論文の概要: Autoregressive deep learning for real-time simulation of soft tissue dynamics during virtual neurosurgery

• arxiv url: http://arxiv.org/abs/2601.13676v1
• Date: Tue, 20 Jan 2026 07:25:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.199492
• Title: Autoregressive deep learning for real-time simulation of soft tissue dynamics during virtual neurosurgery
• Title（参考訳）: 自己回帰的深層学習による仮想神経外科手術時の軟組織動態のリアルタイムシミュレーション
• Authors: Fabian Greifeneder, Wolfgang Fenz, Benedikt Alkin, Johannes Brandstetter, Michael Giretzlehner, Philipp Moser,
• Abstract要約: 従来の数値解法は、しばしばリアルタイムのパフォーマンス要求を満たすのに不足する。 本稿では,一過性脳の変形を効率的にシミュレートする深層学習に基づく代理モデルを提案する。 さらに、トレーニングされた代理モデルを対話型神経外科シミュレーション環境に統合し、シミュレーションステップあたり10ミリ秒未満のランタイムを実現する。
• 参考スコア（独自算出の注目度）: 19.464888859778487
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate simulation of brain deformation is a key component for developing realistic, interactive neurosurgical simulators, as complex nonlinear deformations must be captured to ensure realistic tool-tissue interactions. However, traditional numerical solvers often fall short in meeting real-time performance requirements. To overcome this, we introduce a deep learning-based surrogate model that efficiently simulates transient brain deformation caused by continuous interactions between surgical instruments and the virtual brain geometry. Building on Universal Physics Transformers, our approach operates directly on large-scale mesh data and is trained on an extensive dataset generated from nonlinear finite element simulations, covering a broad spectrum of temporal instrument-tissue interaction scenarios. To reduce the accumulation of errors in autoregressive inference, we propose a stochastic teacher forcing strategy applied during model training. Specifically, training consists of short stochastic rollouts in which the proportion of ground truth inputs is gradually decreased in favor of model-generated predictions. Our results show that the proposed surrogate model achieves accurate and efficient predictions across a range of transient brain deformation scenarios, scaling to meshes with up to 150,000 nodes. The introduced stochastic teacher forcing technique substantially improves long-term rollout stability, reducing the maximum prediction error from 6.7 mm to 3.5 mm. We further integrate the trained surrogate model into an interactive neurosurgical simulation environment, achieving runtimes below 10 ms per simulation step on consumer-grade inference hardware. Our proposed deep learning framework enables rapid, smooth and accurate biomechanical simulations of dynamic brain tissue deformation, laying the foundation for realistic surgical training environments.
• Abstract（参考訳）: 脳の変形の正確なシミュレーションは、現実的で対話的な神経外科シミュレータを開発する上で重要な要素である。 しかし、従来の数値解法は、しばしばリアルタイムのパフォーマンス要求を満たすのに不足する。 これを解決するために,手術器具と仮想脳形状との連続的な相互作用によって生じる過渡的な脳の変形を効率的にシミュレートする深層学習に基づくサロゲートモデルを提案する。 ユニバーサル・フィジカル・トランスフォーマー(Universal Physics Transformers)をベースとして,大規模メッシュデータを直接操作し,非線型有限要素シミュレーションから生成された広範囲なデータセットに基づいて,時間的機器間相互作用の幅広いシナリオをカバーする。 自己回帰推論における誤りの蓄積を低減するため,モデル学習に応用した確率的教師強制戦略を提案する。 特に、トレーニングは短い確率的なロールアウトで構成され、そこでは、モデル生成予測に賛成して、基底真理入力の割合が徐々に減少する。 以上の結果から,提案したサロゲートモデルは,最大15万ノードのメッシュに拡張することで,過渡的な脳変形のシナリオを正確にかつ効率的に予測できることが示唆された。 導入された確率教師強制技術は、長期のロールアウト安定性を大幅に向上させ、最大予測誤差を6.7mmから3.5mmに低減させる。 さらに、トレーニングされた代理モデルを対話型神経外科シミュレーション環境に統合し、コンシューマグレードの推論ハードウェア上で1回10ミリ秒未満のランタイムを実現する。 提案する深層学習フレームワークは, 動的脳組織変形の迅速かつスムーズかつ正確な生体力学的シミュレーションを可能にし, リアルな手術訓練環境の基礎を築いた。

関連論文リスト

• Neural-Augmented Kelvinlet for Real-Time Soft Tissue Deformation Modeling [13.94373407381203]
  本稿では,ソフト形状変形のリアルタイム予測を可能にする物理インフォームド・ニューラル・シミュレーション・フレームワークを提案する。 提案手法は, ケビンレットをベースとした解析的先行データと大規模FEMデータを統合し, 非線形組織応答と非線形組織応答の両方を捉える。 これらの結果から,Kelvinlet-augmented Learningは,外科的AIにおけるリアルタイムな物理対応型ソフトタスクシミュレーションのための,原理的かつ計算学的に効率的なパラダイムとして確立された。
  論文  参考訳（メタデータ） (2025-06-06T19:22:49Z)
• Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
  本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。 本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。 受け入れ次第、モデルとデータの両方をリリースすることを約束します。
  論文  参考訳（メタデータ） (2025-05-25T01:27:18Z)
• MIXPINN: Mixed-Material Simulations by Physics-Informed Neural Network [1.275845610262865]
  従来の有限要素法(FEM)に基づくシミュレーションは計算コストが高く、リアルタイムシナリオでは実用的ではない。 混合材料シミュレーションのための物理インフォームドグラフニューラルネットワーク(GNN)フレームワークMIXPINNを紹介する。 バイオメカニカル構造のグラフベース表現を活用することで、MIXPINNはFEM生成データから高忠実度変形を学習し、サブミリ秒精度でリアルタイムな推論を実現する。
  論文  参考訳（メタデータ） (2025-03-17T12:48:29Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Real-time simulation of viscoelastic tissue behavior with physics-guided deep learning [0.8250374560598492]
  軟部組織の変位場を粘弾性特性で予測する深層学習法を提案する。 提案手法は従来のCNNモデルよりも精度が高い。 本調査は,仮想現実における深層学習のギャップを埋めるのに役立つものと期待されている。
  論文  参考訳（メタデータ） (2023-01-11T18:17:10Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)

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。