論文の概要: BrainPuzzle: Hybrid Physics and Data-Driven Reconstruction for Transcranial Ultrasound Tomography

• arxiv url: http://arxiv.org/abs/2510.20029v1
• Date: Wed, 22 Oct 2025 21:15:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:16.841405
• Title: BrainPuzzle: Hybrid Physics and Data-Driven Reconstruction for Transcranial Ultrasound Tomography
• Title（参考訳）: BrainPuzzle:経頭蓋超音波断層撮影のためのハイブリッド物理とデータ駆動再構成
• Authors: Shengyu Chen, Shihang Feng, Yi Luo, Xiaowei Jia, Youzuo Lin,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 33.105665628349946
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Ultrasound brain imaging remains challenging due to the large difference in sound speed between the skull and brain tissues and the difficulty of coupling large probes to the skull. This work aims to achieve quantitative transcranial ultrasound by reconstructing an accurate speed-of-sound (SoS) map of the brain. Traditional physics-based full-waveform inversion (FWI) is limited by weak signals caused by skull-induced attenuation, mode conversion, and phase aberration, as well as incomplete spatial coverage since full-aperture arrays are clinically impractical. In contrast, purely data-driven methods that learn directly from raw ultrasound data often fail to model the complex nonlinear and nonlocal wave propagation through bone, leading to anatomically plausible but quantitatively biased SoS maps under low signal-to-noise and sparse-aperture conditions. To address these issues, we propose BrainPuzzle, a hybrid two-stage framework that combines physical modeling with machine learning. In the first stage, reverse time migration (time-reversal acoustics) is applied to multi-angle acquisitions to produce migration fragments that preserve structural details even under low SNR. In the second stage, a transformer-based super-resolution encoder-decoder with a graph-based attention unit (GAU) fuses these fragments into a coherent and quantitatively accurate SoS image. A partial-array acquisition strategy using a movable low-count transducer set improves feasibility and coupling, while the hybrid algorithm compensates for the missing aperture. Experiments on two synthetic datasets show that BrainPuzzle achieves superior SoS reconstruction accuracy and image completeness, demonstrating its potential for advancing quantitative ultrasound brain imaging.
• Abstract（参考訳）: 超音波脳イメージングは頭蓋骨と脳組織の音速の差が大きく、頭蓋骨への大きなプローブの結合が難しいため、依然として困難である。 本研究の目的は,脳の音速(SoS)マップを正確に再構築することで,定量的経頭蓋超音波を実現することである。 従来の物理に基づくフルウェーブフォーム・インバージョン(FWI)は、頭蓋骨による減衰、モード変換、位相収差による弱い信号と、フル開口アレイが臨床的に非現実的であるため不完全な空間カバレッジによって制限される。 対照的に、生の超音波データから直接学習する純粋にデータ駆動の手法は、骨を介して複雑な非線形および非局所的な波動伝播をモデル化できないことが多く、低信号対雑音およびスパース開口条件下では、解剖学的に可塑性だが定量的に偏りを持つSoSマップとなる。 これらの問題に対処するために、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BrainPuzzleを提案する。 第1段階では、低SNR下においても構造的詳細を保存したマイグレーションフラグメントを生成するために、逆時間マイグレーション(time-reversal acoustics)を多角取得に適用する。 第2段階では、グラフベースのアテンションユニット(GAU)を備えたトランスフォーマーベースの超分解能エンコーダデコーダがこれらのフラグメントをコヒーレントかつ定量的にSoS画像に融合させる。 移動可能なローカウントトランスデューサセットを用いた部分アレイ獲得戦略は、欠落開口を補うハイブリッドアルゴリズムに対して、実現可能性と結合性を向上する。 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実現し、定量的超音波脳イメージングの進歩の可能性を示している。

関連論文リスト

• T2I-Diff: fMRI Signal Generation via Time-Frequency Image Transform and Classifier-Free Denoising Diffusion Models [10.21645911536505]
  本稿では,BOLD信号の時間周波数表現を利用するfMRI生成フレームワークであるT2I-Diffを紹介する。 ダウンストリームfMRIを用いた脳ネットワーク分類において,精度の向上と一般化を実証した。
  論文  参考訳（メタデータ） (2025-09-25T07:08:19Z)
• 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)
• A Skull-Adaptive Framework for AI-Based 3D Transcranial Focused Ultrasound Simulation [1.662610796043078]
  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。
  論文  参考訳（メタデータ） (2025-05-19T11:37:51Z)
• DenoMamba: A fused state-space model for low-dose CT denoising [6.468495781611433]
  低線量CT(LDCT)は放射線曝露に伴う潜在的なリスクを低くする。 LDCT denoisingは、基礎となる組織信号からの線量減少によって引き起こされるノイズを分離するために、データ駆動画像の事前学習を行うニューラルネットワークモデルに基づいている。 DenoMambaは、状態空間モデリング(SSM)に基づく、医療画像の短距離および長距離コンテキストを効率的にキャプチャする新しいデノナイジング手法である。
  論文  参考訳（メタデータ） (2024-09-19T21:32:07Z)
• MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
  本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。 このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。 実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
  論文  参考訳（メタデータ） (2024-05-28T00:36:25Z)
• 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)
• 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)
• AliasNet: Alias Artefact Suppression Network for Accelerated Phase-Encode MRI [4.752084030395196]
  スパース再構成はMRIの重要な側面であり、取得時間を短縮し、空間時間分解能を改善するのに役立つ。 1D AliasNetモジュールと既存の2Dディープラーニング(DL)リカバリ技術を組み合わせることで、画像の品質が向上することが実証された。
  論文  参考訳（メタデータ） (2023-02-17T13:16:17Z)
• 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)

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。