頭蓋CTを用いた経頭蓋超音波挿入損失予測：深層学習アプローチ

科学分野:

• 生物医学工学
• 神経科学
• 医用画像処理

背景:

• 経頭蓋超音波（tUS）は非侵襲的な脳変調を提供しますが、頭蓋骨による超音波減衰という課題に直面しています。
• 挿入損失（IL）は、この信号劣化を定量化するものであり、効果的なtUS送達に不可欠です。
• 現在のIL予測方法は計算負荷が高く、変動に対して敏感です。

研究 の 目的:

• 頭蓋骨の構造的特徴に基づいてILを予測する、迅速かつ正確な方法を開発すること。
• 頭蓋骨の解剖学的構造と超音波減衰との相関を調査すること。
• tUSアプリケーションにおける効率的なIL予測のために深層学習を活用すること。

主な方法:

• 220 kHz、650 kHz、および1000 kHzで20個のヒト頭蓋骨標本からILデータを収集しました。
• 頭蓋骨CTスキャンを利用した、修正デュアルパスInceptionベースニューラルネットワーク（mDPI-Net）を開発しました。
• mDPI-Netのパフォーマンスを、均質な擬似スペクトル法および不均質なシミュレーションと比較しました。

主要な成果:

• mDPI-Netは、精度において均質な方法（ピーク圧力誤差：26.6％対34.3％）を大幅に上回りました。
• mDPI-Netは、複雑なシミュレーション（IL偏差：2.47 dB対1.69 dB）と同等の精度を示しました。
• 計算効率は劇的に改善され、予測時間は1サンプルあたり15分から1サンプルあたり0.5秒に短縮されました。

結論:

• 頭蓋骨CTスキャンには、IL予測に不可欠な固有の構造情報が含まれています。
• mDPI-Netのような深層学習モデルは、計算効率が高く正確なIL予測アプローチを提供します。
• この技術は、tUS治療の精度を高める、リアルタイムの術前IL評価の可能性を秘めています。