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

• 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。