Physics-Regularized Multi-Modal Image Assimilation for Brain Tumor Localization

要約

偏微分方程式の形式の物理モデルは、多くの制約が不十分な問題に対する重要な事前分布を表します。
一例は腫瘍治療計画であり、これは患者の解剖学的構造における腫瘍細胞の空間分布の正確な推定に大きく依存します。
医療画像スキャンでは腫瘍の大部分を特定できますが、その完全な空間分布を明らかにすることはできません。
たとえば、最も頻度の高い原発性脳腫瘍である神経膠芽腫では、低濃度の腫瘍細胞は検出できないままです。
深層学習ベースのアプローチでは、信頼できるトレーニング データが不足しているため、完全な腫瘍細胞の分布を推定できません。
したがって、既存の研究のほとんどは、観察された腫瘍と一致する物理ベースのシミュレーションに依存しており、解剖学的および生理学的に妥当な推定を提供しています。
ただし、これらのアプローチは複雑で未知の初期条件に対処するのが難しく、過度に厳密な物理モデルによって制限されます。
この研究では、データ駆動型のコスト関数と物理ベースのコスト関数のバランスを取る新しい方法を紹介します。
特に、学習した腫瘍および脳組織の分布の対応する成長および弾性方程式への適合性を定量化する独自の離散化スキームを提案します。
この定量化は、厳密な制約ではなく正則化用語として機能するため、既存のモデルよりも患者データを同化する際の柔軟性と熟練度が向上します。
私たちは、患者コホートから得た現実世界のデータで、既存の技術と比較して腫瘍再発領域のカバー率が向上していることを実証します。
この方法は、神経膠芽腫に対するモデルに基づく治療計画の臨床導入を強化する可能性を秘めています。

要約(オリジナル)

Physical models in the form of partial differential equations represent an important prior for many under-constrained problems. One example is tumor treatment planning, which heavily depends on accurate estimates of the spatial distribution of tumor cells in a patient’s anatomy. Medical imaging scans can identify the bulk of the tumor, but they cannot reveal its full spatial distribution. Tumor cells at low concentrations remain undetectable, for example, in the most frequent type of primary brain tumors, glioblastoma. Deep-learning-based approaches fail to estimate the complete tumor cell distribution due to a lack of reliable training data. Most existing works therefore rely on physics-based simulations to match observed tumors, providing anatomically and physiologically plausible estimations. However, these approaches struggle with complex and unknown initial conditions and are limited by overly rigid physical models. In this work, we present a novel method that balances data-driven and physics-based cost functions. In particular, we propose a unique discretization scheme that quantifies the adherence of our learned spatiotemporal tumor and brain tissue distributions to their corresponding growth and elasticity equations. This quantification, serving as a regularization term rather than a hard constraint, enables greater flexibility and proficiency in assimilating patient data than existing models. We demonstrate improved coverage of tumor recurrence areas compared to existing techniques on real-world data from a cohort of patients. The method holds the potential to enhance clinical adoption of model-driven treatment planning for glioblastoma.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google