[논문 리뷰] TumorFlow: Physics-Guided Longitudinal MRI Synthesis of Glioblastoma Growth

Valentin Biller, Niklas Bubeck외 7명|arXiv (Cornell University)|2026. 03. 04.

Mathematical Biology Tumor Growth인용 수 0

한 줄 요약

TumorFlow는 생물물리 기반의 종양 성장 모델과 3D MRI 생성 프레임워크를 결합하여 공간 종양 농도 필드에 조건화된 시계열 교차 데이터로부터 시간적으로 일관된 성장 궤적을 달성하며, 종양성 뇌종양 MRI 시퀀스를 합성합니다.

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

연구 동기 및 목표

• 제한된 종단 데이터로부터 해석 가능하고 환자별 장기 진행 시각화의 필요성을 제시한다.
• 종양 농도 필드에 조건화된 현실적인 3D MRI 부피를 합성하기 위한 생물물리 기반 조건화 생성 프레임워크를 제안한다.
• 시간에 따른 조건화를 위해 반응-확산 성장 모델과 고충실도 이미지 생성을 연결한다.
• 환자 해부학적 구조를 보존하면서 시간적으로 일관된 성장 궤적을 생성할 수 있음을 시연한다.
• 신경종양학 워크플로를 지원하기 위한 제어된 합성 데이터를 생성하는 경로를 제공한다.

제안 방법

• 사전 학습된 3D VAE로 다중 모달 MR 부피를 인코딩하여 잠재 표현을 얻는다.
• 잠재 공간에서 모달리티, 조직 구분, 종양 농도 필드에 조건화된 Optimal Transport Flow Matching (OT-FM) 모델을 사용해 이미지를 합성한다.
• 조직 및 종양 농도 인코딩에서 파생된 공간 조건화를 ControlNet 스타일의 통합을 통해 U-Net 백본에 적용한다.
• 시간에 따른 조건화를 위해 Fisher-Kolmogorov 반응-확산 방정식을 통해 종양 농도 맵을 전파하여 종양의 시간적 성장을 모델링한다.
• 종양 성장을 진화시키면서 해부학적 안정성을 유지하는 선행자 조작 방식(predecessor-manipulation scheme)을 재귀적으로 적용해 시간적 궤적을 추정한다.
• 단면 및 수술 전 데이터를 학습하고 생물물리 시뮬레이션을 이용해 종단적으로 외삽한다.

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

실험 결과

연구 질문

• RQ1 생물물리적 종양 성장 사전지식이 높은 충실도 생성 모델과 결합될 때 뇌종양 성장의 현실적이고 시간적 MRI 시퀀스를 생성할 수 있는가?
• RQ2 연속적으로 공간 분포된 종양 농도 필드에 조건화하는 것이 분할 마스크 조건화와 비교하여 해부학적 정밀도와 종양 위치 정확도를 향상시키는가?
• RQ3 생물학적으로 타당한 종양 진행을 반영하면서 종단적 합성이 해부학적 일관성을 어느 정도까지 유지할 수 있는가?
• RQ4 해상도, 다양성, 시간적 일관성 측면에서 확산 기반 베이스라인 및 제거 실험과 비교하여 TumorFlow의 성능은 어떤가?

주요 결과

• TumorFlow는 베이스라인보다 이미지 충실도와 종양 부착성을 더 높게 달성하며, Dice 0.739를 기록하고 Med-DDPM 베이스라인 대비 조건화 부착이 향상된다.
• 본 방법은 공간적으로 일관된 종양 성장을 제공하고 시간에 따라 주변 조직 외관의 일관성을 유지한다(일부 구성에서 MS-SSIM 최대 0.675).
• 제외(ABlations) 결과는 ViT를 포함한 OT-FM이 제안된 flow matching OT-FM에 비해 성능이 떨어지며 확산 기반 변형은 더 큰 편차를 보인다(FID/KID 증가 및 Dice 감소).
• 생물물리적 성장 사전을 이용한 종단 추정은 시간적으로 안정된 종양 진행과 해부학적으로 타당한 후속 이미지를 생성하며, 수술 음영이 있는 데이터셋(Lumiere)에서도 마찬가지이다.
• 본 연구는 TumorFlow가 VAE 재구성 충실도 및 자동 종양 분할 불확실성으로 설정된 참조 한계를 상회하는 정량적 결과를 제시한다.

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