Functional Ultrasound Imaging (fUSI) from scratch
Functional Ultrasound Imaging (fUSI) from scratch (neuroai.science)
要約
Functional Ultrasound Imaging (fUSI)は、脳活動に伴う血流変化を追跡することで、脳組織のダイナミックな映像を捉える新しい脳イメージング技術です。fMRIと比較して、より高い解像度、小型化、低コストの可能性を秘めており、神経精神疾患や神経疾患の新たな治療オプションとしても期待されています。この記事では、fUSIの物理的な仕組みからデータ解析までを詳細に解説し、その計算論的な学習基盤を提供します。
全文翻訳
Functional ultrasound imaging from scratch
Functional ultrasound imaging (fUSI) は、ヒトでの研究が始まったばかりの脳イメージングモダリティです。静止画像を作成する構造的超音波イメージング(ソングラムなど)には多くの人が馴染みがあると思いますが、機能的超音波イメージングは、神経活動に伴う血流の変化を追跡し、脳組織の「ムービー」を非常に高速に捉えます。
[画像: Macéら(2011)によって初めて実証されたFunctional ultrasound imaging。超音波プローブを使用してラットの脳を非常に高速に画像化する。計算アプローチにより高速に変化するピクセルを分離し、血管系のマップを形成する。]
Functional ultrasound imaging は Macé ら(2011)によって初めて実証されました。超音波プローブを使用してラットの脳を非常に高速に画像化し、計算アプローチで高速に変化するピクセルを分離することで、血管系のマップを形成します。
これは機能的MRIと同じコントラスト源を使用しますが、線形分解能が10倍(ボクセル数は1000倍)、装置が小型(マグネット不要!)、安価(マグネット不要!)で、信号対雑音比が高い可能性があります。このモダリティは、神経精神疾患や神経疾患の新しい治療選択肢として、脳の標的領域にエネルギーを集中させる低強度集束超音波(LIFU、または混乱を招くことにfUSとも呼ばれる)と自然に組み合わされます。造影剤や遺伝子治療を活用した拡張機能は、血行動態応答を超えて、超解像度で血管系を測定したり、神経活動を直接測定したりすることも可能です。超音波は頭蓋骨を容易に貫通できませんが、fUSIは術中や、頭蓋再建手術後に音響的に透明な頭蓋インプラントを受けた患者で実証されています。
昨年、私はfUSIについて深く掘り下げましたが、技術的な情報の多くは、応用論文の方法論セクションに隠されているか、超音波イメージング全般に関する長い書籍に散らばっていることがわかりました。fUSIは血行動態応答を捉えますが、それはどのように機能するのでしょうか?コントラストの源は何でしょうか?血流または血量を測定するのでしょうか?頭部の動きにはどのように対処するのでしょうか?そもそも超音波とは何でしょうか?
私はこの分野に深く入り込み、800ページの教科書をほぼ通読しました。そのため、あなたがそれを読む必要はありません。fUSIが物理的にどのように機能し、どのように解析されるかを解説します。これにより、fUSIを計算論的に研究するための良い基盤が得られるでしょう。fUSIシミュレーションで利用可能な解析ツールキットの多くはMatlabでロックされているため、Githubに一連のPythonチュートリアルを投稿しました。これにより、あなた(またはあなたのエージェント)はそれに従うことができます。この記事の終わりには、fUSIとは何か、どのように機能するのか、そしてそれがまだその能力の限界に達していない理由を理解できるようになるはずです。
この記事は、2月に投稿したXの記事を大幅に拡張したものです。元の記事に満足できなかったため、再編集しました。このバージョンには、新しい画像とビデオが含まれ、物理学への掘り下げが深く、fUSI信号処理が改善される可能性のある箇所を特定しています。
fUSIの仕組み(概要)
Functional ultrasound imaging は、従来の超音波イメージングと同様に、トランスデューサー(送信機と受信機の両方として機能する)を使用して、組織を通して超音波を伝達します。この超音波は、脳組織内をほとんど妨げられずに伝播し2、赤血球、気泡、または頭蓋骨のようなインピーダンスの変化で後方散乱します。これらの後方散乱波を測定することで、インピーダンスの局所的な変化を計算的に再構成することが可能です。再構成された画像の解像度は、伝達される超音波の波長に比例します。臨床で使われる高周波数の場合、18 MHzで音波を照射すると、最大で約100 µmの線形分解能が得られます。
これで高解像度の構造画像がどのように測定できるかは説明できましたが、機能的イメージングはどうでしょうか?ニューロンが発火するとエネルギーを消費し、それが血管拡張を引き起こし、活動領域に血液が遅れて流入します。これが血行動態です。この血液は、ベースラインとは異なる特性を持っています。量が多い、移動速度が速い、酸素含有量が異なる、色が異なるなどです。fMRI(BOLD)やfNIRSを含む複数の脳イメージングモダリティがこの事実に注目し、これらの特性の一部または全部の変化を測定しています。fUSIは、移動する赤血球が後方散乱波面に建設的および破壊的な干渉のパターンを引き起こすという事実を利用しています。これは、超音波画像におけるスペックルとして知られる細かいテクスチャです。fUSIは脳の画像を非常に高速(キロヘルツ以上)で取得し、時間経過に伴うスペックルの変化を追跡します。これらの画像の変化量は、血流量と血量に関連しています。fUSIで測定される信号の変化率は驚くほど高く、最大20%に達します。これは、fMRIの数パーセントのBOLD信号と比較して非常に大きな値です。
[画像: ブルックリンブリッジの長時間露光、Sarowar2222 / Pixabay]
この仕組みを直感的に理解するためのアナロジー3を説明します。夜のブルックリンブリッジの高解像度画像を、長いシャッタースピードで撮影したと想像してください。水面は滑らかで途切れがないように見えます。しかし、この画像に動きはどこにあるでしょうか?動きを追跡するために、そのシーンのハイスピードムービーを撮影し、標準偏差を使用して、ある時間ウィンドウ内での各ピクセルの明るさがどのように変化するかを測定できます。結果の画像をカラーコーディングすると、潮の流れがなくても、水面のきらめきが明るい赤色で表示されます。これを使用して、水の波立ちを定量化したり、ボートが横切ったときに水がどのように反応するかを測定したりできます。このように、ビデオ分析は流れを明らかにすることができます4。
写真やビデオ撮影について何か知っていれば、この分析計画の欠点がすぐにわかるはずです。フレームレートを上げ、露光時間を短くすると、信号対雑音比(SNR)が許容できないほど低下しないでしょうか?カメラを手持ちで撮影すると、分析が台無しにならないでしょうか?標準偏差を計算するだけで、あまりにも多くの情報を破棄しているのではないでしょうか?実際、ビデオベースのモーション分析を悩ませるのと同じ問題がfUSIにも影響します。これらの問題が詳細にどのように現れるかを見てみましょう。
fUSIの詳細な解説
超高速平面波と再構成
従来の超音波は、集束ビームをスキャンし、それを視野全体にスイープすることで画像を形成します(潜水艦のソナーのような方式)。fUSIは異なる、多重化された戦略を使用します。集束ビームの代わりに、平坦な波面を持つ非集束平面波を送信し、画像面全体を一度に音響照射します。これにより、単一のパルスで画像全体を生成できます。複数の検出器が後方散乱の発生源を解決できます。繰り返しレートは、エコーがトランスデューサーに戻るのにかかる時間によって制限されます。10 cmの往復と1500 m/sの伝播速度の場合、繰り返しレートは15 kHzに達します。実際には、複数の角度と複数の繰り返しで送信された平面波がコヒーレントに合成され、実効フレームレートが管理可能な値に低下します。
[画像: Screenshot 2026-09-29 at 10.17.25 PM.png]
再構成問題は、各素子に対する時間系列が与えられたときに、組織内の散乱体の密度を推測することです。そのためには、超音波が組織内をどのように伝播するかを理解する必要があります。これは物理学™を用いて行うことができます。流体中の音の波動方程式をゼロから導出するのは楽しい演習です。実際、Navier-Stokes方程式の導出と非常に似ていますが、異なる近似が用いられます。均質な背景媒質を仮定すると、伝播方程式を解析的に導出でき、フーリエ変換を用いて方程式をシミュレーションできます。
[画像: image.png]
再構成を実行するには、あるトランスデューサーで時刻 t に信号 s(t) を測定した場合、その信号は空間の小さなスライスからしか来られないことに注意する必要があります。この曖昧さは円錐曲線の一部として現れます。各素子は、波面と組織に関してわずかに異なるジオメトリを持っています。(円錐形の)曖昧さは、円錐曲線を合成することで解決されます。これにはいくつかの方法がありますが、人気のあるものの一つは遅延和ビームフォーミングアルゴリズムです。画像内の各ピクセルについて、音波がトランスデューサーからその点まで往復するのにかかる時間を計算し、その遅延を生の信号に適用し、画像空間でそれらを合計します。建設的干渉が散乱体の位置を明らかにします。
[画像: image.png]
これらの多くの場合と同様に、これを線形再構成問題として捉えることもできます。この場合、感度行列 A は非常に条件が良く、AᵀA 行列は対角行列に近いことがわかります。DASビームフォーミングアルゴリズムは、擬似逆行列を使用するのではなく、行列の転置を信号に掛けることに相当するため、間違っていますが、このより正確なアルゴリズムによって再構成精度で絞れる「ジュース」はほとんどありません。全体として、再構成問題は単純ですが、再構成は複素空間で行われるため、少し微妙な場合があります。詳細はノートブックを参照してください。
[画像: DASアルゴリズムを使用したファントムの再構成。]
DASアルゴリズムを使用したファントムの再構成。
血流の分離
高速で取得された大量の画像スタックが得られたら、標準偏差の移動ウィンドウ推定値を使用して、画像の細かいテクスチャがどのように変化するかを測定できます。これは血量(blood volume)の代理指標となります。これはPower Doppler (PD) 推定値として知られています。この名前は誤解を招きます。PDはドップラー周波数シフトを測定するのではなく、画像の振幅と位相の変化のみを測定します。ビームに沿った動きとそれに垂直な動きの両方に感度があります。これは、複素再構成の標準偏差を取ることで計算されます。シミュレーションと解析解は、PDが主に移動散乱体の数に感度があり、速度にはそれほど感度がないことを示しています(詳細はノートブックを参照)。
[画像: クランプフィルタリングは、機能的超音波イメージングにおける重要なステップです。Rabutら(2024)より。]
クランプフィルタリングは、機能的超音波イメージングにおける重要なステップです。Rabutら(2024)より。
Power Doppler推定値の問題点の一つは、血行動態応答によるものではない全体的な動き(例:カメラを手で持つ、ブルックリンブリッジのアナロジー)に非常に敏感であることです。脳イメージングでは、すべてが動きます。脈拍や呼吸がプローブや組織を動かし(脳は温かいバターのような質感を持っていることを思い出してください!)、被験者の動きは頭部を通して伝達されます。古典的な解決策は、クランプフィルタリング(clutter filtering)と呼ばれます。これは、生の画像シーケンスを取得し、SVD(特異値分解)を使用して時間と空間にわたる分解における主要な項を見つけ、それらを破棄します。
実際には、クランプフィルタリングは画像シーケンスのバリアンスの99%以上を破棄することがよくあります。これはかなり大雑把な手段であり、おそらく必要以上に多くの情報を破棄しています。より良い解決策は、区分的剛体運動推定器を使用して動きを直接推定およびキャンセルすることです。例えば、カルシウムイメージング解析にも使用されるNoRMCorreを使用して、(より穏やかな)クランプフィルタリングの前に全体的な動きを補正することです。
また、局所的な赤血球の動きの最良の推定値が標準偏差であるとは限りません。ここで他の分野からインスピレーションを得ることができます。拡散相関分光法(光の干渉と破壊干渉を使用してサンプルに関する情報を推測する)では、散乱体の動きは標準偏差からではなく、信号の自己相関関数から読み取られます。Power Doppler信号が主に散乱体の数(脳血流量)に感度がある場合、自己相関の減衰時間は速度(脳血流)に比例します。これは、Tangら(2020)によって実証されたように、研究のための直交チャネルを提供する可能性があります。
[画像: 自己相関(b2)を使用すると、散乱体の数や量ではなく、血流速度(d)を推定できます。Tangら(2020)より。]
自己相関(b2)を使用すると、散乱体の数や量ではなく、血流速度(d)を推定できます。Tangら(2020)より。
最後に、これらの信号処理をすべて省略し、エンドツーエンドのディープラーニング手法を使用して画像シーケンスをデコード用に埋め込むことを想像できます。残念ながら、このデータはほとんど自由に入手できないため、実際のデータでfUSIの基盤モデルをトレーニングすることはできませんが、シミュレーションで対応できる可能性があります。ディープラーニング手法が最終的に毎秒数千フレームを処理できることを確認するだけで済みます。
データの解析
Rabutら(2024)の場合のように、患者がジョイスティックを使用してさまざまな方法で画像をペイントするように指示されるパラダイムで、運動野のデクラッターされたPower Doppler信号を測定すると仮定します。外部信号に時間的に同期していると予想される活動を持つこの種の時系列は、fMRIの解析に使用される方法の一部で効果的に解析できます。つまり、GLM(一般化線形モデル)、デコーディングおよびエンコーディングモデル、MVPA(多変量パターン解析)、およびそれらのすべてのバリアントです。例えば、GLMを使用して、運動意図によって変調されるボクセルを見つけることができます。デコーダー(例:ロジスティック回帰)を使用して、患者がどの方向にジョイスティックを動かそうとしたかを判断できます。
[画像: image.png]
興味深い未解決の質問の1つは、デコーディング精度に関して、fUSIの追加解像度がfMRIと比較してどれだけ有利になるかということです。これは、デコードされる変数に依存するでしょう。いくつかの重要な変数は、網膜地図(retinotopy)や体性感覚地図(somatotopy)のように、皮質多様体上で滑らかにエンコードされています。他の側面は、はるかに細かい粒度で散在しています。一次視覚野の配向選択性はその一例です。より細かい粒度でエンコードされた変数が、滑らかにエンコードされた変数よりも多く利益を得ると考えるのは自然です。この質問に答えることは、ブレイン・マシン・インターフェースへのfUSIの適用可能性(デコードできる運動の粒度はどれくらいか?)や、神経精神疾患への適用可能性(異質なニューロン集団から主観的価値をデコードしてそれを操作できるか?)を限定するために重要です。
[画像: Rabutら(2024)より。ホットスポット(右側)は、見える静脈の上ではなく、その周囲にクラスター化していることに注意してください。]
Rabutら(2024)より。ホットスポット(右側)は、見える静脈の上ではなく、その周囲にクラスター化していることに注意してください。
しかし、ある解像度を超えると、信号は血管系のトポロジーによって制限されます。数個のニューロンに栄養を供給し、排出する毛細血管レベルの信号は、最大限の選択性を持っていますが、非常に小さいです。対照的に、太い静脈はfUSIで検出できるほど大きな信号を運びますが、選択性の異なる大きな排出領域を平均化するため、選択性が低い可能性があります。これは、衛星によるリモートセンシングでミシシッピ川の汚染物質レベルを読み取るようなものです。川が1マイル幅になっているニューオーリンズでは多くの信号が得られますが、その時点での流域が大陸の大部分をカバーしているため、汚染源を解像することはできません。
静脈細管(venules)がスイートスポットである可能性が高いです。実際、GLMで導出されたfUSIの活性化画像は印象的なパターンを示しています。最もよく変調される信号は、(はっきりと見える)太い静脈の上ではなく、それらの静脈の周辺にあるようです。これは静脈細管であると推測されます。
結論
fUSIはまだ初期段階です。このモダリティは高いポテンシャルを秘めており、成長の余地がたくさんあります。特別な機器にアクセスできなくても、ここで触れたように、意欲的な計算神経科学者や機械学習エンジニアがその解析を改善できるプロジェクトがいくつかあります。
fUSIの成長パスの大きな部分は、それをよりアクセスしやすくすることです。約1年前にfUSIを見始めたとき、AIエージェントは超音波伝播を正しくシミュレートしたり、遅延和ビームフォーミングを正しくコーディングしたりできませんでした。そのため、このエッセイで議論した内容を紹介し、それがどのように機能するかを理解してもらうために、4つのノートブックを作成しました。超音波伝播、構造再構成、機能再構成、そして実データ解析です。[ノートブックはオープンソースです。あなたの貢献とプルリクエストはいつでも歓迎します。](https://github.com/patrickmineault/fus)
Midjourneyスキャナーも構造的超音波の例ですが、ソングラムとは異なり、後方散乱に加えて、送信構成での減衰と遅延を使用します。
剛体の頭蓋骨が邪魔にならない場合。
これはかなり正確なアナロジーですが、コントラストの源はスペックルではなく、光のランダムな相対角度と水面です。
関連する技術セットには、ビデオエラストグラフィやオイラー拡大(Eulerian magnification)があります。これらの方法は、通常の画像、超音波、または光干渉断層計(OCT)に適用できます。
投稿なし