基于深度学习的脑肿瘤生长模型高效前向求解器
计算机视觉与模式识别
2025-09-10 v2 机器学习
摘要
肿瘤脑肿瘤（Glioblastoma）因其病情恶化快、死亡率高和并发症严重，构成了临床治疗的主要挑战。偏微分方程模型通过模拟患者特异性的肿瘤行为，为改进放疗计划提供了潜在的解决方案。然而，由于蒙特卡洛抽样和进化算法等优化方法的计算需求高，模型校准仍然成为瓶颈。为此，我们最近引入了一种利用神经网络前向求解器结合梯度优化方法以显著缩短校准时间的技术方案。该方法要求前向模型高度准确且完全可微。我们研究了多种网络架构，包括（i）增强版TumorSurrogate、（ii）修改版nnU-Net和（iii）3D视觉转换器（ViT）。实验结果表明，nnU-Net在整体性能上取得最佳成绩，既在肿瘤轮廓匹配方面表现突出，又在肿瘤细胞浓度的体素级预测中表现卓越。它在与地面真值数值模拟比较的肿瘤细胞浓度预测中获得了最低的均方误差（MSE），并在所有肿瘤细胞浓度阈值上获得了最高的Dice系数。本研究表明，前向求解器的性能得到了显著提升，并为未来的研究方向提供了重要参考。
引用
@article{arxiv.2501.08226,
title = {Efficient Deep Learning-based Forward Solvers for Brain Tumor Growth Models},
author = {Zeineb Haouari and Jonas Weidner and Yeray Martin-Ruisanchez and Ivan Ezhov and Aswathi Varma and Daniel Rueckert and Bjoern Menze and Benedikt Wiestler},
journal= {arXiv preprint arXiv:2501.08226},
year = {2025}
}