[論文レビュー] Treatment-aware Diffusion Probabilistic Model for Longitudinal MRI Generation and Diffuse Glioma Growth Prediction

Qinghui Liu, Elies Fuster‐García+10 more|arXiv (Cornell University)|Sep 11, 2023

Mathematical Biology Tumor GrowthMathematics被引用数 3

ひとこと要約

本稿では、逐次的MRIスキャンおよび治療履歴を条件として、現実的な縦断的多パラメトリックMRIを生成し、不鮮明な膠腫瘍の成長を不確実性推定とともに予測する治療感受性のある拡散確率的モデル（TaDiff）を提案する。このモデルは、共同学習を用いたノイズ除去拡散プロセスを活用し、将来のスキャンと腫瘍マスクの合成を可能にし、不確実性を定量化した個別化された治療計画を実現する。

ABSTRACT

Diffuse gliomas are malignant brain tumors that grow widespread through the brain. The complex interactions between neoplastic cells and normal tissue, as well as the treatment-induced changes often encountered, make glioma tumor growth modeling challenging. In this paper, we present a novel end-to-end network capable of future predictions of tumor masks and multi-parametric magnetic resonance images (MRI) of how the tumor will look at any future time points for different treatment plans. Our approach is based on cutting-edge diffusion probabilistic models and deep-segmentation neural networks. We included sequential multi-parametric MRI and treatment information as conditioning inputs to guide the generative diffusion process as well as a joint segmentation process. This allows for tumor growth estimates and realistic MRI generation at any given treatment and time point. We trained the model using real-world postoperative longitudinal MRI data with glioma tumor growth trajectories represented as tumor segmentation maps over time. The model demonstrates promising performance across various tasks, including generating high-quality multi-parametric MRI with tumor masks, performing time-series tumor segmentations, and providing uncertainty estimates. Combined with the treatment-aware generated MRI, the tumor growth predictions with uncertainty estimates can provide useful information for clinical decision-making.

研究の動機と目的

• 縦断的MRIデータにおける複雑で治療に影響を受ける不鮮明な膠腫瘍の成長ダイナミクスをモデル化する課題に対処すること。
• 治療履歴を条件要因として組み込むことにより、従来の反応拡散モデルや治療に無関心なディープラーニング手法の限界を克服すること。
• 予測の不確実性を定量化しながら、将来のMRIと腫瘍セグメンテーションマスクのエンドツーエンド生成を可能にすること。
• 異なる治療シナリオ下での腫瘍の進化をシミュレートすることにより、個別化された治療計画を支援すること。
• 画像、治療、不確実性を統合した臨床的解釈可能なフレームワークを提供し、意思決定を改善すること。

提案手法

• 将来のMRIをソースMRI系列と治療情報から合成するために、生成の基盤としてノイズ除去拡散確率的モデル（DDPM）を採用する。
• 治療履歴（例：化学的放射線治療、テモゾロマイド）および時間経過に伴う治療変更を条件として、治療感受性のある埋め込みを統合する。
• 腫瘍マスクの予測とMRIの再構築を同時に実行する共同学習戦略を採用し、マルチタスクの監視によるエンドツーエンド学習を可能にする。
• 推論時に確率的サンプリングを適用することで、予測のアンサンブルを暗黙的に形成し、複数のサンプル間の分散を用いて不確実性を推定する。
• 逆方向の拡散プロセスをソースMRI系列と治療埋め込みの両方に条件づけることで、時間に依存する現実的な腫瘍の進化軌道を生成する。
• 2次元U-Netベースのエンコーダーとクロスアテンション機構を用いて、多パラメトリックMRI系列内の空間的・時間的依存性をモデル化する。

実験結果

リサーチクエスチョン

• RQ1 拡散ベースの生成モデルは、縦断的MRIと治療履歴を条件として、将来の膠腫瘍の成長パターンを効果的に予測できるか？
• RQ2 本モデルは、異なる治療プロトコル下での腫瘍の進化を反映した現実的で多パラメトリックなMRIをどれほどうまく生成できるか？
• RQ3 確率的サンプリングを用いることで、腫瘍の成長予測における不確実性をどの程度正確に定量化できるか？
• RQ4 治療情報の組み込みにより、治療に無関心なモデルと比較して、予測の正確性と臨床的妥当性がどの程度向上するか？
• RQ5 二次的膠腫瘍や術後進行例など、稀または複雑な症例において、本モデルの予測性能はどの程度頑健か？

主な発見

• TaDiffモデルは、多様な治療シナリオと時間点において、高品質な合成MRIと現実的な腫瘍マスクを成功裏に生成した。
• 腫瘍の成長予測は、テストケースの80％で真値と強く一致し、生成画像における腫瘍セグメンテーションの平均Diceスコアは0.75以上を達成した。
• 複数の確率的サンプルから導出された不確実性マップは、特に初期および後期の成長段階において、予測のばらつきが大きい領域を効果的に捉えた。
• 二次的膠腫瘍（例：P-2）や第二回目の手術後の進行（例：P-1）の症例では過剰予測が見られたが、これは稀または複雑な治療履歴に敏感であることを示している。
• 若年齢および侵略的腫瘍特性（例：P-1）を示す患者では、221～365日範囲で不確実性が高くなる傾向を示し、生物学的ばらつきにモデルが敏感であることを示した。
• 本モデルの性能は、二次的膠腫瘍などの希少サブタイプや第二回目の手術などの複雑な介入の訓練データが不足していることによって制限されており、より大規模で多様なデータセットの必要性を示している。