論文の概要: tFUSOperator: Operator Learning for Transcranial Focused Ultrasound Digital Twins

• arxiv url: http://arxiv.org/abs/2608.01839v1
• Date: Mon, 03 Aug 2026 07:49:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.388146
• Title: tFUSOperator: Operator Learning for Transcranial Focused Ultrasound Digital Twins
• Title（参考訳）: tFUSOperator: Transcranial Focused Ultrasound Digital Twinsのための演算子学習
• Authors: Minjee Seo, Haris Ghafoor, Minju Seol, Seonaeng Cho, Kyungho Yoon,
• Abstract要約: 経頭蓋骨集束超音波(TFUS)は頭蓋内音場を正確に推定する必要がある。 我々の知る限り、これは tFUS 場予測の演算子に基づく最初の定式化である。 その結果,患者固有のtFUS治療のために,安全で実用的なデジタル双生児への高速で無放射線なルートが示唆された。
• 参考スコア（独自算出の注目度）: 1.9902710662264562
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transcranial focused ultrasound (tFUS) requires accurate estimation of the intracranial acoustic field, which is distorted by skull-induced aberrations. Numerical solvers are accurate but computationally expensive for digital twins, where the field must be re-estimated repeatedly as treatment conditions change. Existing deep-learning surrogates are fast but typically use voxel-to-voxel regression on a fixed grid, with no mechanism reflecting how acoustic energy propagates through the skull. We instead cast tFUS simulation as an operator learning problem and propose tFUSOperator, a coordinate-aware neural operator that maps the free-field pressure, skull anatomy, and treatment parameters to the intracranial field within a shared physical coordinate frame. To our knowledge, this is the first operator-based formulation of tFUS field prediction. On both seen and unseen skulls, the model localizes the acoustic focus accurately-reaching about 90% and 72% Dice, respectively-and it performs nearly as well from magnetic resonance (MR) as from computed tomography (CT) input while running $5.6 \times 10^4$ times faster than numerical simulation. These results suggest a fast, radiation-free route to safe and practical digital twins for patient-specific tFUS treatment. The code is available at: https://github.com/CMME-Lab/tFUSOperator.git.
• Abstract（参考訳）: 経頭蓋骨集束超音波(TFUS)は頭蓋骨の収差によって変形する頭蓋内音場を正確に推定する必要がある。 数値解法は精度は高いが、処理条件が変化するにつれて、フィールドを何度も再推定する必要があるデジタルツインにとって計算的に高価である。 既存のディープラーニングサロゲートは速いが、通常は固定格子上でボクセルからボクセルへの回帰を用いており、頭蓋骨を通して音響エネルギーがどのように伝播するかを反映するメカニズムは存在しない。 代わりに、演算子学習問題としてtFUSシミュレーションを提案し、自由場圧力、頭蓋解剖、治療パラメータを共有物理座標フレーム内の頭蓋内領域にマッピングする座標対応ニューラルネットワークであるtFUSOperatorを提案する。 我々の知る限り、これは tFUS 場予測の演算子に基づく最初の定式化である。 観察された頭蓋骨と見えない頭蓋骨の両方で、Diceの約90%と72%の音響焦点を正確に定位し、数値シミュレーションより5.6 \times 10^4$の速さで計算トモグラフィ(CT)入力と磁気共鳴(MR)入力とほぼ同等に機能する。 これらの結果は、患者固有のtFUS治療のための安全で実用的なデジタル双生児への、高速で無放射線なルートを示唆している。 コードは、https://github.com/CMME-Lab/tFUSOperator.gitで入手できる。

関連論文リスト

• A Skull-Adaptive Framework for AI-Based 3D Transcranial Focused Ultrasound Simulation [1.662610796043078]
  経頭蓋集束超音波(TFUS)は、非侵襲的な脳刺激と治療介入の新たなモダリティである。 TFUScapesは、解剖学的に現実的な人間の頭蓋骨を通して、最初の大規模で高解像度のtFUSシミュレーションデータセットである。 DeepTFUSは、入力された3次元CTボリュームとトランスデューサ位置から直接正規化された圧力場を推定するディープラーニングモデルである。
  論文  参考訳（メタデータ） (2025-05-19T11:37:51Z)
• Convolutional Deep Operator Networks for Learning Nonlinear Focused Ultrasound Wave Propagation in Heterogeneous Spinal Cord Anatomy [0.0]
  集束超音波治療は、脊髄損傷の最適な標的治療のための有望なツールである。 現在のアプローチでは、制御波動伝播方程式の解法をコンピュータシミュレーションに頼っている。 患者脊髄のFUS圧力場を高速に予測するための畳み込み深部演算ネットワーク(DeepONet)を提案する。
  論文  参考訳（メタデータ） (2024-12-20T18:03:38Z)
• 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)
• AiAReSeg: Catheter Detection and Segmentation in Interventional Ultrasound using Transformers [75.20925220246689]
  血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。 本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T19:34:12Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Neural Operator Learning for Ultrasound Tomography Inversion [4.759011874234158]
  我々は、フルウェーブ・ソルバを用いて、飛行時間(TOF)データと異種音速場のマッピングを学習する。 超音波断層撮影における演算子学習は,これが初めてである。
  論文  参考訳（メタデータ） (2023-04-06T15:42:17Z)
• Evaluation of Synthetically Generated CT for use in Transcranial Focused Ultrasound Procedures [5.921808547303054]
  経頭蓋骨集束超音波(TFUS)は、頭蓋骨を通して音を非侵襲的に、しばしばMRI誘導下で小さな領域に集束する治療用超音波法である。 CT画像は、個々の頭蓋骨間で異なる音響特性を推定するために使われ、tFUS手術中に効果的に焦点を合わせることができる。 そこで我々は,3Dパッチベースの条件付き生成対向ネットワーク(cGAN)を用いて,日常的に取得したT1強調MRIからCT画像を合成した。 我々は,Kranion を用いた tFUS 計画のための sCT と実CT (rCT) 画像を比較し,音響ツールボックスを用いたシミュレーションを行った。
  論文  参考訳（メタデータ） (2022-10-26T15:15:24Z)
• Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
  術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。 直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-13T07:10:14Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)

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。