論文の概要: From Pre- to Intra-operative MRI: Predicting Brain Shift in Temporal Lobe Resection for Epilepsy Surgery

• arxiv url: http://arxiv.org/abs/2602.03785v1
• Date: Tue, 03 Feb 2026 17:45:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.614032
• Title: From Pre- to Intra-operative MRI: Predicting Brain Shift in Temporal Lobe Resection for Epilepsy Surgery
• Title（参考訳）: 手術前MRIから術中MRIまで : てんかんに対する側頭葉切除術における脳波の予測
• Authors: Jingjing Peng, Giorgio Fiore, Yang Liu, Ksenia Ellum, Debayan Daspupta, Keyoumars Ashkan, Andrew McEvoy, Anna Miserocchi, Sebastien Ourselin, John Duncan, Alejandro Granados,
• Abstract要約: 側頭葉切除術を施行した患者の術前MRIから脳の移動を予測できるU-Netモデルを提案する。 実験の結果,脳の局所的変位を正確に予測し,脳のグローバルな変形を予測できることが示唆された。
• 参考スコア（独自算出の注目度）: 33.06718051407863
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Introduction: In neurosurgery, image-guided Neurosurgery Systems (IGNS) highly rely on preoperative brain magnetic resonance images (MRI) to assist surgeons in locating surgical targets and determining surgical paths. However, brain shift invalidates the preoperative MRI after dural opening. Updated intraoperative brain MRI with brain shift compensation is crucial for enhancing the precision of neuronavigation systems and ensuring the optimal outcome of surgical interventions. Methodology: We propose NeuralShift, a U-Net-based model that predicts brain shift entirely from pre-operative MRI for patients undergoing temporal lobe resection. We evaluated our results using Target Registration Errors (TREs) computed on anatomical landmarks located on the resection side and along the midline, and DICE scores comparing predicted intraoperative masks with masks derived from intraoperative MRI. Results: Our experimental results show that our model can predict the global deformation of the brain (DICE of 0.97) with accurate local displacements (achieve landmark TRE as low as 1.12 mm), compensating for large brain shifts during temporal lobe removal neurosurgery. Conclusion: Our proposed model is capable of predicting the global deformation of the brain during temporal lobe resection using only preoperative images, providing potential opportunities to the surgical team to increase safety and efficiency of neurosurgery and better outcomes to patients. Our contributions will be publicly available after acceptance in https://github.com/SurgicalDataScienceKCL/NeuralShift.
• Abstract（参考訳）: はじめに、画像誘導神経外科システム(IGNS)は、外科的標的の特定や外科的経路の決定に、術前の脳磁気共鳴画像(MRI)に強く依存している。 しかし, 頭蓋開放後, 脳の移動は術前MRIを無効にする。 脳波補正を施した術中MRIは、神経ナビゲーションシステムの精度を高め、外科的介入の最適な結果を確保するために重要である。 方法: 側頭葉切除患者の術前MRIから脳の移動を予測できるU-NetベースモデルであるNeuralShiftを提案する。 切除側および正中線沿いの解剖学的ランドマークで計算したTREと術中MRIによる術中マスクと,術中MRIによるマスクとを比較したDICEスコアを比較した。 結果: 実験の結果, 脳のグローバルな変形(DICE: 0.97)を正確な局所変位(TREは1.12mm以下)で予測し, 側頭葉除去神経外科手術中に大脳シフトを補正できることが示唆された。 結語: 術中画像のみを用いて側頭葉切除時の脳のグローバルな変形を予測し, 脳外科手術の安全性と効率の向上と患者に対するより良い結果をもたらす可能性が示唆された。 私たちのコントリビューションは、https://github.com/SurgicalDataScienceKCL/NeuralShift.comで受け入れられた後に公開されます。

関連論文リスト

• 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)
• Intraoperative Glioma Segmentation with YOLO + SAM for Improved Accuracy in Tumor Resection [1.9461727843485295]
  グリオーマは、健康な組織との類似性から、重要な外科的課題を呈する。 MRI画像は、脳のシフトなどの要因により、手術中は効果がないことが多い。 本稿では,You Only Look Once Version 8 (Yv8) と Segment Anything Model Vision Transformer-base を組み合わせたディープラーニングパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-08-27T07:58:08Z)
• Patient-Specific Real-Time Segmentation in Trackerless Brain Ultrasound [35.526097492693864]
  術中超音波(iUS)画像検査は、脳外科手術の手術成績を改善する可能性がある。 しかし、その解釈は、専門家の神経外科医にとっても難しい。 本研究では,トラッカーレスiUSで脳腫瘍のセグメンテーションを行う最初の患者特異的フレームワークを設計した。
  論文  参考訳（メタデータ） (2024-05-16T10:07:30Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• Dense Error Map Estimation for MRI-Ultrasound Registration in Brain Tumor Surgery Using Swin UNETR [2.64700310378485]
  術中超音波は脳の移動を追跡でき、MRI-iUS登録技術は手術前の計画を更新できる。 しかし,MRI-iUSのリアルタイム登録結果の手作業による評価は困難であり,データの3次元特性に起因して誤りを生じやすい。 We propose a novel deep-learning (DL) based framework with the Swin UNETR to improve 3D-patch-wise dense error map for MRI-iUS registration in iUS-guided brain tumor resection。
  論文  参考訳（メタデータ） (2023-08-21T15:19:32Z)
• Safe Deep RL for Intraoperative Planning of Pedicle Screw Placement [61.28459114068828]
  安全な深部強化学習(DRL)に基づく訓練経路計画にリアルタイムな観察を活用するロボット脊椎手術の術中計画手法を提案する。 本手法は,ゴールドスタンダード (GS) 掘削計画に関して,90%の骨貫通を達成できた。
  論文  参考訳（メタデータ） (2023-05-09T11:42:53Z)
• Live image-based neurosurgical guidance and roadmap generation using unsupervised embedding [53.992124594124896]
  本稿では,注釈付き脳外科ビデオの大規模なデータセットを活用するライブ画像のみのガイダンスを提案する。 生成されたロードマップは、トレーニングセットの手術で取られた一般的な解剖学的パスをエンコードする。 166例の腹腔鏡下腺摘出術を施行し,本法の有効性について検討した。
  論文  参考訳（メタデータ） (2023-03-31T12:52:24Z)
• Deep-learning-enabled Brain Hemodynamic Mapping Using Resting-state fMRI [35.87417668902519]
  RS-fMRIは脳循環動態のマッピングや障害のデライン化に有用である。 RS-fMRIにおける呼吸パターンの時間変化を利用して、深層学習は脳血管反応性の再現可能なマッピングを可能にする。
  論文  参考訳（メタデータ） (2022-04-25T14:03:46Z)
• A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
  本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。 提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
  論文  参考訳（メタデータ） (2022-03-28T14:03:45Z)
• Automatic Detection and Segmentation of Postoperative Cerebellar Damage Based on Normalization [1.1470070927586016]
  小脳損傷の確実な局在化と測定は、損傷した小脳領域と術後の神経学的結果との関係を研究するために不可欠である。 既存の脳の正常化法は術後のスキャンでは信頼性が低いため,手動ラベリングによる外科的損傷の計測が現在行われている。 術後3次元T1MRIを用いて,手術による小脳損傷を自動的に検出・測定する頑健なアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-03-03T22:26:59Z)

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。