融合形状变换及纹理学习的肺结节生长预测
马力1
黄德皇2
王艳芳1
1.中山仰视科技有限公司, 广东 中山 5284002.中山北京理工大学研究院, 广东 中山 528400
摘要：虽然人工智能在肺结节检测方面已经相当成熟,但对其生长预测的研究仍然有限.准确的生长预测有助于临床决策,为患者随访策略提供信息.本文提出一种新的结节生长预测网络模型,该模型可以在特定时间间隔生成高质量的肺结节图像.模型使用双分支结构对肺结节图像进行特征提取,其中一个分支,利用位移场预测机制,通过体素水平的未来位移估计来学习肺结节的形状转换;另一分支,采用3D U-Net,学习肺结节的纹理变化.随后,对提取的高维特征图通过坐标注意力机制,突出有利的图像特征,再拼接两个分支的结果,输入至特征重建模块得到最终的肺结节生长预测图像.同时,本文引入时间间隔编码模块,将期望的时间间隔纳入网络,从而能够生成不同未来时间点的预测图像.
关键词：肺结节生长预测位移场时间间隔编码
分类号：O242(计算数学)R814(放射医学)R563(呼吸系及胸部疾病)
论文发表日期：2024-05-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：8( 317-324 )
英文信息