論文の概要: DA-UCT: Self-Supervised Domain-Adaptive Ultrasound Computed Tomography for Rapid Musculoskeletal Sound Speed Reconstruction

• arxiv url: http://arxiv.org/abs/2605.25024v1
• Date: Sun, 24 May 2026 12:03:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.659321
• Title: DA-UCT: Self-Supervised Domain-Adaptive Ultrasound Computed Tomography for Rapid Musculoskeletal Sound Speed Reconstruction
• Title（参考訳）: DA-UCT : 急速筋骨格音速再建のための自己監督型領域適応超音波CT
• Authors: Tianyu Liu, Heyu Ma, Aiduo Wang, Peiwen Li, Boyi Li, Ying Li, Dan Li, Chengcheng Liu, Dean Ta,
• Abstract要約: 筋骨格組織の迅速かつ正確なCT像撮影のための2段階の自己監督型ドメイン適応フレームワークであるSDA-UCTを提案する。 SDA-UCTは、シミュレーションデータセットに基づいて事前訓練された注意力強化ネットワーク(AttUCT)を使用して、物理インフォームド・セルフ教師付き学習を通じて、ビビオのデータに転送する。 AttUCTは、シミュレーションヒト前腕に29.23dBのPSNRと0.928のSSIMで高品質なSOS再構成を行い、従来のFWIや既存のディープラーニング手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 22.550979455534915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ultrasound computed tomography (UCT) via full waveform inversion (FWI) enables high-resolution quantitative imaging for tissue characterization and disease diagnosis. However, UCT suffers from large computational burden and severe convergence issues due to highly nonlinear optimization. Deep learning can accelerate UCT reconstruction, but supervised training requires large-scale labeled datasets difficult to obtain in vivo. To address these limitations, we propose SDA-UCT, a two-stage self-supervised domain-adaptive framework for rapid and accurate UCT imaging of musculoskeletal tissues. SDA-UCT employs an attention-enhanced network (AttUCT) pre-trained on simulation datasets and transfers to in-vivo data via physics-informed self-supervised learning, effectively bridging the simulation-to-real domain gap. A Low-Rank Adaptation (LoRA) mechanism is integrated to enable efficient adaptation across diverse clinical scenarios. Results showed that AttUCT achieved high-quality SOS reconstruction for simulated human forearm with a PSNR of 29.23 dB and SSIM of 0.928, outperforming conventional FWI and existing deep learning methods. Validated on in-vivo data, SDA-UCT successfully reconstructed SOS images revealing complex anatomical structures (skin, fat, muscle, tendon, bone and bone marrow) for human forearm, in high concordance with MRI references. The LoRA mechanism adjusting only 3% of parameters achieved comparable performance to full fine-tuning. The rapid reconstruction (5 ms per frame) enables real-time 3D visualization, achieving five-orders-of-magnitude improvement over traditional FWI. This work represents the first self-supervised domain-adaptive deep learning for rapid, high-resolution in-vivo UCT imaging, showing potential for musculoskeletal disease diagnosis.
• Abstract（参考訳）: フルウェーブフォーム・インバージョン(FWI)による超音波CT(Ultrasound Computed Tomography, UCT)は、組織の特徴と診断のための高精細な定量的イメージングを可能にする。 しかし、UTTは高い非線形最適化のために計算負荷と重大収束の問題に悩まされている。 ディープラーニングはUCTの再構築を加速させるが、教師付きトレーニングでは、インビボでの取得が困難である大規模ラベル付きデータセットを必要とする。 これらの制約に対処するため,筋骨格組織の迅速かつ正確なCT像撮影のための2段階の自己監督型ドメイン適応フレームワークであるSDA-UCTを提案する。 SDA-UCTは、シミュレーションデータセットに基づいて事前訓練された注意力強化ネットワーク(AttUCT)を物理情報による自己教師あり学習を通じてビビオデータに転送し、シミュレーションから現実のドメインギャップを効果的に埋める。 Low-Rank Adaptation (LoRA) メカニズムは、様々な臨床シナリオにまたがる効率的な適応を可能にするために統合されている。 その結果,AttUCTはPSNR29.23dB,SSIM0.928,従来のFWIおよび既存の深層学習法より優れ,高品質なSOS再構成を実現した。 SDA-UCTは、ヒト前腕の複雑な解剖学的構造(皮膚、脂肪、筋肉、腱、骨、骨髄)をMRIの基準と一致して再現した。 LoRA機構はパラメータの3%しか調整せず、完全な微調整に匹敵する性能を達成した。 高速な再構成(フレームあたり5ms)により、従来のFWIよりも5桁の精度向上を実現したリアルタイム3D可視化が可能となった。 本研究は,筋骨格疾患の診断の可能性を示す高速高分解能CT画像撮影のための,自己教師型ドメイン適応型深達度学習の初めての試みである。

関連論文リスト

• MotionDPS: Motion-Compensated 3D Brain MRI Reconstruction [39.243053176227065]
  そこで本研究では, 解剖画像, 剛体運動パラメータ, コイル感度マップを, k-spaceデータから直接推定する動き補償3次元MRIを提案する。 提案手法は,3次元複雑なスコアベース拡散モデルを物理ベースフォワードモデル内に表現型解剖画像として組み込んだものである。 シミュレーションおよびリアルタイム脳MRIデータを用いた実験により,提案手法は画像の質と動きの堅牢性を向上することを示した。
  論文  参考訳（メタデータ） (2026-05-21T07:53:06Z)
• FDP: A Frequency-Decomposition Preprocessing Pipeline for Unsupervised Anomaly Detection in Brain MRI [44.4791295950757]
  我々は脳MRIのための教師なし異常検出(UAD)アプローチを開発した。 病的シグネチャの最初の系統的周波数領域解析を行う。 周波数分割前処理(FDP)フレームワークは,周波数領域再構成を同時に行うことで,病態の抑制と解剖学的保存を同時に行うことができることを示す。
  論文  参考訳（メタデータ） (2025-11-17T02:40:14Z)
• 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)
• From Promise to Practical Reality: Transforming Diffusion MRI Analysis with Fast Deep Learning Enhancement [35.368152968098194]
  FastFOD-Netは、FODを優れたパフォーマンスで強化し、臨床使用のためのトレーニング/推論効率を提供するエンドツーエンドのディープラーニングフレームワークである。 この研究は、拡散MRIの強化のための深層学習に基づく手法を、より広く採用し、臨床信頼を構築することを促進する。
  論文  参考訳（メタデータ） (2025-08-13T17:56:29Z)
• Latent Diffusion Autoencoders: Toward Efficient and Meaningful Unsupervised Representation Learning in Medical Imaging [41.446379453352534]
  LDAE(Latent Diffusion Autoencoder)は、医用画像における効率的で有意義な教師なし学習のための、エンコーダ-デコーダ拡散に基づく新しいフレームワークである。 本研究は,ADNIデータベースの脳MRIを用いたアルツハイマー病(AD)を事例として検討した。
  論文  参考訳（メタデータ） (2025-04-11T15:37:46Z)
• Synthesizing Late-Stage Contrast Enhancement in Breast MRI: A Comprehensive Pipeline Leveraging Temporal Contrast Enhancement Dynamics [0.3499870393443268]
  本研究では,後期DCE-MRI画像の初期段階データから合成するためのパイプラインを提案する。 提案手法では, コントラストエージェントの時間的挙動を利用して生成モデルの訓練を指導する, 新たな損失関数である時間強度損失(TI-loss)を導入する。 アノテーション付き領域における拡張パターンを検証するContrast Agent Pattern Score(mathcalCP_s$)と、実際の拡張と生成された拡張の違いを測定するAverage difference in Enhancement(mathcalED$)の2つの指標が画像品質を評価するために提案されている。
  論文  参考訳（メタデータ） (2024-09-03T04:31:49Z)
• 3D Vessel Reconstruction from Sparse-View Dynamic DSA Images via Vessel Probability Guided Attenuation Learning [79.60829508459753]
  現在の商用デジタルサブトラクション・アンジオグラフィー(DSA)システムは通常、再構築を行うために数百のスキャンビューを要求する。 スパース・ビューDSA画像のダイナミックな血流と不十分な入力は,3次元血管再建作業において重要な課題である。 本稿では,時間に依存しない容器確率場を用いてこの問題を効果的に解くことを提案する。
  論文  参考訳（メタデータ） (2024-05-17T11:23:33Z)
• DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
  Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。 DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。 LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-04-27T12:55:13Z)
• Deep Separable Spatiotemporal Learning for Fast Dynamic Cardiac MRI [22.7085949508143]
  MRIは心臓診断において欠かせない役割を担っている。高速イメージングを可能にするため、k空間データをアンサンプすることができる。 この課題は、ディープラーニング再構築手法における広範なトレーニングデータを必要とする。 本研究では,高度に制限された学習データであっても,例外的に良好に動作可能な次元分離型学習手法を活用する,新規で効率的な手法を提案する。
  論文  参考訳（メタデータ） (2024-02-24T23:56:15Z)
• 20-fold Accelerated 7T fMRI Using Referenceless Self-Supervised Deep Learning Reconstruction [0.487576911714538]
  脳全体の高時間分解能は、fMRIにおける神経活動の正確な解決に不可欠である。 ディープラーニング(DL)再構成技術は近年,高速度MRI画像の改善に関心を寄せている。 本研究では,5倍のSMSと4倍の面内加速度7T fMRIデータを用いて物理誘導型DL再構成を行う。
  論文  参考訳（メタデータ） (2021-05-12T17:39:16Z)

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。