时间序列下双流增强的肺癌生长演变预测模型

摘要

【目的】提出一种时间序列下双流增强的肺癌生长演变预测模型（DSGNet）。【方法】DSGNet充分利用CNN以及Transformer的优势，通过基于CNN的分支来提取肿瘤的静态特征，并用多尺度的方式加强所提取到的特征表示。用基于Transformer的分支来获取肿瘤序列图像间的顺序依赖关系，该分支将病灶序列图像映射成一个特征映射序列，然后将特征映射序列输入包含有多头自注意力的深度网络中，并从多期病灶序列图像的特征映射中，提取完整的肿瘤间生长关系。【结果】在肺癌NLST以及合作医院的数据集上评估该算法，实验结果表明，DSGNet对肿瘤生长预测的Precision达到了92.45%、Dice系数为82.78%，相比于其他的肿瘤预测算法，本文所提DSGNet在各方面都有一定程度提升，且在多方面被证明能够应用于临床研究。

关键词

肿瘤生长预测 / 深度学习 / 卷积神经网络 / Transformer / 医学图像处理

基金资助

国家自然科学基金（61972274）; 山西省基础研究计划项目（202103021224066）