[论文解读] Adjoint method for a tumour growth PDE-constrained optimization problem

Damián Knopoff, Damián Fernández+2 more|arXiv (Cornell University)|Sep 13, 2012

Numerical methods in inverse problems参考文献 12被引用 3

一句话总结

本文提出一种伴随方法，用于求解PDE约束优化问题，以估计无血管肿瘤生长数学模型中的未知参数。通过利用真实实验和影像数据将反问题表述为泛函最小化问题，该伴随方法在准确性和效率方面均优于模式搜索方法，即使在5%噪声数据下，参数估计误差也降低至约1%。

ABSTRACT

In this paper we present a method for estimating unknown parameters that appear on an avascular, spheric tumour growth model. The model for the tumour is based on nutrient driven growth of a continuum of live cells, whose birth and death generate volume changes described by a velocity field. The model consists on a coupled system of partial differential equations whose spatial domain is the tumour, that changes in size over time. Thus, the situation can be formulated as a free boundary problem. After solving the forward problem properly, we use the model for the estimation of parameters by fitting the numerical solution with real data, obtained via in vitro experiments and medical imaging. We define an appropriate functional to compare both the real data and the numerical solution. We use the adjoint method for the minimization of this functional, getting a better performance than the obtained with the pattern search method.

研究动机与目标

• 开发一种稳健的PDE约束优化框架，用于估计球形肿瘤生长模型中的未知参数。
• 解决将非线性、自由边界PDE系统拟合至实验数据和医学影像数据的挑战。
• 通过实施伴随方法进行基于梯度的优化，改进先前使用模式搜索的工作。
• 实现准确、患者特异性的参数估计，以用于预测肿瘤对治疗的响应。
• 提供一种数值稳定的数值方法，能够处理伴随系统中的非线性和奇异性。

提出的方法

• 基于Ward和King的肿瘤生长模型，构建PDE约束优化问题，耦合营养扩散与细胞种群动力学。
• 定义最小二乘泛函，用于将数值解与观测数据（包括肿瘤半径和细胞密度分布）进行比较。
• 推导伴随系统，以计算泛函关于未知参数的梯度，从而实现高效优化。
• 引入数值算法，以处理伴随PDE中的奇异性与非线性，特别是在移动肿瘤边界处。
• 采用基于梯度的最小化算法（例如共轭梯度法），利用伴随方法导出的导数迭代更新参数。
• 使用含噪声（5%随机噪声）和不含噪声的合成数据验证该方法的鲁棒性与收敛性。

实验结果

研究问题

• RQ1 伴随方法是否能在参数估计中优于无导数优化方法（如模式搜索）？
• RQ2 当拟合至含噪声的实验数据时，伴随方法能否实现高精度的未知参数恢复？
• RQ3 数据噪声（例如5%）对参数估计过程的收敛性与准确性有何影响？
• RQ4 与无导数方法相比，基于伴随的梯度计算如何提升计算效率与解的准确性？
• RQ5 该方法能否扩展以包含额外的生物学参数，如药物疗效或营养消耗速率？

主要发现

• 伴随方法在准确性和收敛速度方面显著优于先前工作中使用的模式搜索方法。
• 在合成数据中加入5%随机噪声后，该方法将参数估计误差控制在约1%。
• 泛函值在迭代过程中持续下降，当泛函变化趋于可忽略时，算法实现收敛。
• 经优化模型预测的肿瘤半径与观测半径高度吻合，仅在放大后可见微小差异（图12）。
• 该方法成功恢复了关键参数 $ c_c $ 的真实值，如图10所示，估计值收敛于真实值。
• 基于伴随的梯度计算具有鲁棒性与可扩展性，原则上可推广至多个未知参数。