通过随访体积预测学习肺结节的肿瘤生长

随访在肺癌肺结节的管理中发挥着重要作用。已有基于专家共识的影像诊断指南，以帮助放射科医生为每位患者做出临床决策。然而，肿瘤生长是一个如此复杂的过程，以至于仅基于形态学特征难以将高风险结节与低风险结节分层。另一方面，近期使用卷积神经网络（CNNs）预测结节恶性评分的深度学习研究，仅向临床医生提供黑盒预测。为此，我们提出一个名为结节随访预测网络（NoFoNet）的统一框架，该框架在给定自基线观测的任意时间间隔下，以高质量视觉外观和准确定量结果预测肺结节的生长。这是通过WarpNet预测每个体素的未来位移场实现的。进一步开发了TextureNet以细化WarpNet输出的纹理细节。我们还引入了包括时间编码模块与形变分割损失在内的技术，以促进时间感知与形状感知的表示学习。我们构建了一个来自两家医疗中心的院内随访数据集来验证所提方法的有效性。NoFoNet在视觉质量上显著优于U-Net的直接预测；更重要的是，它在高风险与低风险结节之间展现出准确的区分性能。我们有前景的结果表明了其在肺结节管理的计算机辅助干预中的潜力。