論文の概要: Generative neural physics enables quantitative volumetric ultrasound of tissue mechanics

• arxiv url: http://arxiv.org/abs/2508.12226v2
• Date: Sun, 09 Nov 2025 17:56:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.396384
• Title: Generative neural physics enables quantitative volumetric ultrasound of tissue mechanics
• Title（参考訳）: 生成型神経物理学は、組織力学の量的超音波を可能にする
• Authors: Zhijun Zeng, Youjia Zheng, Chang Su, Qianhang Wu, Hao Hu, Zeyuan Dong, Shan Gao, Yang Lv, Rui Tang, Ligang Cui, Zhiyong Hou, Weijun Lin, Zuoqiang Shi, Yubing Li, He Sun,
• Abstract要約: 組織力学の高速かつ高忠実な3次元定量的イメージングを実現するための生成型神経物理フレームワークを提案する。 フルウェーブ伝搬のためのコンパクトなニューラルサロゲートは、物理的精度を保ちながら効率的な逆転を実現し、限られたモダリティデータに基づいて訓練される。 得られた画像は、骨、筋肉、脂肪、腺組織の生体力学的特徴を明らかにし、3T MRIに匹敵する構造的解像度を維持している。
• 参考スコア（独自算出の注目度）: 19.276342580965217
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tissue mechanics--stiffness, density and impedance contrast--are broadly informative biomarkers across diseases, yet routine CT, MRI, and B-mode ultrasound rarely quantify them directly. While ultrasound tomography (UT) is intrinsically suited to in-vivo biomechanical assessment by capturing transmitted and reflected wavefields, efficient and accurate full-wave scattering models remain a bottleneck. Here, we introduce a generative neural physics framework that fuses generative models with physics-informed partial differential equation (PDE) solvers to produce rapid, high-fidelity 3D quantitative imaging of tissue mechanics. A compact neural surrogate for full-wave propagation is trained on limited cross-modality data, preserving physical accuracy while enabling efficient inversion. This enables, for the first time, accurate and efficient quantitative volumetric imaging of in vivo human breast and musculoskeletal tissues in under ten minutes, providing spatial maps of tissue mechanical properties not available from conventional reflection-mode or standard UT reconstructions. The resulting images reveal biomechanical features in bone, muscle, fat, and glandular tissues, maintaining structural resolution comparable to 3T MRI while providing substantially greater sensitivity to disease-related tissue mechanics.
• Abstract（参考訳）: 組織力学 - 剛性、密度、インピーダンスのコントラスト - は、疾患全体にわたって広く有用なバイオマーカーであるが、定期的なCT、MRI、Bモード超音波は、それらを直接的に定量化することはめったにない。 超音波トモグラフィー(UT)は、透過波と反射波の計測による生体内生体力学的評価に本質的に適しているが、効率的で正確なフルウェーブ散乱モデルがボトルネックのままである。 本稿では、生成モデルと物理インフォームド偏微分方程式(PDE)を融合させて、組織力学の高速で高精度な3D定量的イメージングを実現する生成神経物理フレームワークを提案する。 フルウェーブ伝搬のためのコンパクトなニューラルサロゲートは、物理的精度を保ちながら効率的な逆転を実現し、限られたモダリティデータに基づいて訓練される。 従来のリフレクションモードや標準UT再構成では利用できない組織力学特性の空間地図を提供するため、生体内乳癌および筋骨格組織の10分以内で、初めて正確で効率的な定量ボリュームイメージングを可能にする。 得られた画像は、骨、筋肉、脂肪、腺組織の生体力学的特徴を明らかにし、3T MRIに匹敵する構造的解像度を維持しながら、疾患関連組織力学に対する感受性を著しく高めている。

関連論文リスト

• 3D Wavelet Latent Diffusion Model for Whole-Body MR-to-CT Modality Translation [13.252652406393205]
  既存の全身画像のためのMR-to-CT法では、生成したCT画像と入力したMR画像との空間的アライメントが低くなることが多い。 本稿では,これらの制約に対処する新しい3次元ウェーブレット遅延拡散モデル(3D-WLDM)を提案する。 エンコーダ・デコーダアーキテクチャにWavelet Residual Moduleを組み込むことで,画像空間と潜伏空間をまたいだ微細な特徴の捕捉と再構築が促進される。
  論文  参考訳（メタデータ） (2025-07-14T06:17:05Z)
• ZECO: ZeroFusion Guided 3D MRI Conditional Generation [11.645873358288648]
  ZECOはZeroFusionでガイドされた3D MRI条件生成フレームワークである。 対応する3Dセグメンテーションマスクを備えた高忠実度MRI画像の抽出、圧縮、生成を行う。 ZECOは、脳MRIデータセットの定量的および質的な評価において、最先端モデルよりも優れている。
  論文  参考訳（メタデータ） (2025-03-24T00:04:52Z)
• MRI Reconstruction with Regularized 3D Diffusion Model (R3DM) [2.842800539489865]
  正規化3次元拡散モデルと最適化手法を組み合わせた3次元MRI再構成法を提案する。 拡散に基づく事前処理を取り入れることで,画像品質の向上,ノイズの低減,3次元MRI再構成の全体的な忠実度の向上を実現した。
  論文  参考訳（メタデータ） (2024-12-25T00:55:05Z)
• TomoGRAF: A Robust and Generalizable Reconstruction Network for Single-View Computed Tomography [3.1209855614927275]
  従来の解析的・定性的なCT再構成アルゴリズムは数百の角データサンプリングを必要とする。 我々は,高品質な3Dボリュームを再構成するために,ユニークなX線輸送物理を取り入れた新しいTtomoGRAFフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-11-12T20:07:59Z)
• 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)
• Deep learning network to correct axial and coronal eye motion in 3D OCT retinal imaging [65.47834983591957]
  深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。 実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
  論文  参考訳（メタデータ） (2023-05-27T03:55:19Z)
• Learning Optimal K-space Acquisition and Reconstruction using Physics-Informed Neural Networks [46.751292014516025]
  深層ニューラルネットワークは、アンサンプされたk空間データの再構成に応用され、再構成性能が改善されている。 本研究は,k空間サンプリング軌道を正規微分方程式(ODE)問題と考えることによって学習する新しい枠組みを提案する。 実験は、異なるシーケンスで取得された様々な生き残りデータセット(例えば、脳と膝の画像)で実施された。
  論文  参考訳（メタデータ） (2022-04-05T20:28:42Z)
• 4D iterative reconstruction of brain fMRI in the moving fetus [1.8492120771993543]
  本手法の精度を実地臨床用fMRI胎児群で定量的に評価した。 その結果,従来の3D手法と比較して再現性の向上が見られた。
  論文  参考訳（メタデータ） (2021-11-22T18:12:21Z)
• Deep Learning for Ultrasound Beamforming [120.12255978513912]
  受信した超音波エコーを空間画像領域にマッピングするビームフォーミングは、超音波画像形成チェーンの心臓に位置する。 現代の超音波イメージングは、強力なデジタル受信チャネル処理の革新に大きく依存している。 ディープラーニング手法は、デジタルビームフォーミングパイプラインにおいて魅力的な役割を果たす。
  論文  参考訳（メタデータ） (2021-09-23T15:15:21Z)
• ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
  SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。 ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
  論文  参考訳（メタデータ） (2021-02-25T14:52:23Z)
• Microvascular Dynamics from 4D Microscopy Using Temporal Segmentation [81.30750944868142]
  経時的に脳血流量の変化を追跡でき, ピアル表面に向かって伝播する自発性動脈拡張を同定できる。 この新たなイメージング機能は、機能的磁気共鳴イメージング(fMRI)を基盤とした血行動態応答関数を特徴付けるための有望なステップである。
  論文  参考訳（メタデータ） (2020-01-14T22:55:03Z)

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。