基于条件对抗时空编码器的肺部肿瘤纵向预测方法

肿瘤位置以及生长变化的观测是肿瘤治疗方案的制定中的重要环节. 基于医学图像的干预手段以一种非侵入方式, 能够直观地观察到患者体内肿瘤状态, 来预测肿瘤的生长情况, 从而帮助医师建立适应于患者特定的治疗方案. 提出了一种全新的深度网络模型——条件对抗时空编码器模型来预测肿瘤生长情况. 该模型主要分为3个部分, 肿瘤预测生成器, 相似度得分鉴别器以及由患者个人情况组成的条件. 肿瘤预测生成器会根据两个时期的肿瘤图像预测出下一个时期的肿瘤, 相似度得分鉴别器用来计算预测出的肿瘤与真实肿瘤之间的相似性, 另外, 使用了患者的个人情况作为条件加入到肿瘤生长预测过程中. 该模型在收集到的两个医学数据集上进行实验验证, 实验结果的召回率达到了76.10%, 精准率达到了91.70%, Dice系数达到了82.4%, 表明该模型可以精准地预测出下一个时期的肿瘤影像.