[論文レビュー] Morphology-, Noise-, and Resolution-Robust Ultrasound Elasticity Imaging with Fourier Neural Operators

Heekyu Kim, Hugon LEe+2 more|arXiv (Cornell University)|Jan 21, 2026

Ultrasound Imaging and Elastography被引用数 0

ひとこと要約

この論文はフーリエニューラルオペレーター（FNO）を超音波弾性画像化に適用することを調査し、形態、ノイズ、および解像度に対する堅牢性を評価し、シミュレーションでFNOがベースラインより優れていることを示す。

ABSTRACT

Ultrasound-based elasticity imaging is a non-invasive technique for estimating tissue stiffness fields from displacement fields obtained by comparing ultrasound signals before and after compression. While recent deep learning approaches have enabled faster and more accurate elasticity estimation compared to traditional methods, several challenges remain for clinical translation. In this study, we employ finite element simulations of free-hand palpation to investigate the applicability of the Fourier neural operator (FNO). Four practical scenarios were investigated: (1) prediction across diverse lesion morphologies, (2) generalization to cases with lesion counts differing from those in the training data, (3) robustness to noise in measured displacement fields, and (4) resilience to variations in ultrasound device resolution. Across these tasks, FNO consistently outperformed baseline models such as U-Net and DeepONet in predictive accuracy and generalization, while maintaining robustness under noise and resolution changes. Validated through in silico simulations, these findings demonstrate the potential of FNO as a framework that could facilitate translation of elasticity imaging toward clinical practice.

研究の動機と目的

• フーリエニューラルオペレーターを超音波弾性画像化へ適用可能性を調査する。
• 病変の形態と病変数に対する一般化を評価する。
• ノイズのある変位測定値に対する頑健性を評価する。
• 超音波機器の解像度の変化に対する耐性を評価する。

提案手法

• 自由手動診断の有限要素シミュレーションを用いてデータを生成する。
• フーリエニューラルオペレーターを適用して変位場を弾性場へ写像する。
• U-NetおよびDeepONetと比較してFNOの性能を様々なシナリオで評価する。
• 病変形態および病変数の異なる一般化を試す。
• 測定ノイズと解像度変化に対する頑健性を評価する。

実験結果

リサーチクエスチョン

• RQ1 FNOは多様な病変形態に渡る変位場から組織の弾性を正確に推定できるか。
• RQ2 病変数が訓練データと異なる場合にFNOは一般化するか。
• RQ3 測定された変位場のノイズに対してFNOは頑健か。
• RQ4 超音波機器の解像度の変化に対してFNOは頑健か。

主な発見

• FNOは予測精度とタスク間の一般化においてベースラインモデル（U-NetおよびDeepONet）を一貫して上回る。
• 変位測定値のノイズ下でもFNOは頑健性を維持する。
• FNOは超音波機器の解像度の変化に対しても耐性を示す。
• インシリコ（in silico）シミュレーションは、弾性画像化の臨床翻訳におけるFNOの潜在性を裏づける。