ABSTRAK
Dalam terapi ultrasound terfokus (FUS), seperti ablasi termal dan hipertermia, manipulasi akustik-termal yang efektif memerlukan penargetan geometri kompleks yang tepat, perambatan gelombang suara melalui struktur yang tidak teratur, dan pemfokusan selektif pada kedalaman tertentu. Lensa holografik akustik (AHL) memberikan kemampuan khas untuk membentuk medan akustik menjadi pola termal FUS yang tepat, kompleks, dan multifokal. Mengakui potensi AHL yang belum dieksplorasi dalam membentuk pola pemanasan yang disebabkan oleh ultrasound, studi ini memperkenalkan peta jalan untuk pemodelan akustik-termal dalam desain AHL. Tiga pendekatan pemodelan utama dipelajari dan dikontraskan menggunakan empat kelompok bentuk yang berbeda untuk medan target yang dipaksakan. Mereka termasuk pembalikan waktu berbasis tekanan (TR) (dasar (BSC-TR) dan iteratif (ITER-TR)), berbasis suhu (optimalisasi perpindahan panas terbalik (IHTO-TR)), dan metode berbasis pembelajaran mesin (ML) (jaringan adversarial generatif (GaN) dan GaN dengan fitur (Feat-GAN)). Metrik baru, termasuk kualitas gambar, efisiensi termal, kontrol termal, dan waktu komputasi, diperkenalkan, yang memberikan kekuatan dan kelemahan masing-masing metode. Pentingnya mengevaluasi kompleksitas pola target, persyaratan termal dan tekanan, dan sumber daya komputasi disorot. Sebagai langkah selanjutnya, dua studi kasus: (1) FUS transkranial dan (2) hipertermia hati, menunjukkan penggunaan praktis holografi akustik dalam pengaturan terapeutik. Makalah ini menawarkan referensi praktis untuk memilih pendekatan pemodelan berdasarkan tujuan terapeutik dan persyaratan pemodelan. Di samping metode yang mapan seperti BSC-TR dan ITER-TR, teknik baru IHTO-TR, GaN, dan Feat-GaN diperkenalkan. BSC-TR berfungsi sebagai dasar, sementara ITER-TR memungkinkan penyempurnaan berdasarkan karakteristik bentuk target. IHTO-TR mendukung kontrol termal, GaN menawarkan solusi cepat dalam kondisi tetap, dan Feat-GaN memberikan kemampuan beradaptasi di berbagai pengaturan aplikasi.

1 Pendahuluan
Persinggungan fenomena akustik dan termal dalam domain teknologi ultrasound telah mengungkap potensi pemanasan gelombang suara ketika dimanfaatkan secara strategis. Transformasi energi akustik-termal ini telah menemukan aplikasi di berbagai bidang, termasuk operasi industri, karakterisasi material, aktuasi struktur pintar, dan ultrasound terapeutik [ 1 – 7 ]. Khususnya, kontrol lanjutan dari energi termal yang diinduksi ultrasound sangat penting untuk keberhasilan implementasi aplikasi ini. Kontrol ini mencakup tetapi tidak terbatas pada pemicu polimer memori bentuk dengan berbagai ukuran dan geometri [ 8 ], memastikan penargetan yang akurat dengan kontrol termal yang tepat untuk perawatan yang aman dari struktur yang kompleks dan tidak teratur [ 9 ], dan menghasilkan kerusakan yang terbatas secara spasial untuk mencegah kerusakan seluler di sekitarnya untuk penghancuran selektif [ 10 ].

Mengintegrasikan lensa holografik akustik (AHL) dengan transduser datar adalah salah satu metode untuk memperoleh kontrol lanjutan atas energi termal yang diinduksi ultrasound. Sementara sebagian besar aplikasi AHL secara tradisional difokuskan pada kontrol presisi medan tekanan akustik, studi terbaru telah mulai mengeksplorasi potensinya untuk menginduksi pemanasan lokal [ 11 , 12 ] yang menyoroti kebutuhan yang semakin meningkat untuk merancang AHL khusus untuk aplikasi terapi termal [ 13 ]. Dibandingkan dengan transduser lengkung atau array bertahap yang banyak digunakan, AHL telah membuktikan potensinya untuk efektivitas biaya, kekokohan, dan kemampuan untuk menawarkan resolusi spasial tinggi dalam membentuk medan ultrasound [ 14 – 19 ]. Dengan printer 3D modern yang mampu mencapai resolusi hingga 25–50[ 20 ], fabrikasi AHL yang sangat rinci untuk pembentukan medan akustik yang tepat kini dapat dilakukan secara praktis.

Prinsip dasar di balik AHL terletak pada kemampuannya untuk berfungsi sebagai pelat fase, memodulasi fase muka gelombang dengan menggunakan peta ketebalan yang unik. Dengan menyesuaikan ketebalan dan kecepatan suara dalam desain, profil sinar yang tidak terfokus yang dihasilkan oleh transduser datar dapat diubah menjadi sinar terfokus dengan pola tekanan yang berubah-ubah di lokasi yang diinginkan. AHL dapat diproduksi menggunakan cetakan [ 13 , 21 ] atau melalui teknik pencetakan 3D, dengan stereolitografi (SLA) menjadi salah satu metode yang paling banyak digunakan untuk pembuatannya [ 14 , 17 , 22 ]. SLA bekerja dengan mengendalikan pemadatan resin cair secara spasial melalui fotopolimerisasi, yang memungkinkan struktur beresolusi tinggi dan presisi [ 23 ]. Proses manufaktur ini memfasilitasi konversi langsung peta ketebalan yang dihasilkan menjadi desain lensa holografik fisik.

Memperoleh peta ketebalan yang diperlukan untuk produksi 3D adalah tantangan utama dalam memanfaatkan AHL, yang sebagian besar bergantung pada analisis numerik. Berbagai algoritma telah muncul untuk memodelkan perambatan gelombang melintasi berbagai domain [ 24 ] dan telah digunakan dalam menghasilkan peta ketebalan untuk AHL [ 22 , 25-28 ] . Studi awal dalam holografi akustik sebagian besar berfokus pada pemodelan perambatan gelombang linier dalam media homogen. Namun, dengan meningkatnya minat dalam aplikasi biomedis, ada peningkatan permintaan untuk metode numerik yang mampu mengatasi kompleksitas domain heterogen. Pergeseran ini menyoroti perlunya pengembangan berkelanjutan dari strategi pemodelan yang sesuai dengan lingkungan terapeutik yang realistis. Secara paralel, integrasi konversi akustik-termal ke dalam desain AHL, serta perluasan teknik ini untuk menghasilkan pola pemanasan yang diinduksi ultrasound yang terkontrol, masih relatif kurang dieksplorasi, menawarkan arah yang menjanjikan untuk penelitian masa depan. Literatur yang ada juga tidak memiliki diskusi terperinci tentang dinamika perpindahan panas dan metodologi komputasi yang disesuaikan dengan aplikasi terapeutik AHL.

Makalah ini memperkenalkan peta jalan komprehensif untuk pemodelan akustik-termal dalam desain peta ketebalan untuk AHL. Dengan menggabungkan pendekatan yang mapan dan baru, kami secara khusus membuat dan menganalisis peta ketebalan untuk memaksakan pola termal secara efektif. Sementara penekanan utama kami adalah pada pemodelan akustik gelombang penuh berbasis pembalikan waktu, pendekatan yang kami rinci juga dapat disesuaikan dengan model perambatan gelombang lainnya, seperti metode domain campuran [ 29 ]. Makalah ini dimulai dengan meninjau dua teknik berbasis akustik yang melibatkan perambatan maju dan mundur dari medan tekanan untuk pembuatan pola akustik. Setelah itu, strategi untuk mengatasi masalah perpindahan panas terbalik (IHTP) untuk secara langsung menginduksi pola termal yang diinginkan ke prosedur desain AHL dieksplorasi. Selain itu, dua pendekatan pembuatan AHL berbasis pembelajaran mesin diperkenalkan di bagian metodologi, yang bertujuan untuk menyederhanakan aspek multi-fisika menjadi satu kerangka kerja masalah terbalik sambil meminimalkan upaya komputasi. Salah satu algoritme ML dirancang khusus untuk memberikan solusi khusus kasus untuk desain AHL, sementara yang lain dilengkapi dengan fitur parametrik tambahan. Di bagian hasil dan pembahasan, setiap metode dibandingkan, menyoroti kelebihan dan kekurangan masing-masing berdasarkan berbagai pertimbangan. Metrik kualitas baru diperkenalkan untuk memungkinkan perbandingan temuan yang adil, disertai dengan analisis terperinci tentang kompleksitas pola target yang diberlakukan untuk membedakan fitur geometris. Aplikasi klinis potensial dari USG terfokus (FUS) berbantuan AHL dibahas di bagian Hasil dan Pembahasan, bersama dengan dua studi kasus tentang FUS transkranial dan hipertermia hati, untuk menunjukkan penggunaan praktis dari metode yang diusulkan. Akhirnya, makalah ini memperkenalkan dan mengevaluasi teknik komputasi untuk merancang AHL yang bertujuan untuk menginduksi pola termal, menyajikannya dalam format terkonsolidasi untuk berfungsi sebagai referensi praktis untuk aplikasi terapeutik. Selain menilai pendekatan yang ada, studi ini mencakup kontribusi asli melalui metode yang baru dikembangkan yang dirancang untuk mengatasi tantangan pemodelan saat ini. Pekerjaan ini dimaksudkan untuk mengajukan pertanyaan-pertanyaan relevan di lapangan dan menawarkan panduan tentang pemilihan metode, sekaligus meletakkan dasar bagi penelitian masa depan dalam terapi berbasis holografi akustik.

2 Metodologi
Teknik pembalikan waktu (TR) dalam akustik menghadirkan metode efektif untuk memfokuskan gelombang suara yang dipancarkan oleh suatu sumber [ 30 ]. Pada dasarnya, teknik TR memanfaatkan karakteristik temporal khusus untuk memecahkan persamaan pengatur orde kedua untuk perambatan suara [ 31 ]:

2.3 Pendekatan Berbasis Pembelajaran Mesin
2.3.1 Jaringan Adversarial Generatif (GaN)
Dalam mengatasi tantangan yang terkait dengan penggabungan efek terkait perpindahan panas ke dalam desain AHL, pendekatan berbasis pembelajaran mesin (ML) muncul sebagai solusi yang menjanjikan. Kemajuan ML dapat memfasilitasi pengoptimalan desain AHL dengan memungkinkan kontrol termal yang tepat untuk mencapai pola termal target yang diinginkan dengan efisiensi komputasi yang ditingkatkan. Pembuatan AHL dengan bantuan ML telah dieksplorasi dalam beberapa penelitian [ 75 – 77 ]. Namun aplikasinya dalam domain heterogen untuk menyelesaikan teknik IHTP dan TR yang digabungkan belum diselidiki secara menyeluruh. Tujuan menggabungkan pendekatan ML yang diperkenalkan di sini adalah untuk mengatasi seluruh masalah dengan mengonsolidasikannya menjadi satu masalah invers, di mana konversi akustik-termal diselesaikan secara kolektif dalam kerangka kerja yang diusulkan.

Generative adversarial networks (GAN) merupakan salah satu kelas dalam deep learning yang terdiri dari dua neural network, yaitu generator dan discriminator [ 78 ]. Generator bertujuan untuk menghasilkan data yang realistis, seperti gambar, audio, atau teks, sedangkan discriminator berperan untuk membedakan antara data nyata dan data yang dihasilkan. Keberhasilan generator diukur dari kemampuannya untuk mengelabui discriminator, sehingga discriminator tidak akan mampu mengidentifikasi perbedaan antara data nyata dan data yang dihasilkan. Melalui adversarial training, GAN belajar untuk menghasilkan output yang semakin meyakinkan, sering kali mencapai hasil dalam pembangkitan gambar, transfer gaya, dan augmentasi data. Selama bertahun-tahun, banyak pengembangan telah disarankan untuk algoritma GAN [ 79 , 80 ]. Contohnya termasuk pengenalan conditional GAN, yang memungkinkan pembangkitan data yang dikondisikan pada informasi input tertentu, yang mengarah ke aplikasi seperti penerjemahan gambar ke gambar [ 81 ]. Sifat dari masalah ini menimbulkan kemiripan dengan yang dikerjakan dengan baik oleh algoritma pix2pix, terutama tugas-tugas seperti penerjemahan gambar-ke-gambar, di mana sebuah model belajar untuk memetakan gambar input dari satu domain ke gambar output di domain lain [ 82 ]. Algoritma pix2pix menggunakan kerangka kerja GAN bersyarat, menggabungkannya dengan kumpulan data gambar berpasangan untuk pembelajaran terbimbing, yang memungkinkan tugas-tugas seperti mengonversi gambar satelit ke peta, mengubah sketsa menjadi gambar realistis, atau mengubah pemandangan siang hari menjadi pemandangan malam hari, antara lain. Generator menggunakan U-net dalam arsitektur jaringan dan menggunakan fungsi kerugian komposit, tidak seperti diskriminator. Selain gagasan untuk memberi penghargaan kepada generator ketika mampu menghasilkan gambar realistis, karena gambar target ada, kerugian mean squared error (MSE) ditambahkan di mana perbedaan antara gambar target dan gambar yang dihasilkan diminimalkan.

2.3.2 Jaringan Adversarial Generatif dengan Fitur (Feat-GaN)
Arsitektur pix2pix dari metode GaN diperluas dengan mengintegrasikan fitur-fitur tambahan, mengambil inspirasi dari konsep inovatif yang diperkenalkan dalam InfoGaN [ 83 ] dan StyleGaN [ 84 ]. InfoGaN menambahkan lapisan kompleksitas baru ke GaN dengan memperkenalkan vektor kode laten di samping vektor derau. Kode laten ini, yang dipelajari dengan cara tanpa pengawasan, mengatur fitur-fitur spesifik dari keluaran yang dihasilkan, yang memungkinkan jaringan untuk mempelajari representasi yang sulit ditangkap. Demikian pula, StyleGaN meningkatkan lanskap GaN dengan memperkenalkan teknik sintesis berbasis gaya yang baru. Berangkat dari ruang laten konvensional, StyleGaN membagi ruang laten menjadi dua komponen: ruang laten tradisional dan ruang gaya terpisah. Dengan menyediakan generator tidak hanya dengan vektor derau acak tetapi juga dengan kode laten yang mengendalikan gaya gambar yang dihasilkan, StyleGaN menawarkan kontrol dan keragaman dalam pembuatan data.

Dalam penelitian ini, konsep-konsep lanjutan ini diadaptasi dan disederhanakan untuk tugas khusus kita dengan konsep BicycleGaN [ 85 ]. Dalam kerangka tersebut, input tambahan, yaitu frekuensi, diintegrasikan langsung ke dalam jaringan generator, tanpa jaringan perantara apa pun. Dengan menggabungkan frekuensi sebagai fitur input tambahan, kami bertujuan untuk melengkapi generator dengan kemampuan untuk menghasilkan
data dengan karakteristik yang bervariasi. Untuk menyederhanakan proses pelatihan untuk pengembangan sistem ML yang lebih serbaguna, peta suhu diubah menjadi peta biner untuk mewakili bentuk yang berbeda, dengan lebih sedikit penekanan pada dampak gradien suhu pada pembentukan
data medan tekanan lapisan. Meskipun demikian, algoritme tersebut tetap mampu menangkap hubungan internal antara konversi akustik-termal karena masih mengatasi masalah terbalik dengan fenomena perpindahan panas yang disertakan. Namun, perhatian yang lebih besar diberikan pada efek berbagai parameter daripada nilai pasti dari elevasi suhu. Untuk memastikan keadilan dan mencegah bias dalam proses pelatihan kami, strategi menggunakan batch penuh dan menyeimbangkan kumpulan data dengan menyediakan representasi data yang sama untuk setiap frekuensi diadopsi. Dalam fungsi kerugian komposit, rasio koefisien MSE dan entropi silang ditingkatkan dan pelatihan dilakukan dengan laju pembelajaran yang jauh lebih rendah. Kumpulan data terdiri dari 176 pasang
–
dan 84 dari mereka digunakan untuk pelatihan sedangkan 92 sisanya digunakan untuk pengujian. Pelatihan dilakukan pada prosesor yang sama dan berlangsung selama 172.860 detik. Untuk pelatihan peta fase, yang mirip dengan pelatihan amplitudo, nilai kerugian dari jaringan diskriminator dan generator, diilustrasikan dalam plot konvergensi yang digambarkan dalam Gambar 2b . Setelah pelatihan, kinerja model yang dilatih dinilai di seluruh kumpulan data, menggunakan root mean square error (RMSE) sebagai metrik kuantitatif. Melalui evaluasi ini, kami bertujuan untuk menunjukkan ketahanan jaringan dan kemampuannya untuk menggeneralisasi secara efektif di seluruh kumpulan data, seperti yang ditunjukkan pada Gambar 2c , di mana juga keluaran terbaik dan terburuk disajikan; model tidak dapat menangkap fitur lokal secara rinci dalam beberapa contoh, terutama karena kurangnya data. Kedua algoritma ML dilatih menggunakan simulasi gelombang penuh untuk pembuatan data. Meskipun simulasi gelombang penuh menawarkan keandalan dan efektivitas dalam pemodelan berbagai skenario termasuk domain yang lemah dan sangat heterogen, serta perambatan gelombang suara linier dan nonlinier, simulasi ini memerlukan biaya komputasi. Akibatnya, proses pembuatan data memerlukan biaya komputasi yang mahal, sehingga menghasilkan kumpulan data yang terbatas. Meskipun demikian, setelah menyelidiki kemampuan model untuk menghasilkan
data lapisan untuk berbagai frekuensi, fleksibilitas dan kemampuan beradaptasi di seluruh spektrum masukan tambahan tampak menjanjikan, seperti yang digambarkan pada Gambar 2d .

3 Hasil dan Pembahasan
3.1 Evaluasi Metodologi dan Analisis Komparatif
Untuk memastikan perbandingan temuan yang adil, distribusi suhu yang dinormalisasi pada
dihitung untuk setiap pendekatan pemodelan. Empat kelompok bentuk yang berbeda, masing-masing berisi beberapa sampel dipilih untuk gambar target yang diberlakukan: (1) Pola yang menampilkan fokus pusat, karena pola ini merupakan jenis gambar target yang banyak digunakan untuk menunjukkan kemampuan AHL dalam memfokuskan pola yang rumit. (2) Skenario multifokus, di mana beberapa titik perlu ditargetkan secara bersamaan. Kasus ini mungkin relevan untuk aplikasi di mana penargetan terpisah tidak praktis atau sonikasi simultan diperlukan untuk mencapai pemanasan dalam volume yang lebih besar. (3) Target fokus pusat yang kompleks dengan dua bentuk yang berbeda: bentuk target kosong dan terisi. Konfigurasi ini menunjukkan kemampuan AHL untuk menargetkan berbagai jenis pola termal secara efektif. (4) Terakhir, pola dengan fokus yang bergeser disajikan, yang membahas skenario di mana pusat sumber tidak sejajar dengan lokasi fokus yang diinginkan untuk target. Masing-masing kelompok bentuk target ini bertujuan untuk menggambarkan potensi AHL untuk berbagai kasus, memfasilitasi diskusi dari berbagai perspektif tentang metode yang diterapkan.

Peta distribusi temperatur untuk semua kasus digambarkan dalam Gambar 3. Setelah membandingkan secara visual pola termal yang dinormalisasi dengan peta termal target yang diberlakukan, jelas bahwa AHL dapat secara efektif menyesuaikan peta akustik-termal. Setelah pemeriksaan lebih dekat, perbedaan antara setiap metode untuk setiap bentuk target menjadi jelas. Ini menunjukkan bahwa setiap metode dapat memberikan keuntungan unik untuk berbagai aplikasi, yang menekankan perlunya evaluasi terperinci atas hasilnya. Di sini, kami mengusulkan skor evaluasi komprehensif (CES) khusus (lihat Persamaan 24 ) untuk menggabungkan faktor-faktor seperti kualitas rekonstruksi, efisiensi pola termal, waktu komputasi, dan kemampuan kontrol termal untuk perbandingan ekstensif setiap metode. Dalam nilai CES, kami juga memperkenalkan metrik baru seperti skor kualitas gambar (IQS) dan skor termal (TS). IQS menggabungkan metrik kualitas gambar yang terkenal seperti PSNR (Persamaan 20 ) dan SSIM (Persamaan 22 ), sementara TS mencakup nilai efisiensi termal (Persamaan 23 ) dan kontrol termal (TCC). Nilai maksimum 1 menunjukkan kinerja yang baik untuk PSNR yang dinormalisasi, SSIM,
dan TCC sementara nilai yang lebih kecil lebih disukai untuk waktu komputasi. Penting untuk dicatat bahwa meskipun tidak ada nilai ambang batas yang ditetapkan secara universal untuk PSNR, normalisasi sangat penting untuk menghitung CES. Dengan demikian, kami menormalkan PSNR berdasarkan nilai maksimum yang diperoleh di semua kasus. Nilai PSNR maksimum ini berada dalam kisaran nilai yang umum diamati dalam literatur untuk pola kompleks menggunakan AHL [ 52 , 76 , 86 – 88 ]. Untuk meningkatkan penerapan dan fleksibilitas CES yang diusulkan, penyesuaian persamaan juga dapat dilakukan untuk mengakomodasi parameter tambahan jika diperlukan.

Seperti yang dibahas secara singkat di Bagian 2.1.2 , penerapan kriteria penghentian yang sesuai sangat penting untuk pendekatan pemodelan iteratif untuk simulasi gelombang penuh yang membutuhkan komputasi yang ekstensif. Peningkatan jumlah iterasi tidak selalu menyiratkan peningkatan kualitas citra termal yang direkonstruksi (lihat Lampiran B ). Bahkan dalam kasus di mana peningkatan diamati, hal itu sering kali memerlukan trade-off antara kualitas dan waktu komputasi, yang mungkin tidak membenarkan peningkatan tersebut. Bertujuan untuk nilai maksimum metrik kualitas yang diperkenalkan dalam Persamaan ( 20-23 ) mungkin tidak berfungsi sebagai kriteria penghentian yang berguna, karena setiap metrik mewakili kriteria kualitas yang berbeda, dan mencapai nilai maksimum sering terjadi pada iterasi yang berbeda. Oleh karena itu, nilai CES yang diperkenalkan dalam makalah ini tidak hanya berfungsi sebagai metrik perbandingan yang berharga tetapi juga dapat digunakan sebagai kriteria akhir untuk pendekatan iteratif.

Gambar 4 membandingkan metrik kinerja untuk CES, TS, dan IQS di semua metode. Nilai rata-rata ditentukan untuk empat kelompok bentuk yang berbeda, masing-masing terdiri dari empat sampel bentuk target. Deviasi standar untuk nilai-nilai ini dihitung menggunakan Persamaan ( 27 ), di mana n (sama dengan 4) menunjukkan jumlah nilai per metrik kinerja dan kelompok bentuk,
Dan

masing-masing mewakili nilai metrik kinerja individu dan rata-rata.

Seperti yang ditunjukkan pada Gambar 4 , IHTO-TR dan GaN memberikan nilai CES tertinggi dengan mempertimbangkan kapabilitasnya untuk menawarkan efisiensi pola termal yang lebih tinggi dan kapabilitas kontrol di seluruh kelompok bentuk yang berbeda. BSC-TR dan ITER-TR menunjukkan kinerja yang menjanjikan dalam hal IQS, yang mengevaluasi efisiensi rekonstruksi gambar dan mengecualikan efek termal. Menambahkan iterasi ke simulasi untuk meningkatkan hasil pola target mengarah pada peningkatan rata-rata 5,9% dalam nilai CES saat membandingkan BSC-TR dan ITER-TR, dengan kelompok bentuk 2 menunjukkan peningkatan maksimum 13,2%. Meskipun ada peningkatan TS sebesar 21,9% untuk kelompok bentuk 2 dengan peningkatan iteratif, peningkatan CES kurang jelas karena biaya komputasi yang tinggi yang diperkenalkan oleh analisis iteratif.

Dari sudut pandang komputasi, pendekatan berdasarkan pembelajaran mesin, seperti GaN dan Feat-GaN, menawarkan percepatan paling signifikan dibandingkan dengan metode lain. Setelah pelatihan selesai, model-model ini dapat menghasilkan medan tekanan yang diperlukan dari peta termal target dalam waktu sekitar 70 detik. Sebaliknya, BSC-TR membutuhkan waktu sekitar 77 menit, ITER-TR membutuhkan waktu sekitar 772 menit, dan IHTO-TR membutuhkan waktu sekitar 581 menit untuk menghasilkan hasil. Waktu proses ini dapat bervariasi tergantung pada faktor-faktor seperti ukuran domain komputasi, resolusi grid, dan sumber daya komputasi yang tersedia. Namun, nilai-nilai yang dilaporkan di sini mencerminkan kondisi konsisten yang digunakan di seluruh studi kasus yang disajikan dalam karya ini. Setelah menganalisis Gambar 3 dan 4 , menjadi jelas bahwa kinerja teknik GaN khusus kasus melampaui model Feat-GaN yang lebih kompleks, terutama karena masalah itu sendiri dikonfigurasi untuk memperhitungkan variasi yang bergantung pada frekuensi. Lebih jauh, kumpulan data yang digunakan untuk melatih pendekatan berbasis ML dibatasi oleh simulasi gelombang penuh yang mahal secara komputasi tetapi andal. Seperti disebutkan sebelumnya, peta jalan yang diuraikan dalam studi ini dapat disesuaikan dengan berbagai model propagasi, dan ada potensi untuk mengintegrasikan metode yang lebih cepat ke dalam proses pembuatan data untuk memfasilitasi pembuatan kumpulan data yang lebih besar dan meningkatkan akurasi. Model Feat-GaN, khususnya, menunjukkan harapan sebagai metodologi desain AHL di masa mendatang, yang menawarkan platform yang lebih serbaguna yang mampu mengakomodasi kumpulan data yang lebih besar.

3.2 Variasi Perpindahan Panas

3.3 Kompleksitas Pola Target
Akhirnya, seperti yang ditunjukkan dalam peta termal pada Gambar 3 dan perbandingan pada Gambar 4 , nilai CES, TS, dan IQS bervariasi berdasarkan metode pemodelan dan kelompok bentuk yang dipilih. Mempertimbangkan bahwa setiap kelompok bentuk menunjukkan karakteristik yang berbeda, analisis yang lebih dalam tentang kompleksitas pola mereka dapat meningkatkan pemahaman kita tentang dampak pada efisiensi penargetan. Ada beberapa cara untuk membedakan pola target yang diberlakukan. Kompleksitas bentuk dapat dinilai melalui persepsi manusia, dengan lebih banyak tepi dan kurva umumnya menunjukkan kompleksitas yang lebih tinggi [ 92 ] atau ukuran matematika seperti entropi kelengkungan [ 93 ] dan keacakan bentuk [ 94 ] dapat digunakan untuk mengukur kompleksitas bentuk sesuai dengan tuntutan spesifik suatu aplikasi. Mengingat fokus klinis pola termal berbantuan AHL dalam studi ini, metrik berikut digunakan untuk mengukur kompleksitas kelompok bentuk yang dianalisis: (1) Sentralitas, (2) Kompleksitas tepi dan kurva, (3) Kuantitas pola, (4) Jarak pola, dan (5) Ukuran pola. Sentralitas diukur dengan menghitung jarak Euclidean dari pusat ke setiap pola dalam kelompok bentuk. Koordinat x dan y dari pusat ditentukan, dan jarak dari koordinat ini ke setiap piksel target dihitung. Jarak minimum, maksimum, dan rata-rata kemudian digunakan untuk mengevaluasi sentralitas keseluruhan dari setiap pola target dalam kelompok bentuk. Kompleksitas tepi dinilai dengan menerapkan filter Sobel untuk mendeteksi semua tepi, dan kompleksitas kelengkungan diukur dengan menghitung perubahan sudut di sepanjang batas pola. Kuantitas pola ditentukan dengan mengidentifikasi komponen yang terhubung dalam gambar target, dengan setiap pola yang berbeda diberi label dan dihitung. Area pola ini diukur dalam piksel, dan area rata-rata dihitung untuk menilai distribusi ukuran keseluruhan dalam kelompok bentuk. Selain itu, untuk gambar yang berisi beberapa pola, jarak Euclidean berpasangan antara titik pusat pola dihitung, dengan jarak pola maksimum, minimum, dan rata-rata. Setiap indeks pasangan mewakili kombinasi titik pusat pola tertentu, yang memungkinkan penilaian terperinci tentang hubungan spasial. Contoh analisis kompleksitas pola target untuk pola multifokus dari kelompok bentuk 2 diilustrasikan dalam Gambar 5 sebagai referensi. Ringkasan investigasi kompleksitas pola untuk membedakan setiap kelompok bentuk berdasarkan karakteristiknya disediakan dalam Tabel 1 .

Investigasi gabungan dari Gambar 4 dan 1 telah menunjukkan bahwa nilai TS terendah diperoleh untuk kelompok bentuk 4, di mana pola target berada di luar, sehingga sulit untuk mencapai fokus penuh di luar wilayah amplitudo tinggi transduser. Untuk penargetan yang efektif, algoritme berbasis iteratif atau pengoptimalan diharapkan berkinerja lebih baik daripada pendekatan non-iteratif, karena algoritme tersebut memungkinkan pengguna untuk menerapkan parameter yang diinginkan guna mencapai efisiensi maksimum. CES terendah diamati untuk kelompok bentuk 3, yang menunjukkan kompleksitas tepi dan kurva yang tinggi dibandingkan dengan kelompok bentuk lainnya. Namun, meskipun pola target berdekatan dengan pusat, ukurannya yang lebih besar dan distribusinya yang tersebar tetap menghasilkan nilai TS yang relatif tinggi dibandingkan dengan kelompok bentuk dengan pola yang lebih kecil dan berkelompok atau yang terletak lebih jauh dari pusat. Kelompok bentuk 1 dan 2 menunjukkan nilai CES yang serupa karena lokasinya yang terpusat dan kompleksitas tepi dan kurva yang sebanding, serta kuantitas pola. Namun, kelompok bentuk 2 menghasilkan nilai TS yang jauh lebih tinggi karena distribusi polanya yang tersebar dan ukuran pola yang lebih besar, yang membuat penargetan lebih mudah. Investigasi kompleksitas pola yang disajikan dalam bagian ini menawarkan cara untuk membandingkan dan membedakan antara kelompok bentuk, yang memungkinkan keputusan yang tepat yang disesuaikan dengan aplikasi dan pola target tertentu. Bergantung pada aplikasinya, metrik yang berbeda dapat digunakan untuk menilai kompleksitas pola. Nilai ambang batas dapat ditetapkan untuk memandu adopsi metode yang berbeda berdasarkan apakah kompleksitas melebihi atau berada di bawah level tertentu. Untuk detail lebih lanjut tentang bagaimana Tabel 1 dibentuk, pembaca dapat merujuk ke data tambahan yang disediakan dalam Lampiran D , yang juga mencakup analisis kompleksitas untuk bentuk target nyata yang digunakan dalam Studi Kasus 1–2 di Bagian 3 .

3.4 Aplikasi Klinis Ultrasonografi Terfokus Holografik
Ultrasonografi terfokus adalah teknologi serbaguna dan berkembang pesat dengan potensi signifikan untuk merevolusi perawatan medis di berbagai bidang. Sifatnya yang non-invasif dan kemampuannya untuk menargetkan jaringan secara tepat menjadikannya alat yang menjanjikan untuk aplikasi klinis dan strategi terapi yang baru muncul. Penggunaan saat ini meliputi ablasi termal, pengiriman obat, neuromodulasi [ 95 – 97 ] dan imunomodulasi, dengan aplikasi yang baru muncul termasuk histotripsi [ 98 ], terapi sonodinamik, pengiriman gen, dan pembukaan sawar darah-otak (BBB) ​​[ 99 – 101 ]. Dalam semua aplikasi ini, penerapan medan ultrasonografi yang tepat pada volume jaringan target sangat penting untuk menghindari efek yang tidak diinginkan pada jaringan yang berdekatan, di atasnya, atau di sekitarnya. Ultrasonografi terfokus saat ini disetujui FDA untuk mengobati fibroid uterus, indikasi muskuloskeletal termasuk metastasis tulang dan osteoid osteoma, indikasi urologis termasuk hiperplasia prostat jinak dan kanker prostat, dan indikasi neurologis termasuk tremor esensial, diskinesia Parkinson, dan tremor. Beberapa aplikasi neurologis tambahan sedang dalam tahap uji klinis termasuk depresi, gangguan stres pascatrauma, metastasis otak, gangguan bipolar, cerebral palsy, nyeri neuropatik, dan gangguan obsesif-kompulsif [ 102 ].

Dalam aplikasi klinis, peningkatan suhu yang disebabkan oleh ultrasound memerlukan strategi pemodelan komputasi terapeutik yang dirancang dengan cermat yang mempertimbangkan sifat akustik-termal seperti intensitas, durasi, dan siklus kerja, bersama dengan karakteristik jaringan lokal seperti penyerapan, difusi termal, dan perfusi. Tujuannya adalah untuk memastikan laju pemanasan yang tinggi dalam wilayah target fokus sambil mengurangi paparan panas pada kulit, mukosa, dan jaringan subkutan [ 103 ]. Oleh karena itu, pendekatan komputasi yang mempertimbangkan sifat jaringan lokal dan interaksi akustik-termal, seperti metode IHTO-TR dan GaN yang diusulkan dalam penelitian ini, dapat sangat berharga. Mengacu pada aplikasi FUS saat ini, FUS berbantuan AHL menjanjikan perluasan di masa depan untuk mengobati berbagai kondisi klinis yang serupa dengan yang saat ini ditangani oleh metode FUS tradisional, termasuk tumor prostat, payudara, hati, ginjal, dan tulang, serta kanker pankreas dan fibroid uterus [ 104 ]. Dalam aplikasi hipertermia ringan untuk pengiriman obat yang optimal, kriteria kinerja utama meliputi akurasi suhu, kontrol temporal, homogenitas pemanasan, dan pemanasan konformal pada daerah yang diinginkan [ 105 ]. Kriteria ini selaras dengan pembahasan dalam makalah ini mengenai berbagai metodologi, di mana AHL dapat menawarkan peningkatan signifikan pada poin-poin yang disebutkan di atas ketika pendekatan pemodelan yang sesuai digunakan. Untuk FUS transkranial, indikasi neurologis sangat menantang karena tengkorak yang sangat melemahkan dan mengaberasikan ultrasound dan juga morfologi struktur otak yang berbeda yang dapat memiliki bentuk dan volume yang sangat tidak teratur yang juga berada dalam jarak dekat dengan struktur saraf yang berdekatan dan sirkuit otak yang memerlukan pembentukan dan pengarahan yang tepat. Ketika dilatih dengan benar, pendekatan berbasis ML seperti GaN dan Feat-GaN dapat membuat perbedaan yang signifikan dengan secara efisien memperhitungkan redaman dan aberasi yang tinggi, yang biasanya memerlukan model perambatan gelombang akustik yang mahal secara komputasi. Selain itu, teknik berbasis ML menawarkan keuntungan karena dapat dilatih untuk perawatan spesifik berdasarkan parameter seperti dosis termal dan ukuran titik, yang sering dikaitkan dengan proses perawatan yang efisien dalam aplikasi neuromodulasi termal [ 106 ]. Untuk lebih mengeksplorasi dan memvalidasi pendekatan pemodelan yang disajikan dalam karya ini, dua aplikasi klinis potensial dari terapi berbantuan AHL diperiksa dalam subbagian berikut.

3.4.1 Studi Kasus 1: FUS Transkranial

Hasil untuk dua target berbeda disajikan dalam Gambar 6c,d . Mirip dengan analisis sebelumnya, pendekatan BSC-TR, ITER-TR, IHTO-TR, GaN, dan Feat-GaN dievaluasi. Dua bentuk target dipilih secara acak dari kumpulan data bentuk target. Analisis kompleksitas pola dari kedua bentuk target ini mengungkapkan bahwa keduanya dapat dikategorikan sebagai tersentralisasi. Namun, bentuk pada Gambar 6d memiliki jarak rata-rata dari pusat yang 1,75 kali lebih besar daripada bentuk pada Gambar 6c , yang menunjukkan adanya fitur terdesentralisasi. Kedua bentuk menunjukkan kompleksitas tepi dan kelengkungan yang rendah relatif terhadap yang ada pada Gambar 3 dan masing-masing terdiri dari satu pola. Selain itu, target pada Gambar 6d memiliki luas 2,15 kali lebih besar daripada target pada Gambar 6c . Analisis kompleksitas pola terperinci dari bentuk target nyata yang digunakan untuk studi kasus disajikan dalam Lampiran D.

Analisis komparatif dari bentuk target ini menunjukkan bahwa AHL secara efektif mengompensasi aberasi yang disebabkan oleh tengkorak, memungkinkan pembentukan tekanan dan medan temperatur yang tepat untuk mencapai penargetan yang dimaksud. Mirip dengan kesimpulan yang diambil di Bagian 3 , IHTO-TR dan GaN menghasilkan skor CES tertinggi untuk kedua target. Untuk target yang lebih kecil, skor CES untuk IHTO-TR dan GaN masing-masing adalah 4,7 dan 4,8, sedangkan untuk target yang lebih besar, kedua metode mencapai skor 4,1. Kinerja BSC-TR, ITER-TR, dan FeatGaN hampir sama, dengan skor CES rata-rata 3,7 untuk target yang lebih kecil dan 3,1 untuk target yang lebih besar. Perbedaan utama yang diamati dalam Studi Kasus 1, dibandingkan dengan analisis di Bagian 3 , adalah peningkatan kinerja FeatGaN secara keseluruhan. Peningkatan ini terutama disebabkan oleh berkurangnya kompleksitas bentuk target nyata yang digunakan dalam studi kasus ini, yang lebih toleran terhadap kesalahan dalam hologram yang diprediksi.

3.4.2 Studi Kasus 2: Hipertermia Hati

Mirip dengan Studi Kasus 1, kinerja keseluruhan IHTO-TR dan GaN tetap yang terbaik di antara kelima metodologi dalam Studi Kasus 2. Skor CES yang diperoleh untuk target yang lebih kecil (Gambar 7b ) adalah 3,93 dan 4,03 untuk IHTO-TR dan GaN, masing-masing, sedangkan untuk target yang lebih besar (Gambar 7c ), nilai-nilai ini adalah 3,14 dan 3,27. Sebaliknya, saat menggunakan BSC-TR, ITER-TR, dan Feat-GaN, skor CES turun menjadi rata-rata 2,84 untuk target yang lebih kecil dan 1,88 untuk yang lebih besar. Peta suhu dalam Studi Kasus 2 menunjukkan kemiripan bentuk yang lebih baik dengan target dibandingkan dengan Studi Kasus 1. Peningkatan ini dapat dikaitkan dengan tidak adanya aberasi yang disebabkan oleh tengkorak, yang sebelumnya membuat pemfokusan akustik lebih sulit. Meskipun keberadaan tulang rusuk dalam Studi Kasus 2 dapat menimbulkan distorsi yang serupa, hologram diposisikan untuk meminimalkan interferensi tulang rusuk sebanyak mungkin.

Meskipun memiliki keunggulan ini, efisiensi termal dalam Studi Kasus 2 lebih rendah karena ukurannya yang lebih besar (
) dan berbagai sifat domain multilayer, dibandingkan dengan tengkorak yang lebih tipis (
) dalam Studi Kasus 1. Hal ini tercermin dalam skor TS, yang rata-rata 1,3 untuk target yang lebih kecil dan 0,8 untuk target yang lebih besar dalam kasus hipertermia hati. Hasil ini menyoroti tantangan yang meningkat dalam mencapai pemfokusan termal yang efektif dalam lingkungan jaringan berlapis. Namun, ketika pendekatan yang memperhatikan suhu seperti IHTO-TR dan GaN digunakan, skor TS meningkat menjadi 2,0 dan 1,95, masing-masing, yang menggarisbawahi pentingnya menggabungkan teknik inversi suhu ke dalam perencanaan perawatan untuk meningkatkan kinerja.

4 Kesimpulan
Makalah ini menyajikan penyelidikan menyeluruh terhadap pendekatan pemodelan akustik-termal komputasional untuk desain AHL. Metodologi ini dibagi menjadi tiga jenis: (1) pendekatan berbasis tekanan (BSC-TR dan ITER-TR), yang berfokus pada pencapaian medan tekanan yang presisi; (2) metode berbasis termal (IHTO-TR), yang menggabungkan optimasi perpindahan panas terbalik ke dalam simulasi perambatan gelombang akustik; dan (3) teknik berbasis pembelajaran mesin (GaN dan Feat-GaN), yang menggunakan algoritme khusus untuk inversi langsung medan termal ke dalam representasi holografik. Sebagai perbandingan, kami memeriksa empat kelompok bentuk target yang berbeda, masing-masing berisi beberapa sampel, untuk memperhitungkan karakteristik unik di berbagai skenario dan dengan demikian memperluas penerapan metodologi yang diuraikan dalam makalah ini. Untuk memfasilitasi penilaian yang komprehensif, kami memperkenalkan metrik perbandingan baru yang mencakup kualitas gambar, efisiensi dan kontrol termal, dan parameter waktu komputasional. Hasil kami menunjukkan bahwa nilai CES yang tinggi antara 4,2 dan 4,7 dapat diperoleh untuk setiap kelompok bentuk dengan menggunakan metodologi pemodelan yang tepat. Pentingnya mengintegrasikan dinamika perpindahan panas ke dalam pembuatan peta ketebalan untuk produksi AHL 3D disorot dalam makalah ini, yang menekankan bagaimana kualitas pola termal dan efisiensi komputasi meningkat saat menggunakan IHTO-TR atau GaN. Lebih jauh lagi, analisis perpindahan panas saja menunjukkan bahwa integrasi ini memfasilitasi penentuan laju deposisi panas optimum yang disesuaikan dengan persyaratan khusus dari aplikasi yang dimaksud. Metode GaN dan Feat-GaN memungkinkan pembuatan desain AHL yang cepat dalam waktu kurang dari 100 detik, cocok untuk pembuatan 3D dan penggunaan selanjutnya. Selain itu, metode ini menawarkan keuntungan penyesuaian pola waktu nyata, yang memungkinkan perubahan desain AHL secara simultan tanpa perlu menjalankan ulang simulasi akustik-termal untuk setiap variasi.

Dua studi kasus yang disajikan di Bagian 3 , FUS transkranial dan hipertermia hati, menyajikan aplikasi yang relevan secara klinis dan mendukung analisis yang dilakukan dalam studi ini. Kedua kasus menunjukkan potensi AHL dalam kemajuan terapi FUS di masa depan. Singkatnya, setiap metode menawarkan keuntungan yang berbeda dan cocok untuk kasus penggunaan yang berbeda. BSC-TR adalah pendekatan dasar yang mudah diimplementasikan dan bekerja dengan baik untuk target kecil. ITER-TR memberikan penyempurnaan berdasarkan pola dan karakteristik domain, meskipun dengan biaya komputasi yang lebih tinggi. IHTO-TR bermanfaat ketika kontrol termal yang efektif diperlukan. GaN memberikan solusi cepat dalam kondisi tetap sambil mendukung kontrol termal dan desain hologram yang disetel dengan baik. Feat-GaN terkenal karena kemampuan beradaptasinya, karena dapat dilatih untuk mengakomodasi variasi dalam parameter model, membuatnya cocok untuk aplikasi yang lebih umum.

Selain pedoman metodologi yang disediakan dalam makalah, Tabel 2 menawarkan ringkasan singkat dari poin perbandingan utama untuk referensi.