已经提出了几十年来捕获胶质瘤的生长,最常见的原发性脑肿瘤的反应扩散模型。然而,关于估计这些模型的初始条件和参数值的严重局限性将其临床用作作为个性化工具。在这项工作中,我们调查了深度卷积神经网络(DCNN)来解决现场遇到的缺陷的能力。基于从磁共振(MR)数据的磁共振(MR)数据产生的1,200种合成肿瘤,我们证明了DCNN在单个时间点仅从两个成像轮廓重建整个肿瘤细胞密度分布的能力。通过在先前时间点提取额外的成像轮廓,我们还证明了DCNN准确估计模型的各个扩散性和增殖参数的能力。从这些知识来看,最终可以使用该模型精确地捕获稍后时间点处的肿瘤细胞密度分布的时空演变。我们终于展示了我们对真正的胶质母细胞瘤患者的先生数据的适用性。这种方法可以打开反应扩散生长模型的临床应用的视角,用于肿瘤预后和治疗计划。
translated by 谷歌翻译