論文の概要: A Skull-Adaptive Framework for AI-Based 3D Transcranial Focused Ultrasound Simulation

• arxiv url: http://arxiv.org/abs/2505.12998v1
• Date: Mon, 19 May 2025 11:37:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.565048
• Title: A Skull-Adaptive Framework for AI-Based 3D Transcranial Focused Ultrasound Simulation
• Title（参考訳）: AIに基づく3次元超頭蓋骨集束超音波シミュレーションのためのスカル適応フレームワーク
• Authors: Vinkle Srivastav, Juliette Puel, Jonathan Vappou, Elijah Van Houten, Paolo Cabras, Nicolas Padoy,
• Abstract要約: 経頭蓋集束超音波(TFUS)は、非侵襲的な脳刺激と治療介入の新たなモダリティである。 TFUScapesは、解剖学的に現実的な人間の頭蓋骨を通して、最初の大規模で高解像度のtFUSシミュレーションデータセットである。 DeepTFUSは、入力された3次元CTボリュームとトランスデューサ位置から直接正規化された圧力場を推定するディープラーニングモデルである。
• 参考スコア（独自算出の注目度）: 1.662610796043078
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Transcranial focused ultrasound (tFUS) is an emerging modality for non-invasive brain stimulation and therapeutic intervention, offering millimeter-scale spatial precision and the ability to target deep brain structures. However, the heterogeneous and anisotropic nature of the human skull introduces significant distortions to the propagating ultrasound wavefront, which require time-consuming patient-specific planning and corrections using numerical solvers for accurate targeting. To enable data-driven approaches in this domain, we introduce TFUScapes, the first large-scale, high-resolution dataset of tFUS simulations through anatomically realistic human skulls derived from T1-weighted MRI images. We have developed a scalable simulation engine pipeline using the k-Wave pseudo-spectral solver, where each simulation returns a steady-state pressure field generated by a focused ultrasound transducer placed at realistic scalp locations. In addition to the dataset, we present DeepTFUS, a deep learning model that estimates normalized pressure fields directly from input 3D CT volumes and transducer position. The model extends a U-Net backbone with transducer-aware conditioning, incorporating Fourier-encoded position embeddings and MLP layers to create global transducer embeddings. These embeddings are fused with U-Net encoder features via feature-wise modulation, dynamic convolutions, and cross-attention mechanisms. The model is trained using a combination of spatially weighted and gradient-sensitive loss functions, enabling it to approximate high-fidelity wavefields. The TFUScapes dataset is publicly released to accelerate research at the intersection of computational acoustics, neurotechnology, and deep learning. The project page is available at https://github.com/CAMMA-public/TFUScapes.
• Abstract（参考訳）: 経頭蓋集束超音波(TFUS)は、非侵襲的な脳刺激と治療介入のための新たなモダリティであり、ミリスケールの空間精度と深部脳構造を標的とする能力を提供する。 しかし、ヒト頭蓋骨の異方性と異方性の性質は、伝播する超音波波面に顕著な歪みをもたらす。 この領域でデータ駆動型アプローチを実現するために、T1強調MRI画像から得られた解剖学的に現実的な人間の頭蓋骨を通して、tFUSシミュレーションの大規模な高解像度データセットであるTFUScapesを導入する。 我々はk-Wave擬似スペクトル分解器を用いたスケーラブルなシミュレーションエンジンパイプラインを開発し、各シミュレーションは現実的な頭皮位置に配置された集束超音波トランスデューサによって生成される定常圧力場を返す。 このデータセットに加えて,入力された3次元CTボリュームとトランスデューサ位置から直接正規化圧力場を推定するディープラーニングモデルであるDeepTFUSを提案する。 このモデルは、トランスデューサを意識した条件付きでU-Netバックボーンを拡張し、グローバルトランスデューサの埋め込みを作成するために、フーリエ符号化された位置埋め込みとMLP層を組み込んだ。 これらの埋め込みは、機能ワイド変調、動的畳み込み、クロスアテンション機構を通じてU-Netエンコーダ機能と融合する。 このモデルは、空間重み付けと勾配感度損失関数の組み合わせを用いて訓練され、高忠実度波動場を近似することができる。 TFUScapesデータセットは、計算音響学、ニューロテクノロジー、ディープラーニングの交差点での研究を加速するために公開されている。 プロジェクトページはhttps://github.com/CAMMA-public/TFUScapesで公開されている。

関連論文リスト

• Fast and Explicit: Slice-to-Volume Reconstruction via 3D Gaussian Primitives with Analytic Point Spread Function Modeling [16.058575857567373]
  脳の高分解能3D再構成は、運動崩壊した低分解能2D取得から、正確な神経発達診断の必要条件である。 本研究では,ニューラルネットワークに基づく表現から明示的な表現へのシフトを提案する。 本研究の枠組みは, リアルタイム3次元MRIの臨床的ルーチンへの転換の道筋をたどるものである。
  論文  参考訳（メタデータ） (2025-12-12T15:01:30Z)
• BrainPuzzle: Hybrid Physics and Data-Driven Reconstruction for Transcranial Ultrasound Tomography [33.105665628349946]
  この研究は、脳の正確な音速マップを再構築することで、定量的な経頭蓋超音波を実現することを目的としている。 BrainPuzzleは、物理モデリングと機械学習を組み合わせたハイブリッド2段階フレームワークである。 2つの合成データセットの実験により、BrainPuzzleはより優れたSoS再構成精度と画像完全性を達成することが示された。
  論文  参考訳（メタデータ） (2025-10-22T21:15:55Z)
• NeuroRVQ: Multi-Scale EEG Tokenization for Generative Large Brainwave Models [66.91449452840318]
  我々は、コードブックベースのトークン化装置を中心としたスケーラブルな大脳波モデル(LBM)であるNeuroRVQを紹介する。 我々のトークンライザは, (i) フル周波数のニューラルスペクトルを捕捉するマルチスケール特徴抽出モジュール, (ii) 高精細符号化のための階層的残留ベクトル量子化(RVQ)コードブック, (iii) 効率的なトレーニングのためのEEG信号位相および振幅認識損失関数を統合する。 実験の結果,NeuroRVQは再建誤差を低くし,様々な下流タスクにおいて既存のLBMよりも優れることがわかった。
  論文  参考訳（メタデータ） (2025-10-15T01:26:52Z)
• Accelerating 3D Photoacoustic Computed Tomography with End-to-End Physics-Aware Neural Operators [74.65171736966131]
  光音響計算トモグラフィ(PACT)は、光コントラストと超音波分解能を組み合わせることで、光拡散限界を超える深部像を実現する。 現在の実装では、高密度トランスデューサアレイと長い取得時間を必要とし、臨床翻訳を制限している。 本研究では,センサ計測からボリューム再構成まで,逆音響マッピングを直接学習する物理認識モデルであるPanoを紹介する。
  論文  参考訳（メタデータ） (2025-09-11T23:12:55Z)
• DiffUS: Differentiable Ultrasound Rendering from Volumetric Imaging [0.0]
  術中超音波画像検査は、多数の外科手術中にリアルタイムのガイダンスを提供する。 しかし、その解釈はノイズ、ボリュームアーティファクト、高分解能MRI/CTスキャンとの整合性に複雑である。 本稿では,体積像から実写のBモード像を合成する物理ベースの反射法DiffUSを提案する。
  論文  参考訳（メタデータ） (2025-08-09T01:04:11Z)
• SUFFICIENT: A scan-specific unsupervised deep learning framework for high-resolution 3D isotropic fetal brain MRI reconstruction [7.268308489093152]
  等方性HR容積再構成のための教師なし反復SVR-SRRフレームワークを提案する。 高分解能(HR)ボリュームを生成するために、ディープイメージ事前フレームワーク内に埋め込まれたデコードネットワークを包括的画像劣化モデルに組み込む。 大規模動乱シミュレーションデータと臨床データを用いて行った実験は,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2025-05-23T04:53:59Z)
• Convolutional Deep Operator Networks for Learning Nonlinear Focused Ultrasound Wave Propagation in Heterogeneous Spinal Cord Anatomy [0.0]
  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。
  論文  参考訳（メタデータ） (2024-12-20T18:03:38Z)
• RMSim: Controlled Respiratory Motion Simulation on Static Patient Scans [7.575469466607952]
  4D-CT画像から学習する3D Seq2Seqディープラーニング呼吸運動シミュレータ(RMSim)を提案する。 内科140例の10段階4D-CTを用いてRMSimを訓練・試験した。 RMSimの出力をプライベートとパブリック両方のベンチマークデータセットで検証しました。
  論文  参考訳（メタデータ） (2023-01-26T21:20:14Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• Focused Decoding Enables 3D Anatomical Detection by Transformers [64.36530874341666]
  集束デコーダと呼ばれる3次元解剖学的構造検出のための新しい検出変換器を提案する。 Focused Decoderは、解剖学的領域のアトラスからの情報を活用して、クエリアンカーを同時にデプロイし、クロスアテンションの視野を制限する。 提案手法を利用可能な2つのCTデータセットに対して評価し、フォーカスドデコーダが強力な検出結果を提供するだけでなく、大量の注釈付きデータの必要性を軽減し、注意重みによる結果の例外的で直感的な説明性を示すことを示した。
  論文  参考訳（メタデータ） (2022-07-21T22:17:21Z)
• 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)
• Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
  CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。 新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。 提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
  論文  参考訳（メタデータ） (2020-12-16T07:11:16Z)
• Impact of Spherical Coordinates Transformation Pre-processing in Deep Convolution Neural Networks for Brain Tumor Segmentation and Survival Prediction [0.0]
  球面変換入力データを用いたディープ畳み込みニューラルネットワーク(DCNN)のフィード化を目的とした新しい手法を提案する。 本研究では,球面座標変換を前処理法として適用した。 LesionEncoderフレームワークはDCNNモデルから自動的に機能を抽出し、OS予測の0.586精度を実現している。
  論文  参考訳（メタデータ） (2020-10-27T00:33:03Z)
• 4D Spatio-Temporal Convolutional Networks for Object Position Estimation in OCT Volumes [69.62333053044712]
  3次元畳み込みニューラルネットワーク(CNN)は、単一のOCT画像を用いたマーカーオブジェクトのポーズ推定に有望な性能を示した。 我々は3次元CNNを4次元時間CNNに拡張し、マーカーオブジェクト追跡のための追加の時間情報の影響を評価する。
  論文  参考訳（メタデータ） (2020-07-02T12:02:20Z)
• A Hybrid 3DCNN and 3DC-LSTM based model for 4D Spatio-temporal fMRI data: An ABIDE Autism Classification study [0.0]
  本稿では,3次元CNNと3次元磁気LSTMを用いて,全4次元データから特徴を抽出できるエンドツーエンドアルゴリズムを提案する。 提案手法は,NYUサイトとUMサイトにおいて,F1スコア0.78,0.7の単一サイトにおいて,技術結果の状態を達成できることを示す。
  論文  参考訳（メタデータ） (2020-02-14T11:52:00Z)

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。