論文の概要: Mechanistic Learning with Guided Diffusion Models to Predict Spatio-Temporal Brain Tumor Growth

• arxiv url: http://arxiv.org/abs/2509.09610v1
• Date: Thu, 11 Sep 2025 16:52:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.480245
• Title: Mechanistic Learning with Guided Diffusion Models to Predict Spatio-Temporal Brain Tumor Growth
• Title（参考訳）: 時空間脳腫瘍進展予測のための誘導拡散モデルによる機械的学習
• Authors: Daria Laslo, Efthymios Georgiou, Marius George Linguraru, Andreas Rauschecker, Sabine Muller, Catherine R. Jutzeler, Sarah Bruningk,
• Abstract要約: われわれはBraTS成人と小児のグリオーマでモデルを訓練し,60軸スライスを内耳道びまん性中線グリオーマ (DMG) 症例で評価した。 本フレームワークは,空間的類似度指標に基づいて,現実的なフォローアップスキャンを生成する。 また、腫瘍成長確率マップを導入し、腫瘍成長の臨床的に関連する範囲と方向性の両方をキャプチャする。
• 参考スコア（独自算出の注目度）: 2.1289132027940605
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting the spatio-temporal progression of brain tumors is essential for guiding clinical decisions in neuro-oncology. We propose a hybrid mechanistic learning framework that combines a mathematical tumor growth model with a guided denoising diffusion implicit model (DDIM) to synthesize anatomically feasible future MRIs from preceding scans. The mechanistic model, formulated as a system of ordinary differential equations, captures temporal tumor dynamics including radiotherapy effects and estimates future tumor burden. These estimates condition a gradient-guided DDIM, enabling image synthesis that aligns with both predicted growth and patient anatomy. We train our model on the BraTS adult and pediatric glioma datasets and evaluate on 60 axial slices of in-house longitudinal pediatric diffuse midline glioma (DMG) cases. Our framework generates realistic follow-up scans based on spatial similarity metrics. It also introduces tumor growth probability maps, which capture both clinically relevant extent and directionality of tumor growth as shown by 95th percentile Hausdorff Distance. The method enables biologically informed image generation in data-limited scenarios, offering generative-space-time predictions that account for mechanistic priors.
• Abstract（参考訳）: 脳腫瘍の時空間進行を予測することは神経腫瘍学における臨床的決定の導出に不可欠である。 本稿では, 腫瘍成長モデルとDDIMを併用したハイブリッド機械学学習フレームワークを提案し, 先行スキャンから解剖学的に実現可能な未来のMRIを合成する。 通常の微分方程式の系として定式化された力学モデルは、放射線治療効果を含む時間的腫瘍動態を捉え、将来の腫瘍の負担を見積もる。 これらの推定は勾配誘導DDIMを条件とし、予測された成長と患者の解剖の両方に整合した画像合成を可能にする。 われわれはBraTS成人および小児のグリオーマデータセットを用いてモデルをトレーニングし,60軸スライスを内耳道びまん性中線グリオーマ (DMG) 症例で評価した。 本フレームワークは,空間的類似度指標に基づいて,現実的なフォローアップスキャンを生成する。 また、95%のHausdorff Distanceが示すように、腫瘍の成長の確率マップも導入されている。 この方法では、データ制限シナリオにおける生物学的にインフォームドされた画像生成を可能にし、メカニスティックな前兆を考慮に入れた生成時空間予測を提供する。

関連論文リスト

• Patient-specific prediction of glioblastoma growth via reduced order modeling and neural networks [0.0]
  本稿では,GBL成長の数学的モデルに対する概念実証を行い,リアルタイム予測と患者固有のパラメータ同定を可能にする。 ニューラルネットワークサロゲートは、腫瘍の進化からモデルパラメータへの逆マッピングを学習し、計算速度を著しく向上させる。
  論文  参考訳（メタデータ） (2024-12-04T18:46:05Z)
• Physics-Informed Latent Diffusion for Multimodal Brain MRI Synthesis [43.82741134285203]
  可変数の脳MRIモダリティを合成できる物理インフォームド生成モデルを提案する。 提案手法は遅延拡散モデルと2段階生成過程を利用する。 実験は、見えないMRコントラストを発生させ、身体的可視性を維持するためのこのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2024-09-20T14:21:34Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• Treatment-aware Diffusion Probabilistic Model for Longitudinal MRI Generation and Diffuse Glioma Growth Prediction [0.5667953366862138]
  本稿では,腫瘍マスクの将来の予測と,腫瘍が今後の治療計画にどう対応するかのマルチパラメトリック磁気共鳴画像(MRI)を提案する。 我々のアプローチは、最先端拡散確率モデルとディープセグメンテーションニューラルネットワークに基づいている。
  論文  参考訳（メタデータ） (2023-09-11T12:12:52Z)
• Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
  深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。 まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。 次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
  論文  参考訳（メタデータ） (2023-04-11T02:45:38Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Breast Cancer Induced Bone Osteolysis Prediction Using Temporal Variational Auto-Encoders [65.95959936242993]
  骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。 乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
  論文  参考訳（メタデータ） (2022-03-20T21:00:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。