建过程中，大规模数值仿真带来显著计算负担，单个高保真度声场求解需消耗数千CPU小时，且需保证125例颅骨几何拓扑的解剖学合理性。此外，数据驱动的波场预测需解决三维CT体积数据与换能器位置的多模态融合难题，这对神经网络架构设计提出了动态卷积、特征调制等创新要求。数据集虽提供标准化基准，但临床转化仍需解决个体颅骨参数变异带来的泛化性挑战。

常用场景

经典使用场景

在计算声学和神经技术领域，TFUScapes数据集为研究颅骨对聚焦超声波的调制效应提供了标准化实验平台。该数据集通过125例受试者的2500组高保真仿真数据，精确模拟了500kHz超声波在不同颅骨解剖结构中的传播特性，成为验证声波传播算法和深度学习模型的黄金基准。研究者可基于该数据集分析声压场分布规律，优化经颅超声的靶向精度。

解决学术问题

TFUScapes有效解决了经颅聚焦超声领域两大核心难题：一是突破了传统数值模拟方法计算成本高昂的瓶颈，通过大规模预计算数据为机器学习提供训练基础；二是建立了颅骨解剖变异与声场畸变之间的定量关联模型，为个性化治疗规划提供了数据支撑。该数据集显著推进了声学逆问题求解、异质介质波传播等基础理论研究。

衍生相关工作

该数据集催生了多项标志性研究，包括DeepTFUS等端到端声场预测框架的开发。后续工作进一步扩展了其在跨模态配准（CT-MRI-US）、声学透镜设计等方向的应用。部分团队结合生成对抗网络，利用该数据集合成异质颅骨的声学参数分布，推动了计算超声领域的迁移学习研究。