在空间-时间特征下的ConvLSTM协调纵向变压器用于瘤生长预测
Manfu Ma1, Xiaoming Zhang1, Yong Li1
1College of Computer Science & Engineering, Northwest Normal University, Lanzhou, 730070, China.
Computers in biology and medicine
|August 10, 2023
概括
这项研究引入了LCTformer,这是一种用于准确预测瘤生长的新型模型. 它通过分析时空特征以改善患者的治疗结果来增强早期诊断和治疗规划.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 准确量化瘤生长对于疾病发展评估和及时临床干预至关重要.
- 现有的纵向生长模型与时空依赖性和非线性瘤生长模式作斗争.
- 改善瘤生长预测可以提高诊断效率和患者治愈率.
研究的目的:
- 为了提出一种新的深度学习模型,ConvLSTM协调纵向变压器 (LCTformer),用于准确预测瘤生长.
- 解决分析长时间空间依赖和非线性瘤生长方面的局限性.
- 通过提高预测准确度,提高医生诊断和干预的效率.
主要方法:
- 开发了集成ConvLSTM的LCTformer模型和用于时空特征分析的纵向变压器.
- 引入了自适应边缘增强模块 (AEEM),以专注于瘤边缘区域.
- 建议使用纵向变压器和ConvLSTM进行增长预测模块 (GPM) 来描述未来的增长趋势.
主要成果:
- 在NLST数据集上,LCTformer模型的平均预测准确度为88.52% (子分数) 和89.64% (回忆).
- 该模型在量化瘤生长模式和预测未来成像方面表现强.
- 根平均平方误差 (RMSE) 为 11.06,表明了精确的预测能力.
结论:
- 该LCTformer模型有效地分析时空特征,以准确预测瘤生长.
- 拟议的模型克服了现有方法在处理非线性增长和长期依赖方面的局限性.
- 这一进步可以显著提高瘤疾病的诊断效率和治疗计划.
