A Learnable Prior Improves Inverse Tumor Growth Modeling

要約

特に偏微分方程式 (PDE) を含む生物物理モデリングは、個々の患者に合わせて疾患治療プロトコルを調整する大きな可能性をもたらします。
ただし、これらのモデルの逆問題解決の側面には、モデルベースのアプローチの高い計算要件、または深層学習 (DL) 手法の堅牢性の限界のいずれかにより、大きな課題が生じます。
私たちは、両方のアプローチの独自の強みを相乗的に活用する新しいフレームワークを提案します。
私たちの方法には、初期パラメータ推定用の DL アンサンブルが組み込まれており、この DL ベースの事前分布で初期化される効率的な下流の進化的サンプリングが容易になります。
私たちは、磁気共鳴画像から脳腫瘍細胞濃度を推定する際に、高速深層学習アルゴリズムと高精度進化戦略を統合することの有効性を紹介します。
DL-Prior は極めて重要な役割を果たし、有効なサンプリング パラメータ空間を大幅に制限します。
この削減により、収束が 5 倍高速化され、Dice スコアが 95% になります。

要約(オリジナル)

Biophysical modeling, particularly involving partial differential equations (PDEs), offers significant potential for tailoring disease treatment protocols to individual patients. However, the inverse problem-solving aspect of these models presents a substantial challenge, either due to the high computational requirements of model-based approaches or the limited robustness of deep learning (DL) methods. We propose a novel framework that leverages the unique strengths of both approaches in a synergistic manner. Our method incorporates a DL ensemble for initial parameter estimation, facilitating efficient downstream evolutionary sampling initialized with this DL-based prior. We showcase the effectiveness of integrating a rapid deep-learning algorithm with a high-precision evolution strategy in estimating brain tumor cell concentrations from magnetic resonance images. The DL-Prior plays a pivotal role, significantly constraining the effective sampling-parameter space. This reduction results in a fivefold convergence acceleration and a Dice-score of 95%

arxiv情報

提供元, 利用サービス

arxiv.jp, Google