用于预测脑肿瘤进展的多任务扩散方法
计算机视觉与模式识别
2025-09-16 v1
摘要
脑肿瘤是一种表现为快速恶性肿瘤，其差病预后给准确的进展预测带来了重大挑战。在临床实践中，由于稀疏且不规则获取的纵向 MRI 数据， incomplete follow-up 序列加剧了数据不平衡问题，使可靠建模变得困难。本文提出了一种用于时间无关的、像素级脑肿瘤进展预测的多任务扩散框架。该模型同时生成任意选定时间点上的未来 FLAIR 序列，并估计基于符号距离场 (SDF) 的空间概率肿瘤演化图，从而实现不确定性量化。为捕捉跨任意时间间隔的肿瘤演化动态，我们集成了预训练的变形模块，用于建模扫描间的变形场。针对临床常见的数据稀缺问题，我们实现了针对性数据增强管道，对合成三个随访扫描序列并从可用患者研究中插值缺失的 MRI 模态，提高了预测模型的稳定性和准确性。基于仅两个早期时间点的随访扫描，我们的框架产生灵活的时间依赖概率图，使医生能够在任何未来时间节点上检验脑肿瘤的进展风险。我们进一步引入了放射治疗加权的焦点损失项，利用剂量图作为模型训练期间的临床重要区域的指示。该方法在公开数据集上训练，并在内部私有数据集上进行评估，两者均取得令人鼓舞的成果。
引用
@article{arxiv.2509.10824,
title = {Multi-Task Diffusion Approach For Prediction of Glioma Tumor Progression},
author = {Aghiles Kebaili and Romain Modzelewski and Jérôme Lapuyade-Lahorgue and Maxime Fontanilles and Sébastien Thureau and Su Ruan},
journal= {arXiv preprint arXiv:2509.10824},
year = {2025}
}