論文の概要: A Systematic Review on Data-Driven Brain Deformation Modeling for Image-Guided Neurosurgery
- arxiv url: http://arxiv.org/abs/2602.10155v1
- Date: Mon, 09 Feb 2026 22:11:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-12 21:44:01.193017
- Title: A Systematic Review on Data-Driven Brain Deformation Modeling for Image-Guided Neurosurgery
- Title（参考訳）: 画像ガイド下脳外科手術におけるデータ駆動型脳変形モデリングの体系的検討
- Authors: Tiago Assis, Colin P. Galvin, Joshua P. Castillo, Nazim Haouchine, Marta Kersten-Oertel, Zeyu Gao, Mireia Crispin-Ortuzar, Stephen J. Price, Thomas Santarius, Yangming Ou, Sarah Frisken, Nuno C. Garcia, Alexandra J. Golby, Reuben Dorent, Ines P. Machado,
- Abstract要約: 脳の変形の正確な補償は、画像誘導神経外科において重要な課題である。
最近のAI駆動型アプローチは、2020年1月から2025年4月にかけて、脳の変形をモデル化し、修正するために開発された。
- 参考スコア（独自算出の注目度）: 29.978282112659993
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate compensation of brain deformation is a critical challenge for reliable image-guided neurosurgery, as surgical manipulation and tumor resection induce tissue motion that misaligns preoperative planning images with intraoperative anatomy and longitudinal studies. In this systematic review, we synthesize recent AI-driven approaches developed between January 2020 and April 2025 for modeling and correcting brain deformation. A comprehensive literature search was conducted in PubMed, IEEE Xplore, Scopus, and Web of Science, with predefined inclusion and exclusion criteria focused on computational methods applied to brain deformation compensation for neurosurgical imaging, resulting in 41 studies meeting these criteria. We provide a unified analysis of methodological strategies, including deep learning-based image registration, direct deformation field regression, synthesis-driven multimodal alignment, resection-aware architectures addressing missing correspondences, and hybrid models that integrate biomechanical priors. We also examine dataset utilization, reported evaluation metrics, validation protocols, and how uncertainty and generalization have been assessed across studies. While AI-based deformation models demonstrate promising performance and computational efficiency, current approaches exhibit limitations in out-of-distribution robustness, standardized benchmarking, interpretability, and readiness for clinical deployment. Our review highlights these gaps and outlines opportunities for future research aimed at achieving more robust, generalizable, and clinically translatable deformation compensation solutions for neurosurgical guidance. By organizing recent advances and critically evaluating evaluation practices, this work provides a comprehensive foundation for researchers and clinicians engaged in developing and applying AI-based brain deformation methods.
- Abstract（参考訳）: 脳の変形の正確な補正は、外科手術と腫瘍切除が術前の計画画像と術中解剖学と縦断的研究を誤認する組織運動を誘導するので、画像ガイド下神経外科において重要な課題である。
本稿では,2020年1月から2025年4月までに開発された,脳の変形をモデル化・修正するためのAI駆動型アプローチを整理する。
包括的文献検索はPubMed, IEEE Xplore, Scopus, Web of Scienceで実施され, 神経外科画像の脳の変形補正に適用される計算方法に焦点を絞った包括的包括的包括的包括的および排除的基準が得られた。
本稿では, 深層学習に基づく画像登録, 直接変形場回帰, 合成駆動型マルチモーダルアライメント, 欠落した対応に対処する切除・認識アーキテクチャ, バイオメカニカル・プリエンスを統合するハイブリッドモデルなど, 方法論的戦略の統一的な分析を行う。
また,データセットの利用状況,評価指標の報告,検証プロトコル,不確実性や一般化について検討した。
AIベースの変形モデルは、有望なパフォーマンスと計算効率を示す一方で、現在のアプローチでは、配布外ロバスト性、標準化されたベンチマーク、解釈可能性、臨床展開の準備が制限されている。
神経外科的指導のためのより堅牢で、一般化可能で、臨床的に翻訳可能な変形補償ソリューションの実現を目的とした今後の研究の機会を概説する。
近年の進歩を整理し、評価の実践を批判的に評価することにより、AIベースの脳変形法の開発と適用に携わる研究者や臨床医に包括的な基盤を提供する。
関連論文リスト
- A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。
CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。
本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
論文 参考訳（メタデータ） (2025-12-15T10:22:43Z) - A Federated Learning Framework for Handling Subtype Confounding and Heterogeneity in Large-Scale Neuroimaging Diagnosis [22.017120252054625]
本稿では,ニューロイメージングCADシステムに適した新しいフェデレーション学習フレームワークを提案する。
私たちのアプローチには、最も適切なローカルモデルにサンプルをルーティングする動的ナビゲーションモジュールが含まれています。
1300名以上のMDD患者のfMRIデータと1100名の健常者を対象とした。
論文 参考訳（メタデータ） (2025-08-08T07:19:49Z) - Medical Reasoning in the Era of LLMs: A Systematic Review of Enhancement Techniques and Applications [59.721265428780946]
医学における大きな言語モデル(LLM)は印象的な能力を実現しているが、体系的で透明で検証可能な推論を行う能力に重大なギャップが残っている。
本稿は、この新興分野に関する最初の体系的なレビューを提供する。
本稿では,学習時間戦略とテスト時間メカニズムに分類した推論強化手法の分類法を提案する。
論文 参考訳（メタデータ） (2025-08-01T14:41:31Z) - Brain Stroke Detection and Classification Using CT Imaging with Transformer Models and Explainable AI [0.0]
本研究では,CTスキャン画像を用いたマルチクラス脳卒中分類のための人工知能フレームワークを提案する。
提案手法は,画像ベースストローク分類の深層学習モデルとして,最先端のビジョン変換器であるMaxViTを採用した。
モデル一般化とアドレスクラス不均衡を改善するため,データ拡張手法を適用した。
論文 参考訳（メタデータ） (2025-07-13T13:50:50Z) - From Pixels to Polygons: A Survey of Deep Learning Approaches for Medical Image-to-Mesh Reconstruction [38.67693323186832]
この調査は、既存のアプローチを、テンプレートモデル、統計モデル、生成モデル、暗黙モデルという4つの主要なカテゴリに体系的に分類する。
心臓画像から神経学的研究まで,様々な解剖学的応用にまたがって,これらの手法を広範囲に評価する。
この調査は、トポロジカルな正しさ、幾何的精度、マルチモーダリティ統合の要件を含む、この分野における現在の課題を明らかにしている。
論文 参考訳（メタデータ） (2025-05-06T15:01:43Z) - Automated Radiology Report Generation: A Review of Recent Advances [5.965255286239531]
人工知能の最近の技術進歩は、自動放射線学レポート生成に大きな可能性を示している。
人工知能の最近の進歩は、自動放射線診断レポート生成に大きな可能性を示している。
論文 参考訳（メタデータ） (2024-05-17T15:06:08Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - Domain Shift in Computer Vision models for MRI data analysis: An
Overview [64.69150970967524]
機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。
しかし、現在臨床応用はごくわずかである。
異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
論文 参考訳（メタデータ） (2020-10-14T16:34:21Z) - Learning Binary Semantic Embedding for Histology Image Classification
and Retrieval [56.34863511025423]
バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。
効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。
3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
論文 参考訳（メタデータ） (2020-10-07T08:36:44Z)
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。