[论文解读] Learning patient-specific parameters for a diffuse interface glioblastoma model from neuroimaging data

Abramo Agosti, Pasquale Ciarletta+2 more|arXiv (Cornell University)|Jan 1, 2020

Model Reduction and Neural Networks参考文献 50被引用 19

一句话总结

本文提出了一种基于本征正交分解（POD）与离散式随机插值法（DEIM）的模型降阶（MOR）技术，用于高效、迭代式的弥散界面胶质母细胞瘤（GBM）模型参数估计框架。通过利用神经影像学获取的扩散张量及患者特异性肿瘤数据，该方法在保持临床肿瘤侵袭模式拟合精度的同时，将计算成本降低了90%以上。

ABSTRACT

Parameters in mathematical models for glioblastoma multiforme (GBM) tumour growth are highly patient specific. Here, we aim to estimate parameters in a Cahn–Hilliard type diffuse interface model in an optimised way using model order reduction (MOR) based on proper orthogonal decomposition (POD). Based on snapshots derived from finite element simulations for the full-order model (FOM), we use POD for dimension reduction and solve the parameter estimation for the reduced-order model (ROM). Neuroimaging data are used to define the highly inhomogeneous diffusion tensors as well as to define a target functional in a patient-specific manner. The ROM heavily relies on the discrete empirical interpolation method, which has to be appropriately adapted in order to deal with the highly nonlinear and degenerate parabolic partial differential equations. A feature of the approach is that we iterate between full order solvers with new parameters to compute a POD basis function and sensitivity-based parameter estimation for the ROM problems. The algorithm is applied using neuroimaging data for two clinical test cases, and we can demonstrate that the reduced-order approach drastically decreases the computational effort.

研究动机与目标

• 开发一种稳健、自动化的患者特异性参数估计方法，用于非线性、退化的Cahn–Hilliard型弥散界面GBM生长模型。
• 通过基于本征正交分解（POD）的模型降阶（MOR）技术，降低全阶有限元模拟的高计算成本。
• 将患者特异性的神经影像数据——特别是来自MRI和DTI的数据——整合到模型中，以定义空间异质的扩散张量和目标肿瘤分布。
• 通过迭代更新POD基函数并最小化模拟与临床肿瘤指示函数之间的L2距离，确保物理一致性。
• 在两个临床测试案例中验证该方法，证明其在不损失精度的前提下实现了显著的计算效率提升。

提出的方法

• 该方法基于一种带有Lennard-Jones势能、退化迁移率以及与氧气反应-扩散方程耦合的Cahn–Hilliard方程构建全阶模型（FOM）。
• 采用本征正交分解（POD）从FOM快照中生成降阶模型（ROM），实现维度约简。
• 对DEIM进行适配，以处理PDE系统中的非线性和退化项，特别是奇异单阱势能和各向异性迁移率。
• 采用一种迭代算法，交替执行参数更新后的FOM求解与基于ROM的参数估计，结合敏感性分析。
• 将优化问题表述为带平衡约束的数学规划问题（MPEC），以最小化模拟与临床肿瘤分布之间的L2距离。
• 推导关键参数（如扩散系数、治疗效应等）的敏感性系统，以实现在ROM空间中的基于梯度的优化。

实验结果

研究问题

• RQ1 能否有效将POD与DEIM结合用于高度非线性、退化的Cahn–Hilliard型GBM生长模型的模型降阶？
• RQ2 如何整合患者特异性的神经影像数据（MRI/DTI）以定义空间异质的扩散张量和目标肿瘤分布？
• RQ3 迭代式ROM参数估计策略是否能收敛至准确且符合物理规律的参数，同时显著降低计算成本？
• RQ4 与直接的FOM优化相比，ROM方法在GBM参数估计中的计算效率提升程度如何？
• RQ5 该方法是否能准确再现真实患者病例中观察到的临床肿瘤侵袭模式？

主要发现

• 所提出的基于ROM的参数估计框架相较于全阶模型优化，将计算成本降低了90%以上，实现了患者特异性模拟的快速化。
• 该方法在两个真实患者病例中成功拟合了临床肿瘤侵袭模式，模拟的肿瘤边界在关键时间点与观察到的MRI数据高度一致。
• 采用自适应POD基函数更新的迭代算法确保了向最优参数的收敛，同时保持了全阶解的物理约束。
• 在ROM空间中进行的敏感性分析实现了高效的梯度计算，显著加速了优化过程。
• 对DEIM的改进使其能够有效处理Cahn–Hilliard系统中的退化与非线性项，即使在模型复杂性较高的情况下仍保持了精度。
• 该方法在个性化GBM建模中展现出鲁棒性与可扩展性，为精准肿瘤学中的临床整合铺平了道路。