[论文解读] Automatic MRI-Driven Model Calibration for Advanced Brain Tumor Progression Analysis

Klaudius Scheufele, Shashank Subramanian+1 more|arXiv (Cornell University)|Jan 24, 2020

Mathematical Biology Tumor Growth被引用 6

一句话总结

本文提出了一种全自动、基于MRI的单次术前多参数MRI扫描校准单物种反应-扩散肿瘤生长模型的方法，可实现对胶质母细胞瘤（GBM）肿瘤细胞增殖率、迁移率及肿瘤起始位置（TIL）的亚毫米级精确估计。该方法采用从粗到细的多分辨率延续方案与参数分解技术，稳定反演过程，在结合生物物理参数与影像特征时，实现了更优的生存预测效果。

ABSTRACT

Our objective is the calibration of mathematical tumor growth models from a single multiparametric scan. The target problem is the analysis of preoperative Glioblastoma (GBM) scans. To this end, we present a fully automatic tumor-growth calibration methodology that integrates a single-species reaction-diffusion partial differential equation (PDE) model for tumor progression with multiparametric Magnetic Resonance Imaging (mpMRI) scans to robustly extract patient specific biomarkers i.e., estimates for (i) the tumor cell proliferation rate, (ii) the tumor cell migration rate, and (iii) the original, localized site(s) of tumor initiation. Our method is based on a sparse reconstruction algorithm for the tumor initial location (TIL). This problem is particularly challenging due to nonlinearity, ill-posedeness, and ill conditioning. We propose a coarse-to-fine multi-resolution continuation scheme with parameter decomposition to stabilize the inversion. We demonstrate robustness and practicality of our method by applying the proposed method to clinical data of 206 GBM patients. We analyze the extracted biomarkers and relate tumor origin with patient overall survival by mapping the former into a common atlas space. We present preliminary results that suggest improved accuracy for prediction of patient overall survival when a set of imaging features is augmented with estimated biophysical parameters. All extracted features, tumor initial positions, and biophysical growth parameters are made publicly available for further analysis. To our knowledge, this is the first fully automatic scheme that can handle multifocal tumors and can localize the TIL to a few millimeters.

研究动机与目标

• 开发一种稳健的全自动方法，基于单次术前mpMRI扫描对胶质母细胞瘤（GBM）患者的生物物理肿瘤生长模型进行校准。
• 估计患者特异性的生物标志物：肿瘤细胞增殖率、迁移率及肿瘤起始位置（TIL）。
• 通过将TIL映射至通用图谱空间并关联总体生存期，探究TIL的预后相关性。
• 利用先进的数值稳定技术，克服肿瘤生长反演中的非线性、不适定性及病态性挑战。
• 为未来的研究与临床验证，公开提供生物标志物、TIL及生长参数。

提出的方法

• 该方法采用单物种反应-扩散PDE模型，模拟从初始肿瘤细胞分布开始的肿瘤进展过程。
• 使用稀疏重构算法估计高维肿瘤起始位置（TIL）向量，将其视为稀疏源项。
• 应用从粗到细的多分辨率延续方案，以稳定非线性、不适定的反问题，防止次优解。
• 采用参数分解技术，将增殖率与迁移率估计与TIL重构解耦，提升收敛性与鲁棒性。
• 使用信赖域法结合Tikhonov型正则化求解反演问题，以处理临床数据中的病态性与噪声。
• 所有结果均映射至通用的MNI-Talairach图谱空间，用于群体水平统计分析及生存关联性研究。

实验结果

研究问题

• RQ1 全自动、基于MRI的反演方法能否可靠地从单次术前mpMRI扫描中估计肿瘤细胞增殖率与迁移率？
• RQ2 尽管存在非线性和不适定性，该方法能否在临床GBM数据中以亚毫米级精度定位肿瘤起始位置（TIL）？
• RQ3 所估计的TIL是否与患者总体生存期相关？当结合影像特征时，是否能提升生存预测能力？
• RQ4 基于TIL的概率图谱与基于观察到的肿瘤边界构建的图谱在空间分布与偏差方面有何差异？
• RQ5 该方法能否在真实临床数据集中稳健处理多灶性肿瘤及异质性GBM表型？

主要发现

• 该方法在BraTS'18数据集的206例GBM患者中实现了稳健的全自动校准，证明了其在真实临床数据中的实用性。
• 与非定位TIL相比，TIL的精确定位导致了显著不同的浸润预测结果，前者更能准确捕捉可见边界以外的肿瘤扩散。
• TIL与患者生存期显著相关，起源于左侧颞叶（靠近左下侧脑室）的肿瘤表现出更高侵袭性及更短生存期。
• 与较长生存期相关的肿瘤更常位于靠近颅骨的位置，提示肿瘤起源的解剖位置与预后之间存在空间模式。
• 基于TIL构建的概率图谱在空间分布上与基于观察到的肿瘤边界构建的图谱存在明显差异，表明后者受肿瘤大小与形态影响而存在偏差。
• 初步的生存预测结果显示，结合影像特征与估计的生物物理参数（增殖率、迁移率、TIL）后，预测准确率有所提升，但因样本量较小，结果尚不明确。