为了更有效地表征肿瘤的生长趋势,提出了基于边缘注入的自适应时空网络(adaptive spatiotemporal networks based on edge injection,EA-Net)。引入紧密型空间增强模块学习多形态肿瘤的静态抽象信息,并重点提取关键生长特征;明确监督目...为了更有效地表征肿瘤的生长趋势,提出了基于边缘注入的自适应时空网络(adaptive spatiotemporal networks based on edge injection,EA-Net)。引入紧密型空间增强模块学习多形态肿瘤的静态抽象信息,并重点提取关键生长特征;明确监督目标肿瘤的边缘信息,设计多密度边缘注入模块来增强特征图像内目标的边缘权重;建立广泛的时空信息关联,实现对肿瘤未来成像的自适应建模;引入个体特异性因子,促使网络学习不同人群肿瘤的生长趋势。实验表明,提出的方法能更高效地预测肿瘤未来的生长状态,其Dice score、Recall、RMSE分别可达89.36%、90.83%、10.42%,能在一定程度上揭示肺癌疾病的发展方向。展开更多
文摘为了更有效地表征肿瘤的生长趋势,提出了基于边缘注入的自适应时空网络(adaptive spatiotemporal networks based on edge injection,EA-Net)。引入紧密型空间增强模块学习多形态肿瘤的静态抽象信息,并重点提取关键生长特征;明确监督目标肿瘤的边缘信息,设计多密度边缘注入模块来增强特征图像内目标的边缘权重;建立广泛的时空信息关联,实现对肿瘤未来成像的自适应建模;引入个体特异性因子,促使网络学习不同人群肿瘤的生长趋势。实验表明,提出的方法能更高效地预测肿瘤未来的生长状态,其Dice score、Recall、RMSE分别可达89.36%、90.83%、10.42%,能在一定程度上揭示肺癌疾病的发展方向。