論文の概要: What neurosurgeons need to see: synthetic intra-operative MRI from ultrasound for brain-shift compensation in brain tumour surgery

• arxiv url: http://arxiv.org/abs/2606.07658v1
• Date: Wed, 03 Jun 2026 11:17:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.199799
• Title: What neurosurgeons need to see: synthetic intra-operative MRI from ultrasound for brain-shift compensation in brain tumour surgery
• Title（参考訳）: 脳腫瘍手術における脳波補正のための超音波合成術中MRI
• Authors: Santiago Cepeda, Olga Esteban-Sinovas, Ignacio Arrese, Rosario Sarabia,
• Abstract要約: 本稿では,術前画像領域における新しい脳内MRIボリュームを生成するエンド・ツー・エンドパイプラインを提案する。 専門家のランドマークが215名ある14名の被験者において、合成アンコールされた登録は平均目標登録誤差を減らした。 これにより、手術領域のMRIライクな更新が提供され、手術ナビゲーションに統合される可能性がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Maximal safe resection is the primary objective in glioma surgery. Neuronavigation guidance is progressively degraded by brain shift after dural opening. Intraoperative MRI can compensate but needs dedicated infrastructure and is rarely available, whereas intraoperative ultrasound (ioUS) is inexpensive, repeatable, and compatible with routine workflows. Navigation systems combining ioUS with preoperative MRI usually rely on rigid registration; even deformable multimodal registration is limited by ultrasound speckle contrast, a narrow field of view, and the inability to represent structures absent from the preoperative scan, most critically the resection cavity and residual tumor. We propose an end-to-end pipeline that generates a new whole-brain MRI volume in the preoperative imaging space by merging the preoperative MRI, a synthetic MRI generated from the ioUS, and a deformable registration anchored on that synthetic image. It integrates a 2.5D residual-transformer synthesis backbone (ResViT-2.5D) and a two-stage registration coupling NiftyReg with a synthesis-anchored SynthMorph stage, operating directly on raw scanner inputs. On a post-resection ReMIND cohort, ResViT-2.5D produced synthetic images closely matching the intraoperative T2 across structural, intensity, and perceptual metrics. In 14 subjects with 215 expert landmarks, the synthesis-anchored registration reduced the mean target registration error from 6.27 to 5.86 mm, matching a strong classical NiftyReg baseline (5.85 mm) while yielding a diffeomorphic deformation field in every subject. The contribution is not a gain in registration accuracy but the integrated volume itself, which inside the ultrasound field of view it reflects the intraoperative post-resection state. This provides the surgeon with an MRI-like update of the operative field with potential for integration into surgical-navigation workflows.
• Abstract（参考訳）: グリオーマ手術の主要な目的は最大安全切除である。 神経ナビゲーション誘導は、硬膜開放後の脳のシフトによって徐々に低下する。 術中MRIは補うことができるが、専用のインフラが必要であり、術中超音波(ioUS)は安価で、反復可能であり、通常のワークフローと互換性がある。 変形可能なマルチモーダル登録は、超音波スペックルコントラスト、視野の狭さ、術前スキャンから欠落した構造を表現できないこと、特に切除腔と残存腫瘍によって制限される。 我々は,術前MRIとioUSから生成された合成MRIと,その合成画像に固定された変形可能な登録とを併用することにより,術前のMRI空間に新たな脳MRIボリュームを生成するエンド・ツー・エンドパイプラインを提案する。 2.5D残基合成バックボーン(ResViT-2.5D)と二段登録結合NiftyRegを合成アンコールされたSynthMorphステージに統合し、生スキャナ入力を直接操作する。 切除後ReMINDコホートでは、ResViT-2.5Dは、構造的、強度、知覚的指標にまたがって、術中T2と密接に一致する合成画像を生成する。 215の専門的ランドマークを持つ14の被験者において、合成アンコールされた登録は平均目標登録誤差を6.27mmから5.86mmに減らし、全ての被験者に微分変形場を与えながら、強い古典的なNiftyRegベースライン(5.85mm)と一致させた。 このコントリビューションは, 術中術後状態の反映として, 超音波視野内における集積ボリューム自体の登録精度の向上に寄与する。 これにより、外科手術のワークフローに統合される可能性がある手術領域のMRIライクな更新が提供される。

関連論文リスト

• A Systematic Benchmark of Intraoperative Ultrasound-to-MR Synthesis for Brain Tumour Surgery [0.0]
  術中超音波(ioUS)は脳腫瘍手術において多彩で費用対効果が高い。 以前の作業のほとんどは、単一のアーキテクチャを独立して評価しています。 アーキテクチャパラダイム、推論規則、ダウンストリームタスクエンドポイントにまたがるベンチマークはない。
  論文  参考訳（メタデータ） (2026-05-30T09:05:24Z)
• AI Approach for MRI-only Full-Spine Vertebral Segmentation and 3D Reconstruction in Paediatric Scoliosis [0.0]
  小児画像のCTよりMRIが好ましいのは、電離放射線を避けるためである。 脊椎変形評価におけるその使用は、自動化された高解像度の3Dボニー再構成の欠如により、大きく制限されている。 本研究では,MRIのみによる全自動胸腰椎(T1-L5)セグメンテーションと3次元再構成を可能にするAIフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-20T05:57:06Z)
• The Brain Resection Multimodal Image Registration (ReMIND2Reg) 2025 Challenge [42.51640997446028]
  ReMIND2Reg 2025 Challengeは、ReMINDデータセットに基づいて構築された、このタスクのための最大の公開ベンチマークを提供する。 99のトレーニングケース、5のバリデーションケース、10のプライベートテストケースがペアの3D ceT1 MRI、T2 MRI、そして術後3D iUSボリュームで構成されている。 データはトレーニングのためのアノテーションなしで提供され、検証とテストのパフォーマンスは手動で注釈付けされた解剖学的ランドマークで評価される。
  論文  参考訳（メタデータ） (2025-08-13T09:31:06Z)
• 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)
• Epicardium Prompt-guided Real-time Cardiac Ultrasound Frame-to-volume Registration [50.602074919305636]
  本稿では,CU-Reg と呼ばれる,軽量でエンドツーエンドなカード・ツー・エンド・超音波フレーム・ツー・ボリューム・レジストレーション・ネットワークを提案する。 2次元スパースと3次元濃密な特徴の相互作用を増強するために,心内膜急速ガイドによる解剖学的手がかりを用い,その後,強化された特徴のボクセル的局所グロバル集約を行った。
  論文  参考訳（メタデータ） (2024-06-20T17:47:30Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Learning-Based Keypoint Registration for Fetoscopic Mosaicking [65.02392513942533]
  ツイン・トゥ・ツイン輸血症候群(TTTS)では、単子葉胎盤の血管系異常な血管性無痛が両胎児の間に不均一な血流を生じさせる。 本研究では,フィールド・オブ・ビュー展開のためのフェトスコープフレーム登録のための学習ベースフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-26T21:21:12Z)
• 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)
• Unsupervised-learning-based method for chest MRI-CT transformation using structure constrained unsupervised generative attention networks [0.0]
  PET/MRIスキャナは、PETによる代謝情報の同時取得と、MRIを用いた形態情報の取得を容易にする。 PET/MRIは、ガンマ線減衰情報とMRIとの直接的関係がないため、MRIから減衰補正マップを生成する必要がある。 本稿では,非対位画像の変換が可能なGAN(Generative Adversarial Network)に,モダリティ非依存的近傍記述子(MIND)を用いた構造制約を加えることにより,人間のアノテーションを使わずに解剖学的構造変化を最小限に抑える手段を提案する。
  論文  参考訳（メタデータ） (2021-06-16T05:22:27Z)

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。