基于引导扩散模型的机械学习用于预测脑肿瘤的时空生长
计算机视觉与模式识别
2025-09-12 v1 人工智能
摘要
预测脑肿瘤的时空进程是神经内科临床决策的关键。我们提出一种混合机械学习框架，将数学肿瘤生长模型与引导去噪扩散隐式模型(DDIM)相结合，用于从前序扫描合成解剖可行的未来 MRI。该机械模型以常微分方程组的形式，捕获了包括放疗效应在内的时序肿瘤动力学，并估计未来肿瘤负担。这些估计条件化于引导 DDIM，实现与预测生长和患者解剖结构相匹配的图像合成。我们在BraTS 成人和儿童脑肿瘤数据集上训练模型，并在 60 例儿童 diffuse midline glioma(DMG) 病例的轴向切片上进行评估。我们的框架基于空间相似性指标生成真实的后续扫描，还引入了肿瘤生长概率图，捕捉了临床相关的范围和方向性，如同 95 百分位 Hausdorff 距离所示。该方法在数据有限的场景下实现了以生物学知识为导向的图像生成，提供了考虑机械先验条件的生成空间-时间预测。
引用
@article{arxiv.2509.09610,
title = {Mechanistic Learning with Guided Diffusion Models to Predict Spatio-Temporal Brain Tumor Growth},
author = {Daria Laslo and Efthymios Georgiou and Marius George Linguraru and Andreas Rauschecker and Sabine Muller and Catherine R. Jutzeler and Sarah Bruningk},
journal= {arXiv preprint arXiv:2509.09610},
year = {2025}
}
备注
13 pages, 4 figures