[论文解读] Treatment-aware Diffusion Probabilistic Model for Longitudinal MRI Generation and Diffuse Glioma Growth Prediction

Qinghui Liu, Elies Fuster‐García+10 more|arXiv (Cornell University)|Sep 11, 2023

Mathematical Biology Tumor GrowthMathematics被引用 3

一句话总结

本文提出了一种治疗感知扩散概率模型（TaDiff），通过条件化于连续的MRI扫描和治疗史，生成逼真的纵向多参数MRI，并预测弥漫性胶质瘤的肿瘤生长，同时提供不确定性估计。该模型利用去噪扩散过程与联合学习策略，合成未来扫描图像和肿瘤掩膜，实现具有量化不确定性的个性化治疗规划。

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.

研究动机与目标

• 解决在纵向MRI数据中建模复杂且受治疗影响的弥漫性胶质瘤生长动力学的挑战。
• 通过将治疗史作为条件因子，克服传统反应-扩散模型和治疗无关的深度学习方法的局限性。
• 实现在端到端生成未来MRI图像和肿瘤分割掩膜的同时，量化预测不确定性。
• 通过模拟不同治疗情景下的肿瘤演变，支持个性化治疗规划。
• 提供一种临床可解释的框架，整合影像、治疗和不确定性信息，以提升决策质量。

提出的方法

• 采用去噪扩散概率模型（DDPM）作为生成主干，从源MRI序列和治疗信息合成未来MRI图像。
• 引入治疗感知嵌入，将扩散过程条件化于治疗史（如化疗放疗、替莫唑胺）及其随时间的变化。
• 采用联合学习策略，同时预测肿瘤掩膜并重建MRI图像，实现具有多任务监督的端到端训练。
• 在推理过程中应用随机采样，隐式形成预测集合，通过样本间的方差实现不确定性估计。
• 将反向扩散过程同时条件化于源MRI序列和治疗嵌入，以生成时间条件化的、逼真的肿瘤演变轨迹。
• 利用基于2D U-Net的编码器和交叉注意力机制，建模多参数MRI序列中的时空依赖性。

实验结果

研究问题

• RQ1 基于扩散的生成模型能否有效预测在纵向MRI和治疗史条件下的未来胶质瘤肿瘤生长模式？
• RQ2 该模型在不同治疗方案下，能否生成反映肿瘤演变的逼真多参数MRI？
• RQ3 该模型在使用随机采样时，能在多大程度上量化肿瘤生长预测的不确定性？
• RQ4 与治疗无关的模型相比，纳入治疗信息在多大程度上提升了预测准确性和临床相关性？
• RQ5 该模型在预测罕见或复杂病例（如继发性胶质母细胞瘤或术后进展）时的鲁棒性如何？

主要发现

• TaDiff模型在多样化治疗情景和时间点下，成功生成了高质量的合成MRI，其肿瘤掩膜逼真自然。
• 在80%的测试病例中，肿瘤生长预测与真实值高度一致，生成图像上的肿瘤分割Dice分数平均超过0.75。
• 基于多次随机采样的不确定性图有效捕捉了预测可变性较高的区域，尤其在早期和晚期生长阶段。
• 在继发性胶质母细胞瘤（如P-2）和术后第二次手术后进展的病例（如P-1）中，模型表现出过预测现象，表明其对罕见或复杂治疗史具有敏感性。
• 年轻患者及具有侵袭性肿瘤表型的患者（如P-1）在221–365天时间段内不确定性更高，反映出模型对生物变异性具有敏感性。
• 模型性能受限于罕见亚型（如继发性胶质母细胞瘤）和复杂干预措施（如二次手术）的训练数据不足，凸显了构建更大、更多样化数据集的必要性。