基于时间条件神经场的脑膜瘤生长预测

脑膜瘤（VS）是一种良性肿瘤，通常通过 MRI 进行主动监测。为了进一步辅助临床决策并避免过度治疗，对基于纵向影像学数据的肿瘤生长进行准确预测至关重要。本文引入了 DeepGrowth，一种将神经场和循环神经网络结合用于预测肿瘤生长的深度学习方法。在该方法中，每个肿瘤表示为以低维潜在代码为条件的符号距离函数（SDF）。不同于以往直接在图像空间进行肿瘤形状预测的方法，本文预测潜在代码，然后从中重构未来形状。为处理不规则的时间间隔，我们引入基于 ConvLSTM 和新颖时间编码策略的时间条件循环模块，使该模型能够输出随时间变化的不同肿瘤形状。对 an in-house 纵向 VS 数据集的实验表明，所提方法显著提高了性能（$\ge 1.6\%$ Dice 评分和$\ge0.20$ mm 95\% Hausdorff 距离），尤其对于增长或缩小最大的前 20\%肿瘤（$\ge 4.6\%$ Dice 评分和$\ge 0.73$ mm 95\% Hausdorff 距离）。我们的代码已公开于 \burl{https://github.com/cyjdswx/DeepGrowth}。