論文の概要: TumorFlow: Physics-Guided Longitudinal MRI Synthesis of Glioblastoma Growth
- arxiv url: http://arxiv.org/abs/2603.04058v2
- Date: Thu, 05 Mar 2026 06:55:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-06 15:25:24.453547
- Title: TumorFlow: Physics-Guided Longitudinal MRI Synthesis of Glioblastoma Growth
- Title（参考訳）: tumor Flow:Glioblastoma成長の物理誘導型縦隔MRI合成
- Authors: Valentin Biller, Niklas Bubeck, Lucas Zimmer, Ayhan Can Erdur, Sandeep Nagar, Anke Meyer-Baese, Daniel Rückert, Benedikt Wiestler, Jonas Weidner,
- Abstract要約: グリオ芽腫は多彩で浸潤性があり、患者固有の成長パターンを示し、通常のMRIでは部分的にしか見えない。
本研究では, 生物学的に現実的な3次元脳MRI量を推定, 空間的に連続した腫瘍集中場から合成するバイオ物理条件生成フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 2.3743336223695057
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Glioblastoma exhibits diverse, infiltrative, and patient-specific growth patterns that are only partially visible on routine MRI, making it difficult to reliably assess true tumor extent and personalize treatment planning and follow-up. We present a biophysically-conditioned generative framework that synthesizes biologically realistic 3D brain MRI volumes from estimated, spatially continuous tumor-concentration fields. Our approach combines a generative model with tumor-infiltration maps that can be propagated through time using a biophysical growth model, enabling fine-grained control over tumor shape and growth while preserving patient anatomy. This enables us to synthesize consistent tumor growth trajectories directly in the space of real patients, providing interpretable, controllable estimation of tumor infiltration and progression beyond what is explicitly observed in imaging. We evaluate the framework on longitudinal glioblastoma cases and demonstrate that it can generate temporally coherent sequences with realistic changes in tumor appearance and surrounding tissue response. These results suggest that integrating mechanistic tumor growth priors with modern generative modeling can provide a practical tool for patient-specific progression visualization and for generating controlled synthetic data to support downstream neuro-oncology workflows. In longitudinal extrapolation, we achieve a consistent 75% Dice overlap with the biophysical model while maintaining a constant PSNR of 25 in the surrounding tissue. Our code is available at: https://github.com/valentin-biller/lgm.git
- Abstract（参考訳）: グリオブラスト腫は, 正常MRIでのみ観察される多彩な, 浸潤性, 患者固有の成長パターンを呈し, 真の腫瘍範囲を確実に評価し, 治療計画とフォローアップをパーソナライズすることが困難である。
本研究では, 生物学的に現実的な3次元脳MRI量を推定, 空間的に連続した腫瘍集束場から合成するバイオ物理条件生成フレームワークを提案する。
本手法は, 生化学成長モデルを用いて経時的に伝播し, 患者解剖を保存しながら腫瘍の形状や成長をきめ細かな制御が可能となる, 腫瘍浸潤マップの作成モデルと組み合わせたものである。
これにより、実際の患者の空間において、一貫した腫瘍成長軌跡を直接合成し、腫瘍の浸潤と進展を、画像で明確に観察される範囲を超えて、解釈可能かつ制御可能な推定を行うことができる。
縦断性グリオ芽腫症例の枠組みを評価し,腫瘍の出現と周囲の組織反応に現実的な変化を伴って時間的コヒーレントな配列を生成できることを実証した。
これらの結果から, 機械的腫瘍成長と近代的な生成モデルの統合は, 患者固有の進行の可視化と, 下流神経オンコロジーのワークフローを支援するための制御された合成データを生成するための実用的なツールとなることが示唆された。
経時的外挿では, 周囲の組織に25のPSNRを一定に保ちながら, 生体物理モデルと75%のDice重なり合いを達成できた。
私たちのコードは、https://github.com/valentin-biller/lgm.gitで利用可能です。
関連論文リスト
- Mechanistic Learning with Guided Diffusion Models to Predict Spatio-Temporal Brain Tumor Growth [2.1289132027940605]
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。
論文 参考訳（メタデータ） (2025-09-11T16:52:09Z) - 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) - Towards Generalizable Tumor Synthesis [48.45704270448412]
腫瘍合成は、医用画像における人工腫瘍の作成を可能にし、腫瘍の検出とセグメンテーションのためのAIモデルのトレーニングを容易にする。
本論文は, 臨界観察を生かして, 一般化可能な腫瘍合成に向けて進歩的な一歩を踏み出した。
私たちは、Diffusion Modelsのような生成AIモデルが、単一の臓器から限られた数の腫瘍例を訓練しても、様々な臓器に一般化された現実的な腫瘍を作成できることを確認した。
論文 参考訳（メタデータ） (2024-02-29T18:57:39Z) - Integration of Graph Neural Network and Neural-ODEs for Tumor Dynamic Prediction [4.850774880198265]
本稿では,二部グラフ畳み込みニューラルネットワーク(GCN)とニューラル正規微分方程式(Neural-ODE)を組み合わせたグラフエンコーダを提案する。
まず,本手法が経験的モデルにより著しく改善される腫瘍のダイナミックモデルを発見することができることを示す。
本研究は, 提案手法が有望であり, プリクリニカル・セッティングに応用できる可能性が示唆された。
論文 参考訳（メタデータ） (2023-10-02T06:39:08Z) - 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) - Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT
by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。
発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
論文 参考訳（メタデータ） (2023-08-01T12:46:02Z) - Generating counterfactual explanations of tumor spatial proteomes to
discover effective strategies for enhancing immune infiltration [44.99833362998488]
腫瘍微小環境(TME)は免疫組成により癌予後に大きな影響を及ぼす。
本稿では,T細胞浸潤予測を自己教師型機械学習問題として定式化する。
悪性黒色腫,大腸癌肝転移,乳癌データに枠組みを応用し,T細胞浸潤が予測される摂動を発見した。
論文 参考訳（メタデータ） (2022-11-08T05:46:02Z) - 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) - Learn-Morph-Infer: a new way of solving the inverse problem for brain
tumor modeling [1.1214822628210914]
本稿では,T1GdとFLAIR MRIから患者特異的な脳腫瘍の空間分布を推定する手法を提案する。
itLearn-Morph-Inferと組み合わせたこの手法は、広く利用可能なハードウェア上で、数分のオーダーでリアルタイムのパフォーマンスを実現する。
論文 参考訳（メタデータ） (2021-11-07T13:45:35Z) - Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain
MRI [47.26574993639482]
本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。
ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
論文 参考訳（メタデータ） (2020-06-23T09:20:42Z)
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。