文献类型：期刊文章

作　　者：马力[1] 黄德皇[2] 王艳芳[1]

MA Li;HUANG Dehuang;WANG Yanfang(Zhongshan Yangshi Technology Co.,Ltd,Zhongshan 528400,China;Zhongshan research Institute,Beijing Institute of technology,Zhongshan 528400,China)

机构地区：[1]中山仰视科技有限公司,广东中山528400 [2]中山北京理工大学研究院,广东中山528400

出　　处：《CT理论与应用研究（中英文）》

基　　金：中山市2019年高端科研机构创新专项(第一批)(基于人工智能CT时序列的肺癌早期预测及其应用)。

年　　份：2024

卷　　号：33

期　　号：3

起止页码：317-324

语　　种：中文

收录情况：DOAJ、IC、JST、PUBMED、ZGKJHX、普通刊

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] R814[数学类] R563]