针对肿瘤生长预测的边缘注入自适应时空网络OA北大核心CSTPCD
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。
张晶;李思阳;王河喜
昆明理工大学信息工程与自动化学院,昆明650500 云南省人工智能重点实验室,昆明650500 云南省计算机技术应用重点实验室,昆明650500昆明理工大学信息工程与自动化学院,昆明650500 云南省人工智能重点实验室,昆明650500 云南省计算机技术应用重点实验室,昆明650500太原理工大学计算机科学与技术学院,太原030000
计算机与自动化
肿瘤生长率边缘注入生长趋势自适应预测
《重庆邮电大学学报（自然科学版）》 2024 (6)
P.1194-1204,11
云南省基础研究计划重点项目(2021AS070016)云南省重大科技专项计划项目(202302AD080002)云南省计算机技术应用重点实验室开放基金项目(FCB22144S073A)“兴滇英才支持计划”产业创新人才项目([2019]1096)。
评论