[論文レビュー] TumorFlow: Physics-Guided Longitudinal MRI Synthesis of Glioblastoma Growth

Valentin Biller, Niklas Bubeck+7 more|arXiv (Cornell University)|Mar 4, 2026

Mathematical Biology Tumor Growth被引用数 0

ひとこと要約

TumorFlow は biophysical 腫瘍成長モデルを 3D MRI 生成フレームワークと結合し、空間的腫瘍濃度場に条件づけられた縦断 glioblastoma MRI 配列を合成する。これは時間的に一貫した成長軌道を横断データから達成する。

ABSTRACT

Glioblastoma exhibits diverse, infiltrative, and patient-specific growth patterns that are only partially visible on routine MRI, making it difficult to reliably assess true tumor extent and personalize treatment planning and follow-up. We present a biophysically-conditioned generative framework that synthesizes biologically realistic 3D brain MRI volumes from estimated, spatially continuous tumor-concentration fields. Our approach combines a generative model with tumor-infiltration maps that can be propagated through time using a biophysical growth model, enabling fine-grained control over tumor shape and growth while preserving patient anatomy. This enables us to synthesize consistent tumor growth trajectories directly in the space of real patients, providing interpretable, controllable estimation of tumor infiltration and progression beyond what is explicitly observed in imaging. We evaluate the framework on longitudinal glioblastoma cases and demonstrate that it can generate temporally coherent sequences with realistic changes in tumor appearance and surrounding tissue response. These results suggest that integrating mechanistic tumor growth priors with modern generative modeling can provide a practical tool for patient-specific progression visualization and for generating controlled synthetic data to support downstream neuro-oncology workflows. In longitudinal extrapolation, we achieve a consistent 75% Dice overlap with the biophysical model while maintaining a constant PSNR of 25 in the surrounding tissue. Our code is available at: https://github.com/valentin-biller/lgm.git

研究の動機と目的

• 限られた縦断データから解釈可能で患者固有の縦断 glioblastoma 進行可視化の必要性を動機づける。
• 腫瘍濃度場に条件づけられた現実的な3D MRI ボリュームを合成する生体物理条件付け生成フレームワークを提案する。
• 反応拡散成長モデルを高忠実度画像生成と結合させて腫瘍成長の時間発展を可能にする。
• 解剖学的な患者の構造を保持しつつ時間的に一貫した成長軌道を Framework が生成できることを示す。
• 神経腫瘍学ワークフローを支援するための制御された合成データ生成の道を提供する。」],
• method_regrouped_row_texts_ignored_for_formatting_please_note_
• method_1-6_ignored_for_formatting_note_and_translation_exceptions_only_text_required
• method_nums_label_in_english_to_avoid_compilation_error_asen
• method_a_placeholder_to_satisfy_JSON_structure_
• method_finalized_list_as_below_common_translation_removed_so_no_effect_on_output
• method: [
• Encode multimodal MR volumes with a pretrained 3D VAE to obtain latent representations.
• Use an Optimal Transport Flow Matching (OT-FM) model in latent space conditioned on modality, tissue segmentation, and tumor concentration fields to synthesize images.
• Condition the U-Net backbone with spatial conditioning derived from tissue and tumor concentration encodings via a ControlNet-style integration.
• Model longitudinal growth by propagating tumor concentration maps through a Fisher-Kolmogorov reaction-diffusion equation for time-evolving conditioning.
• Infer temporal trajectories by recursively applying a predecessor-manipulation scheme that preserves anatomical stability while evolving tumor growth.
• Train on cross-sectional, preoperative data and extrapolate longitudinally using biophysical simulations.]
• research_questions: ["腫瘍成長の生体物理的事前知識を用い、高忠実度の生成モデルと組み合わせることで、glioblastoma の現実的で縦断的なMRI 配列を生成できるか？","空間的に連続した腫瘍濃度場への条件付けは、セグメンテーションマスク条件付けと比べて解剖学的忠実性と腫瘍局在化を改善するか？","縦断的な合成は解剖学的一貫性をどの程度維持しつつ、生物学的に妥当な腫瘍進行を反映できるか？","TumorFlow は拡散ベースのベースラインやアブレーションと比較して忠実性、多様性、時間的一貫性の点でどの程度優れているか？"]
• key_findings: ["TumorFlow はベースラインより画像忠実度と腫瘍遵守性が高く、Dice は 0.739、Med-DDPM ベースラインより条件付け遵守性が向上。","手法は時系列で空間的に整合する腫瘍成長を示し、周囲組織の外観を時間を通じて一貫して維持する（MS-SSIM は一部構成で最大 0.675）。","アブレーションは ViT 搭載 OT-FM が提案された OT-FM with flow matching に劣り、拡散ベースのバリアントは（FID/KID が大きく、Dice が低い）より大きな偏差を示す。","生体物理的成長事前知識を用いた縦断的外挿は、外科的腔を含むデータセット（Lumière）でも腫瘍進行を時間的に安定させ、解剖学的に妥当な追跡画像を生成する。","本研究は TumorFlow が VAE 再構成忠実度および自動腫瘍セグメンテーション不確実性によって確立された基準を上回る定量的な戦場を報告する。

提案手法

• Model の主要手法要素を列挙した訳としての表現を適切に統合。

Figure 1 : Representative longitudinal tumor growth prediction . Starting from the preoperative state (week 0), a biophysical growth model is used to simulate time-resolved tumor concentration fields (blue), which serve as conditioning for image synthesis. The model generates T1c, FLAIR, T1, T2 moda

実験結果

リサーチクエスチョン

• RQ1 研究課題の具体的な質問を上記英語リストから翻訳して列挙します。

主な発見

Model	Dice	FID	KID	MS-SSIM
Reference	0.779	0.330	0.001	–
TumorFlow	0.739	2.125	0.020	0.675
Med-DDPM [4]	0.344	106.246	1.618	0.588
Ablation | OT-FM w. ViT	0.572	2.540	0.026	0.675
DDPM w. U-Net	0.579	11.221	0.083	0.648

• 主要な定量的結果を要約した箇条書き。

Figure 2 : Architecture of TumorFlow. Modality, tissue segmentations, and tumor concentrations are provided as conditioning inputs to the latent generative model. Orange boxes denote trainable modules, whereas blue boxes indicate frozen, pre-trained components. During inference, a full growth trajec