Efficient Deep Learning-based Forward Solvers for Brain Tumor Growth Models

要約

膠芽腫は進行性の高い脳腫瘍であり、その予後不良と高い罹患率により大きな課題を引き起こしています。
偏微分方程式に基づくモデルは、患者固有の腫瘍挙動をシミュレートして放射線治療計画を改善することにより、治療結果を向上させる有望な可能性をもたらします。
ただし、モンテカルロ サンプリングや進化的アルゴリズムなどの最適化手法では高い計算量が要求されるため、モデルのキャリブレーションは依然としてボトルネックとなっています。
これに対処するために、私たちは最近、勾配ベースの最適化を備えたニューラル フォワード ソルバーを活用してキャリブレーション時間を大幅に短縮するアプローチを導入しました。
このアプローチには、高精度で完全に微分可能なフォワード モデルが必要です。
私たちは、(i) 強化された TumorSurrogate、(ii) 修正された nnU-Net、および (iii) 3D Vision Transformer (ViT) を含む複数のアーキテクチャを調査します。
最適化された TumorSurrogate は全体的に最高の結果を達成し、腫瘍輪郭の一致と腫瘍細胞濃度のボクセルレベルの予測の両方で優れていました。
ベースラインモデルと比較して MSE が半分になり、すべての腫瘍細胞濃度閾値にわたって最高の Dice スコアが達成されました。
私たちの研究は、フォワード ソルバーのパフォーマンスが大幅に向上していることを実証し、将来の重要な研究の方向性を概説しています。

要約(オリジナル)

Glioblastoma, a highly aggressive brain tumor, poses major challenges due to its poor prognosis and high morbidity rates. Partial differential equation-based models offer promising potential to enhance therapeutic outcomes by simulating patient-specific tumor behavior for improved radiotherapy planning. However, model calibration remains a bottleneck due to the high computational demands of optimization methods like Monte Carlo sampling and evolutionary algorithms. To address this, we recently introduced an approach leveraging a neural forward solver with gradient-based optimization to significantly reduce calibration time. This approach requires a highly accurate and fully differentiable forward model. We investigate multiple architectures, including (i) an enhanced TumorSurrogate, (ii) a modified nnU-Net, and (iii) a 3D Vision Transformer (ViT). The optimized TumorSurrogate achieved the best overall results, excelling in both tumor outline matching and voxel-level prediction of tumor cell concentration. It halved the MSE relative to the baseline model and achieved the highest Dice score across all tumor cell concentration thresholds. Our study demonstrates significant enhancement in forward solver performance and outlines important future research directions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google