Efficient Convolutional Forward Model for Passive Acoustic Mapping and Temporal Monitoring
作者: Tatiana Gelvez-Barrera, Barbara Nicolas, Bruno Gilles, Adrian Basarab, Denis Kouamé
分类: eess.IV, cs.AI
发布日期: 2026-01-12
💡 一句话要点
提出一种高效卷积前向模型，用于被动声学成像和时间监测
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 被动声学成像 波束形成 卷积神经网络 逆问题 时间分辨率
📋 核心要点
- 传统PAM方法计算量大，时间分辨率有限，难以应用于快速变化的空化现象监测。
- 论文提出基于卷积公式的PAM波束形成框架，将PAM建模为逆问题，利用前向算子映射空化活动到射频信号。
- 实验结果表明，该框架优于传统方法，在降低计算负担的同时，提高了时间分辨率。
📝 摘要（中文）
被动声学成像(PAM)是一种关键的成像技术，用于表征治疗性超声应用中的空化活动。最近基于模型的波束形成算法提供了高重建质量和强大的物理可解释性。然而，它们的计算负担和有限的时间分辨率限制了它们在时间演变空化应用中的使用。为了解决这些挑战，我们提出了一种基于时间域中新型卷积公式的PAM波束形成框架，该框架能够实现高效计算。在这个框架中，PAM被表述为一个逆问题，其中前向算子将时空空化活动映射到记录的射频信号，考虑了由采集几何结构定义的飞行时间延迟。然后，我们制定了一种正则化反演算法，该算法结合了关于空化活动的先验知识。实验结果表明，我们的框架优于经典的波束形成方法，与迭代时域公式相比，提供了比频域技术更高的时间分辨率，同时大大降低了计算负担。
🔬 方法详解
问题定义：论文旨在解决被动声学成像（PAM）中，传统波束形成算法计算量大、时间分辨率不足的问题。这些问题限制了PAM在时间演变空化活动监测中的应用，例如治疗性超声过程中空化泡的动态变化分析。现有方法，特别是时域迭代方法，虽然精度较高，但计算成本过高，难以满足实时性要求。
核心思路：论文的核心思路是将PAM问题转化为一个逆问题，并利用卷积运算来高效地实现前向模型的计算。通过将空化活动与接收到的射频信号之间的关系建模为一个卷积过程，可以利用快速卷积算法（如FFT）来加速计算，从而降低计算复杂度，提高时间分辨率。
技术框架：该PAM框架主要包含以下几个阶段：1) 前向模型构建：基于采集几何结构，建立时空空化活动到射频信号的映射关系，该映射关系通过卷积运算实现。2) 逆问题求解：将PAM问题表述为一个正则化的逆问题，目标是从接收到的射频信号中反演出空化活动的时空分布。3) 正则化项设计：引入关于空化活动的先验知识，例如空化源的稀疏性或空间连续性，以提高重建质量。4) 优化求解：采用合适的优化算法求解正则化的逆问题，得到最终的PAM图像。
关键创新：该论文最重要的创新点在于提出了基于卷积运算的PAM前向模型。与传统的基于射线追踪或有限差分等方法相比，卷积运算具有更高的计算效率，尤其是在频域进行卷积时。此外，将PAM问题建模为逆问题，并引入正则化项，可以有效地提高重建质量和鲁棒性。
关键设计：论文的关键设计包括：1) 卷积核的设计：卷积核的设计需要精确地模拟声波在介质中的传播过程，包括时间延迟和衰减。2) 正则化项的选择：正则化项的选择需要根据具体的应用场景和先验知识进行调整，例如可以使用L1范数正则化来促进空化源的稀疏性。3) 优化算法的选择：优化算法的选择需要考虑计算效率和收敛性，例如可以使用共轭梯度法或ADMM算法。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该卷积PAM框架在时间分辨率上优于频域方法，并且显著降低了计算负担，使其能够应用于实时监测。具体性能数据（例如计算时间、重建误差等）在原文中给出，表明该方法在保证重建质量的前提下，大幅提升了计算效率。
🎯 应用场景
该研究成果可应用于治疗性超声的实时监测与优化，例如高强度聚焦超声（HIFU）治疗过程中空化效应的精确控制。通过提高PAM的时间分辨率和计算效率，可以实现对空化泡动态行为的实时反馈，从而提高治疗效果，降低副作用。此外，该方法还可应用于水下声源定位、无损检测等领域。
📄 摘要（原文）
Passive acoustic mapping (PAM) is a key imaging technique for characterizing cavitation activity in therapeutic ultrasound applications. Recent model-based beamforming algorithms offer high reconstruction quality and strong physical interpretability. However, their computational burden and limited temporal resolution restrict their use in applications with time-evolving cavitation. To address these challenges, we introduce a PAM beamforming framework based on a novel convolutional formulation in the time domain, which enables efficient computation. In this framework, PAM is formulated as an inverse problem in which the forward operator maps spatiotemporal cavitation activity to recorded radio-frequency signals accounting for time-of-flight delays defined by the acquisition geometry. We then formulate a regularized inversion algorithm that incorporates prior knowledge on cavitation activity. Experimental results demonstrate that our framework outperforms classical beamforming methods, providing higher temporal resolution than frequency-domain techniques while substantially reducing computational burden compared with iterative time-domain formulations.