Learning Spatio-Temporal Model of Disease Progression with NeuralODEs from Longitudinal Volumetric Data

要約

進行中の疾患によって引き起こされる将来の解剖学的変化を頑健に予測することは、経験豊富な医療専門家でも手に負えない非常に困難な課題である。しかし、このような能力は、入院段階ですでに疾患の進行速度に関する情報を提供することによって患者管理を改善することができ、あるいは、デジタルツインによって、進行の速い患者による臨床試験の充実と対照群の必要性を回避できるため、非常に重要なものである。本研究では、1つの医療スキャンを処理し、将来の要求された時点における対象解剖学のセグメンテーションを提供することにより、加齢性疾患の進化をモデル化する深層学習法を開発する。本手法は、時間不変の物理プロセスを表現し、NeuralODEを活用したピクセルレベルの時間的変化のモデル化という大規模な問題を解決する。さらに、本手法にドメイン固有の事前制約を組み込むアプローチを示し、時間的目標を学習するための時間的ダイス損を定義する。提案手法の適用性を評価するために，100人の地理的萎縮症患者の網膜OCTボリューム967個と，633人のアルツハイマー病患者の脳MRIボリューム2823個のデータセットを用いて，提案手法を開発し，テストを行った．Geographic Atrophyについては、提案手法は、関連するベースラインモデルよりも萎縮成長予測において優れていました。また，アルツハイマー病では，提案手法はアルツハイマー病によって引き起こされる脳室変化を予測し，TADPOLEチャレンジで最新の結果を得ることができました．

要約(オリジナル)

Robust forecasting of the future anatomical changes inflicted by an ongoing disease is an extremely challenging task that is out of grasp even for experienced healthcare professionals. Such a capability, however, is of great importance since it can improve patient management by providing information on the speed of disease progression already at the admission stage, or it can enrich the clinical trials with fast progressors and avoid the need for control arms by the means of digital twins. In this work, we develop a deep learning method that models the evolution of age-related disease by processing a single medical scan and providing a segmentation of the target anatomy at a requested future point in time. Our method represents a time-invariant physical process and solves a large-scale problem of modeling temporal pixel-level changes utilizing NeuralODEs. In addition, we demonstrate the approaches to incorporate the prior domain-specific constraints into our method and define temporal Dice loss for learning temporal objectives. To evaluate the applicability of our approach across different age-related diseases and imaging modalities, we developed and tested the proposed method on the datasets with 967 retinal OCT volumes of 100 patients with Geographic Atrophy, and 2823 brain MRI volumes of 633 patients with Alzheimer’s Disease. For Geographic Atrophy, the proposed method outperformed the related baseline models in the atrophy growth prediction. For Alzheimer’s Disease, the proposed method demonstrated remarkable performance in predicting the brain ventricle changes induced by the disease, achieving the state-of-the-art result on TADPOLE challenge.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL