参数化的Gompertz引导的形态自编码器用于预测肺结节的生长.
IEEE transactions on medical imaging
|July 20, 2023
概括
预测肺结节的生长是癌症诊断的关键. 一个新的参数化的Gompertz引导的形态自编码器 (GM-AE) 模型使用CT扫描准确预测结节的进展,帮助临床决策.
科学领域:
- 医学成像分析分析 医学成像分析
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
背景情况:
- 肺结节的生长速度是癌症诊断的关键指标.
- 监测动态结节的进展对于有效的肺结节管理至关重要.
- 缺乏时间数据集阻碍了对结节生长预测的研究.
研究的目的:
- 开发一个模型来预测肺结节的生长,以改善癌症诊断.
- 创建一个参数化的Gompertz引导的形态自编码器 (GM-AE) 来预测未来的结节外观.
- 用计算机断层扫描 (CT) 扫描量化预测肺结节生长率.
主要方法:
- 组织并发布时间数据集NLSTt与连续CT扫描.
- 开发了一个可视学习器,用于定性预测结节生长.
- 提出了一个参数化的Gompertz引导的形态自编码器 (GM-AE) 用于定量增长预测.
- 利用Gompertz模型预测未来的结节质量和体积,指导形状和纹理生成.
- 实现了一种双分支自动编码器,用于形状意识和纹理意识的表示学习.
主要成果:
- 与NLSTt数据集上的现有方法相比,GM-AE模型显示出更高的性能.
- 实验结果证实了可学习的Gompertz函数在捕捉结节生长速率的主体间变量的描述能力.
- 在内部数据集上评估时,GM-AE模型显示了通用性和实用性.
结论:
- 拟议的GM-AE模型有效地预测了未来的肺结节形态和生长速度.
- 戈珀茨函数参数化为个体结节生长模式提供了宝贵的见解.
- 公开可用的NLSTt数据集和GM-AE代码将促进肺结节分析的进一步研究.


