論文の概要: Real-Time Brain Biomechanics Prediction with Neural Operators: Toward Clinically Deployable Traumatic Brain Injury Models

• arxiv url: http://arxiv.org/abs/2510.03248v1
• Date: Fri, 26 Sep 2025 01:48:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-12 15:03:05.796374
• Title: Real-Time Brain Biomechanics Prediction with Neural Operators: Toward Clinically Deployable Traumatic Brain Injury Models
• Title（参考訳）: ニューラルネットワークを用いたリアルタイム脳バイオメカニクス予測 : 臨床応用型外傷性脳損傷モデルに向けて
• Authors: Anusha Agarwal, Dibakar Roy Sarkar, Somdatta Goswami,
• Abstract要約: 外傷性脳損傷(TBI)は、毎年6900万人以上の患者を抱える公衆衛生上の問題となっている。 FEモデルは、脳の変形を高忠実に予測するが、計算コストが高く、シミュレーションに何時間も要する。 本研究は、脳変位場の迅速かつ患者特異的な予測のための最先端のニューラルオペレーター(NO)アーキテクチャをベンチマークする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traumatic brain injury (TBI) remains a major public health concern, with over 69 million cases annually worldwide. Finite element (FE) models offer high-fidelity predictions of brain deformation but are computationally expensive, requiring hours per simulation and limiting their clinical utility for rapid decision-making. This study benchmarks state-of-the-art neural operator (NO) architectures for rapid, patient-specific prediction of brain displacement fields, aiming to enable real-time TBI modeling in clinical and translational settings. We formulated TBI modeling as an operator learning problem, mapping subject-specific anatomical MRI, magnetic resonance elastography (MRE) stiffness maps, and demographic features to full-field 3D brain displacement predictions. Four architectures - Fourier Neural Operator (FNO), Factorized FNO (F-FNO), Multi-Grid FNO (MG-FNO), and Deep Operator Network (DeepONet) were trained and evaluated on 249 MRE datasets across physiologically relevant frequencies (20 - 90 Hz). MG-FNO achieved the highest accuracy (MSE = 0.0023, 94.3\% spatial fidelity) and preserved fine-scale features, while F-FNO converged 2$\times$ faster than standard FNO. DeepONet offered the fastest inference (14.5 iterations/s) with a 7$\times$ computational speed-up over MG-FNO, suggesting utility for embedded or edge computing applications. All NOs reduced computation time from hours to milliseconds without sacrificing anatomical realism. NOs provide an efficient, resolution-invariant approach for predicting brain deformation, opening the door to real-time, patient-specific TBI risk assessment, clinical triage support, and optimization of protective equipment. These results highlight the potential for NO-based digital twins of the human brain, enabling scalable, on-demand biomechanical modeling in both clinical and population health contexts.
• Abstract（参考訳）: 外傷性脳損傷(TBI)は、毎年6900万人以上の患者を抱える公衆衛生上の問題となっている。 有限要素モデル(FE)は、脳の変形の高精度な予測を提供するが、計算コストが高く、シミュレーションに何時間も要し、迅速な意思決定のために臨床効果を制限している。 本研究は、臨床および翻訳環境におけるリアルタイムTBIモデリングの実現を目的として、最先端の神経オペレーター(NO)アーキテクチャーを用いて、脳変位場を迅速かつ患者特異的に予測する手法をベンチマークする。 我々は、TBIモデリングを演算子学習問題として定式化し、対象特異的な解剖学的MRI、磁気共鳴エラストグラフィー(MRE)の剛性マップ、および人口統計学的特徴をフルフィールド3次元脳変位予測に適用した。 FNO(Fourier Neural Operator)、FNO(Falactized FNO)、MG-FNO(Multi-Grid FNO)、Deep Operator Network(DeepONet)の4つのアーキテクチャが、生理的関連周波数(20-90Hz)の249MREデータセット上で訓練され評価された。 MG-FNOは最大精度(MSE = 0.0023, 94.3\%空間忠実度)を達成し、微細な特徴を保存し、F-FNOは標準FNOよりも2$\times$速く収束した。 DeepONet は MG-FNO よりも 7$\times$ の計算速度を持つ最速の推論 (14.5 イテレーション/s) を提供しており、組み込みまたはエッジコンピューティングアプリケーションに有用であることを示唆している。 すべてのNOは、解剖学的リアリズムを犠牲にすることなく、計算時間を数時間からミリ秒に短縮した。 NOは、脳の変形を予測し、リアルタイムで扉を開け、患者固有のTBIリスクアセスメント、臨床トリアージサポート、防護具の最適化のための効率的で解決不能なアプローチを提供する。 これらの結果は、ヒト脳のNOベースのデジタル双生児の可能性を強調し、臨床と人口両方の健康状況において、スケーラブルでオンデマンドなバイオメカニクスモデリングを可能にする。

関連論文リスト

• From Promise to Practical Reality: Transforming Diffusion MRI Analysis with Fast Deep Learning Enhancement [35.368152968098194]
  FastFOD-Netは、FODを優れたパフォーマンスで強化し、臨床使用のためのトレーニング/推論効率を提供するエンドツーエンドのディープラーニングフレームワークである。 この研究は、拡散MRIの強化のための深層学習に基づく手法を、より広く採用し、臨床信頼を構築することを促進する。
  論文  参考訳（メタデータ） (2025-08-13T17:56:29Z)
• Bridging Foundation Models and Efficient Architectures: A Modular Brain Imaging Framework with Local Masking and Pretrained Representation Learning [7.591083752535149]
  ファンデーションモデル(FM)の原則を効率よくドメイン固有のアーキテクチャと統合するモジュラーフレームワークを提案する。 平均絶対誤差は, 年齢予測では5.343, 流体知能では2.940, ピアソン相関係数は0.928, 0.887であった。 この研究は、LLMに基づくfMRI分析のアプローチに代わる堅牢で解釈可能な代替手段を提供し、脳の老化と認知機能に関する新たな洞察を提供する。
  論文  参考訳（メタデータ） (2025-08-09T08:06:01Z)
• Voxel-Level Brain States Prediction Using Swin Transformer [65.9194533414066]
  本稿では, 4D Shifted Window (Swin) Transformer をエンコーダとして用い, 時間的情報を効率よく学習し, 畳み込みデコーダを用いて入力fMRIデータと同じ空間的, 時間的解像度で脳状態の予測を可能にするアーキテクチャを提案する。 前回の23.04s fMRI時系列に基づいて7.2sの安静時脳活動を予測すると,高い精度が得られた。 これは、人間の脳の時間的構造が高解像度でSwin Transformerモデルによって学習できることを示す有望な証拠である。
  論文  参考訳（メタデータ） (2025-06-13T04:14:38Z)
• Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
  我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。 NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。 年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-06-11T23:51:01Z)
• MT-NAM: An Efficient and Adaptive Model for Epileptic Seizure Detection [51.87482627771981]
  マイクロツリーベースNAM(MT-NAM)は,最近提案されたニューラル付加モデル(NAM)に基づく蒸留モデルである。 MT-NAMは、標準のNAMと比較して、精度を損なうことなく、100$Times$の推論速度の向上を実現している。 今回我々はCHB-MITの頭皮脳波データを用いて,セッション数や発作回数の異なる24例の脳波データについて検討した。
  論文  参考訳（メタデータ） (2025-03-11T10:14:53Z)
• Predicting Human Brain States with Transformer [45.25907962341717]
  自己注意に基づくモデルでは、以前の21.6sで5.04sまでの脳状態を正確に予測できることが示される。 これらの有望な初期結果は、fMRIデータに対するジェネリックモデルの開発の可能性を示している。
  論文  参考訳（メタデータ） (2024-12-11T00:18:39Z)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• An Optimized Ensemble Deep Learning Model For Brain Tumor Classification [3.072340427031969]
  脳腫瘍の不正確な同定は、寿命を著しく低下させる。 本研究は,脳腫瘍を効率よく分類するための伝達学習(TL)を用いた,革新的な最適化に基づく深層アンサンブル手法を提案する。 Xception, ResNet50V2, ResNet152V2, InceptionResNetV2, GAWO, GSWOはそれぞれ99.42%, 98.37%, 98.22%, 98.26%, 99.71%, 99.76%に達した。
  論文  参考訳（メタデータ） (2023-05-22T09:08:59Z)
• Towards Natural Brain-Machine Interaction using Endogenous Potentials based on Deep Neural Networks [20.598972933619198]
  脳機械インタフェース(BMI)はロボットと協調する上で望ましい技術である。 EEGの精度は低く、信号対雑音比が低いため、自由度は制限されている。 本研究では,複数の内因性BMIパラダイムのパラダイム間分類の可能性を検討した。
  論文  参考訳（メタデータ） (2021-06-25T05:34:15Z)

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。