論文の概要: Few-shot Deep Learning for Phase-Amplitude Aberration Correction in Transcranial Focused Ultrasound

• arxiv url: http://arxiv.org/abs/2607.29182v1
• Date: Fri, 31 Jul 2026 09:02:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.669449
• Title: Few-shot Deep Learning for Phase-Amplitude Aberration Correction in Transcranial Focused Ultrasound
• Title（参考訳）: 経頭蓋集束超音波における位相振幅収差補正のためのショット深部学習
• Abstract要約: 患者CT画像から96要素3次元位相アレートランスデューサの素子間位相と振幅補正を予測できる数ショットのフレームワークを提案する。 このフレームワークは、多様な頭蓋骨のジオメトリーで事前訓練されており、ターゲットポイントがわずか10点しかなく微調整されているため、目に見えない患者に迅速に適応することができる。
• 参考スコア（独自算出の注目度）: 2.1352542609902447
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Transcranial focused ultrasound (tFUS) is a non-invasive technique that delivers focused acoustic energy through the skull for neuromodulation and therapeutic applications. However, the heterogeneous structure of the skull induces complex, patient-specific phase and amplitude aberrations that distort the acoustic focus and deviate it from the intended target, compromising therapeutic efficacy and safety. Conventional time-reversal (TR) simulations can correct these aberrations but rely on computationally expensive full-wave solvers, making them impractical for real-time use and iterative treatment planning. We propose a few-shot deep surrogate framework that predicts per-element phase and amplitude corrections for a 96-element 3D phased-array transducer from patient CT images. A geometry-aware encoder extracts skull-path features shared across dedicated phase classification and amplitude regression branches, where phase periodicity is handled via circular expectation decoding. The framework is pretrained on diverse skull geometries and fine-tuned with only ten target points, enabling rapid adaptation to unseen patients without full patient-specific simulation. Evaluated via leave-one-out cross-validation across 12 skulls, it achieves a mean phase CMAE of 0.155 rad and amplitude rMAE of 9.089%, a focal centroid error of 0.467 mm, Dice score of 94.422%, and peak pressure ratio of 92.332%, with an approximately 2,535 times speedup over TR simulation. The code is available at https://github.com/Minju-Seol/fewshot-tfus-correction.
• Abstract（参考訳）: 経頭蓋骨集束超音波(TFUS)は、頭蓋骨を通して焦点を絞った音響エネルギーを伝達する非侵襲的手法である。 しかし、頭蓋骨の異種構造は、複雑な、患者固有の位相と振幅の収差を誘発し、音響的焦点を歪め、意図した目標から逸脱させ、治療効果と安全性を損なう。 従来の時間反転(TR)シミュレーションは、これらの収差を補正することができるが、計算に高価なフルウェーブ・ソルバに依存しているため、リアルタイムの使用や反復的な治療計画には実用的ではない。 患者CT画像から96要素3次元位相アレイトランスデューサの素子間位相と振幅補正を予測できる,数ショットのディープサロゲートフレームワークを提案する。 幾何認識エンコーダは、専用位相分類と振幅回帰分岐の間で共有される頭蓋骨パス特徴を抽出し、位相周期性は円形期待復号により処理する。 このフレームワークは、多様な頭蓋骨のジオメトリーで事前訓練され、ターゲットポイントがわずか10点しかなく微調整され、患者固有のシミュレーションを伴わず、目に見えない患者に迅速に適応できる。 12個の頭蓋骨にまたがって、平均位相CMAEは0.155 rad、振幅rMAEは9.089%、焦点セントロイド誤差は0.467 mm、Diceスコアは94.422%、ピーク圧力比は92.332%、TRシミュレーションの約2,535倍である。 コードはhttps://github.com/Minju-Seol/fewshot-tfus-correctionで公開されている。

関連論文リスト

• Human-Inspired Framework for Robotic Craniotomy: Integrating Multimodal Fusion and Adaptive Trajectory Adjustment [11.44210370034241]
  手指頭切開術は, 外科的疲労, 硬膜損傷を伴い, 高リスク, スキル依存的な手術である。 術中計画と術中実行をインテリジェントに統合する,人間にインスパイアされたクローズドループロボット頭蓋切断フレームワークを提案する。 牛のリブの実験では、ブレークスルー予測精度は97%、検出遅延は0.048 +/- 0.097 s、最大オーバーシュートは0.29 mmである。
  論文  参考訳（メタデータ） (2026-07-23T08:46:42Z)
• Parameter-Efficient Adaptation of SAM 3 for Automated ITV Generation from 4DCT Images [0.0]
  4次元CT(4DCT)は胸部解剖の完全な呼吸周期を捉えている。 現在の内部ターゲットボリューム構成プロセスは、各フェーズを分離し、時間的コヒーレンスを破棄し、フェーズ固有のアーティファクトに脆弱なままにしておく。 低ランク適応(LoRA)を介してSegment Anything Model 3(SAM3)にパラメータ効率の良い微調整を適用するフレームワークを提案する。 7つの注釈付きボリュームで、このフレームワークは全データの精度の95%以上を保持し、パイプライン全体は1つのコンシューマグレードのGPUでトレーニングできる。
  論文  参考訳（メタデータ） (2026-06-14T05:12:57Z)
• Sparse-View Lung Nodule Volumetry from Digitally Reconstructed Radiographs via AReT: Anatomy-Regularized TensoRF [0.0]
  我々は、X線減衰場に適用した場合、これまで報告されていないテンソRFの故障モードを解消する。 AReTは, 冠動脈, 矢状, 軸方向投射を用いた肺再建のための解剖学的に規則化されたテンソル放射野の枠組みである。 11の再建戦略を体系的に比較すると、解剖学的に認識された規則化は、生成的先導的アプローチよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2026-05-31T06:25:49Z)
• UTOPYA: A Multimodal Deep Learning Framework for Physics-Informed Anomaly Detection and Time-Series Prediction [42.532335022354545]
  バッチプロセスにおける異常検出は、過渡的ダイナミクス、欠陥ラベルの不足、単一モードセンサデータへの依存によって妨げられる。 本研究は, バッチ蒸留における異常検出, 時系列予測, 位相分類を共同で扱うマルチモーダルフレームワークUTOPYAを紹介する。 本研究で導入された物理インフォームド正規化スキームは、時間的滑らかさと熱力学的モノトニクスを強制する。
  論文  参考訳（メタデータ） (2026-05-18T10:28:15Z)
• Differential Attention-Augmented BiomedCLIP with Asymmetric Focal Optimization for Imbalanced Multi-Label Video Capsule Endoscopy Classification [1.2246649738388389]
  本研究は,ビデオカプセル内視鏡(VCE)のためのマルチラベル分類フレームワークを提案する。 アーキテクチャと最適化レベルの戦略を組み合わせることで、Galarデータセットに固有の極端なクラス不均衡に対処する。
  論文  参考訳（メタデータ） (2026-03-18T16:04:50Z)
• Automated glenoid bone loss measurement and segmentation in CT scans for pre-operative planning in shoulder instability [4.618498494409548]
  肩関節不安定症の手術計画には, 骨量測定の信頼性が不可欠である。 三次元CTスキャンによるグリノイド骨量計測のための完全自動深層学習パイプラインの開発と評価を行った。
  論文  参考訳（メタデータ） (2025-11-18T03:12:22Z)
• EqDiff-CT: Equivariant Conditional Diffusion model for CT Image Synthesis from CBCT [43.92108185590778]
  画像誘導放射線療法(IGRT)に広く用いられているコーンビームCT(CBCT) CBCTから高品質なCT画像を生成するために,EqDiff-CTという新しい拡散型条件生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-09-26T05:51:59Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• HANS-Net: Hyperbolic Convolution and Adaptive Temporal Attention for Accurate and Generalizable Liver and Tumor Segmentation in CT Imaging [2.7205074719266062]
  腹部CT像における肝・腫瘍の正確なセグメンテーションは確実な診断と治療計画に重要である。 ニューラル表現とシナプティック・プラスティック・ネットワーク(HANS-Net)を用いたハイパーボリック・コンボリューションの導入 HANS-Netは、階層的幾何表現のための双曲的畳み込み、マルチスケールテクスチャ学習のためのウェーブレットインスパイアされた分解モジュール、暗黙の神経表現分岐を組み合わせた。
  論文  参考訳（メタデータ） (2025-07-15T13:56:37Z)
• Interpretable cancer cell detection with phonon microscopy using multi-task conditional neural networks for inter-batch calibration [39.759100498329275]
  本稿では,バッチ間キャリブレーションを同時に実現する条件付きニューラルネットワークフレームワークを提案する。 異なる実験バッチをトレーニングし、検証することで、我々のアプローチを検証する。 このモデルを拡張して, 診断信号の再構成を行い, 疾患状態を示す有能な特徴の物理的解釈を可能にした。
  論文  参考訳（メタデータ） (2024-03-26T12:20:10Z)
• Phase Aberration Robust Beamformer for Planewave US Using Self-Supervised Learning [41.10604715789614]
  本稿では,位相収差堅牢な平面波イメージングを実現する3次元CNNを提案する。 我々のアプローチは、ネットワークが様々な位相収差画像から高品質な画像を堅牢に生成するために、自己教師型で訓練されているという点で独特である。
  論文  参考訳（メタデータ） (2022-02-16T12:17:01Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)

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。