[논문 리뷰] Treatment-aware Diffusion Probabilistic Model for Longitudinal MRI Generation and Diffuse Glioma Growth Prediction

Qinghui Liu, Elies Fuster‐García외 10명|arXiv (Cornell University)|2023. 09. 11.

Mathematical Biology Tumor GrowthMathematics인용 수 3

한 줄 요약

이 논문은 순차적인 MRI 스캔과 치료력 정보를 조건으로 하여 실재성 있는 종방향 다중 매개변수 MRI를 생성하고, 불확실성 추정을 포함한 만성 뇌신생물 종양 성장 예측을 수행하는 치료 인지 확률적 모델(TaDiff)을 제안한다. 이 모델은 복합적인 노이즈 제거 확률적 과정을 활용하여 미래 스캔과 종양 마스크를 동시에 합성함으로써 개인 맞춤형 치료 계획 수립과 함께 불확실성 측정이 가능한 방식을 제공한다.

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.

연구 동기 및 목표

• 종방향 MRI 데이터에서 복잡한 치료 영향을 받는 만성 뇌신생물 종양 성장 역학을 모델링하는 과제 해결.
• 기존의 반응-확산 모델과 치료 무관 기반 딥 러닝 접근 방식의 한계를 극복하기 위해 치료력 정보를 조건으로 하는 인자 통합.
• 예측 불확실성 정량화와 함께 향후 MRI와 종양 세그멘테이션 마스크를 종단 간 생성 가능하게 하기.
• 다양한 치료 시나리오 하에서 종양 진화를 시뮬레이션함으로써 개인 맞춤형 치료 계획 지원.
• 영상, 치료, 불확실성 요소를 통합한 임상적으로 해석 가능한 프레임워크 제공으로 의사결정 향상.

제안 방법

• 기본 생성 모델로 노이즈 제거 확률적 모델(DDPM)을 활용하여 원천 MRI 시퀀스와 치료 정보로부터 향후 MRI를 합성.
• 치료 인지 임bedding을 통합하여 확률적 과정이 치료력(예: 화학방사요법, 테모졸로omid) 및 시간에 따른 치료 변화를 조건으로 하도록 설계.
• 종양 마스크 예측과 MRI 재구성 동시 수행을 위한 공동 학습 전략을 적용하여 다중 작업 감독 하에 종단 간 훈련 가능.
• 추론 시 확률적 샘플링을 적용하여 암시적 앙상블 예측을 형성하고, 샘플 간 분산을 통해 불확실성 추정 가능.
• 역방향 확률적 과정을 원천 MRI 시퀀스와 치료 임bedding에 조건화하여 시간 조건부이며 현실적인 종양 진화 궤적 생성.
• 2D U-Net 기반 인코더와 교차 어텐션 메커니즘을 활용하여 다중 매개변수 MRI 시퀀스 내 시공간적 의존성 모델링.

실험 결과

연구 질문

• RQ1 확률적 생성 모델 기반으로 종방향 MRI와 치료력 정보를 조건으로 하여 향후 뇌신생물 종양 성장 패턴을 효과적으로 예측할 수 있는가?
• RQ2 모델이 다양한 치료 루틴 하에서 종양 진화를 반영하는 실재성 있는 다중 매개변수 MRI를 얼마나 잘 생성하는가?
• RQ3 확률적 샘플링을 통해 종양 성장 예측의 불확실성을 어느 정도 정량화할 수 있는가?
• RQ4 치료력 정보 통합이 치료 무관 모델 대비 예측 정확도 향상과 임상적 관련성 향상에 기여하는 정도는?
• RQ5 이차성 뇌신생물 또는 수술 후 진행성과 같은 희귀 또는 복잡한 케이스의 예측에 대해 모델의 내성은 어느 정도인가?

주요 결과

• TaDiff 모델은 다양한 치료 시나리오와 시간대에서 실재성 있는 종양 마스크를 갖춘 고품질 합성 MRI를 성공적으로 생성하였다.
• 테스트 케이스의 80%에서 실제값과 강한 일치를 보이며 종양 세그멘테이션에 대해 평균 Dice 점수 0.75 초과를 기록하였다.
• 다중 확률적 샘플에서 유도된 불확실성 맵은 특히 초기 및 후기 성장 단계에서 높은 예측 변동성 영역을 효과적으로 포착하였다.
• 이차성 뇌신생물(P-2) 및 제2차 수술 후 진행성(P-1) 케이스에서는 과도 예측을 보이며 희귀 또는 복잡한 치료력 이력에 민감함을 나타내었다.
• 젊은 연령과 공격적인 종양 표현형(예: P-1) 환자에서는 221–365일 범위에서 높은 불확실성 나타내었으며, 생물학적 변동성에 대한 모델 민감도 반영.
• 희귀 아형(예: 이차성 뇌신생물) 및 복잡한 치료(예: 제2차 수술)에 대한 훈련 데이터 부족으로 인해 성능 제한됨을 확인하여 더 큰 다양성 있는 데이터셋 필요성 강조.