CSF-Net：基于跨模态时空融合的肺结节恶性预测网络
图像与视频处理
2025-01-29 v1 医学物理
摘要
肺结节是肺癌的早期信号，早期检测对提高患者生存率至关重要。目前大多数方法仅使用单一 CT 图像评估结节恶性程度。然而，医生在临床实践中通常通过整合随访 CT 扫描和临床数据进行综合评估。为提升这一流程，本研究引入一种称为 CSF-Net 的跨模态时空融合网络，用于预测肺结节的恶性风险。该方法模拟了医生结合随访影像和临床信息作出决策的过程。CSF-Net 包含三个关键组件：空间特征提取模块、时间残差融合模块和跨模态注意力融合模块。这些模块共同实现对结节恶性预测的精准化。此外，我们利用公开的 NLST 数据集筛选并标注了肺结节的特定位置，并创建了新的数据集 NLST-cmst。我们的实验结果在 NLST-cmst 数据集上显示出显著的性能提升，准确率为0.8974，精确率为0.8235，F1 分数为0.8750，AUC 为0.9389，召回率为0.9333。这些结果表明，融合随访数据与临床信息的多模态时空融合方法超越了现有方法，凸显了其在预测结节恶性方面的有效性。
引用
@article{arxiv.2501.16400,
title = {CSF-Net: Cross-Modal Spatiotemporal Fusion Network for Pulmonary Nodule Malignancy Predicting},
author = {Yin Shen and Zhaojie Fang and Ke Zhuang and Guanyu Zhou and Xiao Yu and Yucheng Zhao and Yuan Tian and Ruiquan Ge and Changmiao Wang and Xiaopeng Fan and Ahmed Elazab},
journal= {arXiv preprint arXiv:2501.16400},
year = {2025}
}
备注
This paper has been accepted by the 2025 IEEE International Symposium on Biomedical Imaging