論文の概要: LAYER: A Quantitative Explainable AI Framework for Decoding Tissue-Layer Drivers of Myofascial Low Back Pain
- arxiv url: http://arxiv.org/abs/2511.21767v1
- Date: Tue, 25 Nov 2025 15:47:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-01 19:47:55.224475
- Title: LAYER: A Quantitative Explainable AI Framework for Decoding Tissue-Layer Drivers of Myofascial Low Back Pain
- Title（参考訳）: LAYER: 筋膜下痛の組織層ドライバをデコードするための定量的説明可能なAIフレームワーク
- Authors: Zixue Zeng, Anthony M. Perti, Tong Yu, Grant Kokenberger, Hao-En Lu, Jing Wang, Xin Meng, Zhiyu Sheng, Maryam Satarpour, John M. Cormack, Allison C. Bean, Ryan P. Nussbaum, Emily Landis-Walkenhorst, Kang Kim, Ajay D. Wasan, Jiantao Pu,
- Abstract要約: 筋膜痛 (MP) は慢性腰痛の主要な原因である。
既存の研究は主に筋肉に焦点を当て、フィカ、脂肪、その他の生体力学的役割を担う軟組織を無視している。
- 参考スコア（独自算出の注目度）: 9.815323391482917
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Myofascial pain (MP) is a leading cause of chronic low back pain, yet its tissue-level drivers remain poorly defined and lack reliable image biomarkers. Existing studies focus predominantly on muscle while neglecting fascia, fat, and other soft tissues that play integral biomechanical roles. We developed an anatomically grounded explainable artificial intelligence (AI) framework, LAYER (Layer-wise Analysis for Yielding Explainable Relevance Tissue), that analyses six tissue layers in three-dimensional (3D) ultrasound and quantifies their contribution to MP prediction. By utilizing the largest multi-model 3D ultrasound cohort consisting of over 4,000 scans, LAYER reveals that non-muscle tissues contribute substantially to pain prediction. In B-mode imaging, the deep fascial membrane (DFM) showed the highest saliency (0.420), while in combined B-mode and shear-wave images, the collective saliency of non-muscle layers (0.316) nearly matches that of muscle (0.317), challenging the conventional muscle-centric paradigm in MP research and potentially affecting the therapy methods. LAYER establishes a quantitative, interpretable framework for linking layer-specific anatomy to pain physiology, uncovering new tissue targets and providing a generalizable approach for explainable analysis of soft-tissue imaging.
- Abstract（参考訳）: 筋膜痛 (MP) は慢性腰痛の主要な原因であるが, 組織レベルは未定義であり, 画像バイオマーカーが欠如している。
既存の研究は主に筋肉に焦点を当て、フィカ、脂肪、その他の生体力学的役割を担う軟組織を無視している。
解剖学的に解析可能な人工知能(AI)フレームワークであるLAYER(Layer-wise Analysis for Yielding Explainable Relevance tissue)を開発した。
4,000以上のスキャンからなる最大のマルチモデル3D超音波コホートを利用することで、非筋肉組織が痛みの予測に大きく寄与することを明らかにする。
Bモード画像では、深層筋膜 (DFM) が最も高い唾液濃度 (0.420) を示し、Bモードとせん断波の複合画像では、非筋層 (0.316) の集団唾液濃度 (0.317) は筋肉のそれとほぼ一致し、MP研究における従来の筋肉中心のパラダイムに挑戦し、治療方法に影響を与える可能性がある。
LAYERは、層特異的な解剖学と痛み生理学を結びつける定量的に解釈可能な枠組みを確立し、新しい組織標的を発見し、ソフト断層イメージングの説明可能な分析のための一般化可能なアプローチを提供する。
関連論文リスト
- Generative neural physics enables quantitative volumetric ultrasound of tissue mechanics [19.276342580965217]
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。
論文 参考訳（メタデータ） (2025-08-17T03:46:24Z) - Denoising Diffusion Models for 3D Healthy Brain Tissue Inpainting [3.9347915104376168]
脳の構造的整合性に影響を与える疾患のモニタリングには、磁気共鳴(MR)画像の自動解析が必要である。
画像空間で作業する最先端の2D, 擬似3D, 3D法, および3D潜伏および3Dウェーブレット拡散モデルを修正し, 正常な脳組織を合成するよう訓練する。
評価の結果,擬似3次元モデルでは,構造相似指数,ピーク信号-雑音比,平均二乗誤差が最良であることがわかった。
論文 参考訳（メタデータ） (2024-03-21T15:52:05Z) - Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings [45.62331048595689]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。
コンディショナル・ジェネレーティブ・ディベサール・ネットワーク(cGAN)アーキテクチャを用いて,ヒト・コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文 参考訳（メタデータ） (2023-10-16T13:58:53Z) - 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) - Weakly Supervised AI for Efficient Analysis of 3D Pathology Samples [6.381153836752796]
3次元組織画像処理のためのボリュームブロック解析(MAMBA)のためのModality-Agnostic Multiple Case Learningを提案する。
3Dブロックベースのアプローチでは、MAMBAは2Dの単一スライスによる予測よりも優れた受信特性曲線(AUC)の0.86と0.74の領域を達成している。
さらに, 組織体積が大きくなることで予後が向上し, サンプリングバイアスによるリスク予測のばらつきが軽減されることが示唆された。
論文 参考訳（メタデータ） (2023-07-27T14:48:02Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - Learned super resolution ultrasound for improved breast lesion
characterization [52.77024349608834]
超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。
この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。
トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
論文 参考訳（メタデータ） (2021-07-12T09:04:20Z) - Fully Automated and Standardized Segmentation of Adipose Tissue
Compartments by Deep Learning in Three-dimensional Whole-body MRI of
Epidemiological Cohort Studies [11.706960468832301]
全身MR画像から異なる脂肪組織成分の定量化と局在化が,代謝状態の解明に重要である。
本稿では,頑健で客観的なセグメンテーションを実現するために,3次元畳み込みニューラルネットワーク(DCNet)を提案する。
高速(5-7秒)かつ信頼性の高い脂肪組織セグメンテーションを高Dice重なりで得ることができる。
論文 参考訳（メタデータ） (2020-08-05T17:30:14Z) - Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain
MRI [47.26574993639482]
本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。
ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
論文 参考訳（メタデータ） (2020-06-23T09:20:42Z)
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。