論文の概要: Convolutional Deep Operator Networks for Learning Nonlinear Focused Ultrasound Wave Propagation in Heterogeneous Spinal Cord Anatomy

• arxiv url: http://arxiv.org/abs/2412.16118v1
• Date: Fri, 20 Dec 2024 18:03:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-23 16:23:05.819507
• Title: Convolutional Deep Operator Networks for Learning Nonlinear Focused Ultrasound Wave Propagation in Heterogeneous Spinal Cord Anatomy
• Title（参考訳）: 不均一脊髄解剖における非線形集束超音波伝搬学習のための畳み込み深部演算子ネットワーク
• Authors: Avisha Kumar, Xuzhe Zhi, Zan Ahmad, Minglang Yin, Amir Manbachi,
• Abstract要約: 集束超音波治療は、脊髄損傷の最適な標的治療のための有望なツールである。 現在のアプローチでは、制御波動伝播方程式の解法をコンピュータシミュレーションに頼っている。 患者脊髄のFUS圧力場を高速に予測するための畳み込み深部演算ネットワーク(DeepONet)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Focused ultrasound (FUS) therapy is a promising tool for optimally targeted treatment of spinal cord injuries (SCI), offering submillimeter precision to enhance blood flow at injury sites while minimizing impact on surrounding tissues. However, its efficacy is highly sensitive to the placement of the ultrasound source, as the spinal cord's complex geometry and acoustic heterogeneity distort and attenuate the FUS signal. Current approaches rely on computer simulations to solve the governing wave propagation equations and compute patient-specific pressure maps using ultrasound images of the spinal cord anatomy. While accurate, these high-fidelity simulations are computationally intensive, taking up to hours to complete parameter sweeps, which is impractical for real-time surgical decision-making. To address this bottleneck, we propose a convolutional deep operator network (DeepONet) to rapidly predict FUS pressure fields in patient spinal cords. Unlike conventional neural networks, DeepONets are well equipped to approximate the solution operator of the parametric partial differential equations (PDEs) that govern the behavior of FUS waves with varying initial and boundary conditions (i.e., new transducer locations or spinal cord geometries) without requiring extensive simulations. Trained on simulated pressure maps across diverse patient anatomies, this surrogate model achieves real-time predictions with only a 2% loss on the test set, significantly accelerating the modeling of nonlinear physical systems in heterogeneous domains. By facilitating rapid parameter sweeps in surgical settings, this work provides a crucial step toward precise and individualized solutions in neurosurgical treatments.
• Abstract（参考訳）: 集束超音波(FUS)療法は、脊髄損傷(SCI)の最適な標的治療のための有望なツールであり、損傷部位の血流を増強し、周囲の組織への影響を最小限に抑えるためにサブミリ精度を提供する。 しかし、その効果は超音波源の配置に非常に敏感であり、脊髄の複雑な形状と音響的不均一性はFUS信号を歪め、減衰させる。 現状のアプローチは, 脊髄解剖の超音波画像を用いて, 超音波伝搬方程式の計算と患者固有の圧力マップの計算にコンピュータシミュレーションを頼っている。 精度は高いが、これらの高忠実度シミュレーションは計算集約的であり、パラメータスイープを完成させるのに数時間かかる。 このボトルネックに対処するため,患者脊髄のFUS圧力場を高速に予測する畳み込みディープオペレータネットワーク(DeepONet)を提案する。 従来のニューラルネットワークとは異なり、DeepONetsは、広範囲なシミュレーションを必要とせず、初期および境界条件の異なるFUS波の挙動を管理するパラメトリック偏微分方程式(PDE)の解作用素を近似する。 種々の患者解剖のシミュレーションされた圧力マップに基づいて、この代理モデルは、テストセットにわずか2%の損失しかなく、リアルタイムの予測を達成し、不均一領域における非線形物理系のモデリングを著しく加速する。 外科領域での迅速なパラメータスイープを容易にすることにより、この研究は神経外科治療における正確かつ個別化された解決策に向けた重要なステップを提供する。

関連論文リスト

• Patient-Specific Real-Time Segmentation in Trackerless Brain Ultrasound [35.526097492693864]
  術中超音波(iUS)画像検査は、脳外科手術の手術成績を改善する可能性がある。 しかし、その解釈は、専門家の神経外科医にとっても難しい。 本研究では,トラッカーレスiUSで脳腫瘍のセグメンテーションを行う最初の患者特異的フレームワークを設計した。
  論文  参考訳（メタデータ） (2024-05-16T10:07:30Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• AiAReSeg: Catheter Detection and Segmentation in Interventional Ultrasound using Transformers [75.20925220246689]
  血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。 本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T19:34:12Z)
• Robotic Navigation Autonomy for Subretinal Injection via Intelligent Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
  網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。 提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。 ブタ前眼の精度と再現性について実験を行った。
  論文  参考訳（メタデータ） (2023-01-17T21:41:21Z)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)
• Differentially private training of neural networks with Langevin dynamics forcalibrated predictive uncertainty [58.730520380312676]
  その結果,DP-SGD(差分偏差勾配勾配勾配勾配勾配)は,低校正・過信深層学習モデルが得られることがわかった。 これは、医療診断など、安全クリティカルな応用にとって深刻な問題である。
  論文  参考訳（メタデータ） (2021-07-09T08:14:45Z)
• DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI Segmentation [0.0]
  本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。 提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
  論文  参考訳（メタデータ） (2021-05-17T15:43:59Z)
• Non-Rigid Volume to Surface Registration using a Data-Driven Biomechanical Model [0.028144129864580446]
  我々は畳み込みニューラルネットワークを訓練し、表面対応と非剛体登録の両方を1ステップで行う。 このネットワークは、ランダムに生成された、変形する臓器のような構造の物理的に正確な生体力学シミュレーションに基づいて訓練されている。 高い推論速度を維持しながら実データによく翻訳可能であることを示す。
  論文  参考訳（メタデータ） (2020-05-29T17:35:23Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。