基于肿瘤识别的跨相注意力网络用于多相CT扫描中的肾肿瘤亚型分类

多相计算机断层扫描（CT）因其无创性质和能够表征肾脏肿瘤的特征，广泛用于肾癌术前诊断。然而，由于同一肿瘤类型在不同CT相位上的增强模式各不相同，放射科医生的视觉评估在临床实践中存在观察者间的差异。尽管近期有研究探索了基于深度学习的肾癌差异诊断方法，但这些方法在网络设计中未显式建模CT相位之间的关系，限制了诊断性能。本文提出了一种新颖的肿瘤感知跨相注意力网络（LACPANet），该网络能够有效捕捉肾脏肿瘤在CT相位之间的时间依赖性，从而准确地将肿瘤分类为五大主要病理亚型。我们引入3D跨相肿瘤感知注意力机制，以学习有效的3D肿瘤特征，用于估计描述增强模式之间相互关系的注意力权重。我们还提出了多尺度注意力方案，以在不同空间尺度上捕捉和聚合肿瘤特征的时序模式，以进一步提高精度。在收集的数据集上对肾癌患者的多相CT扫描进行大量实验表明，我们的LACPANet在诊断准确率方面优于当前最先进的方法。