自注意力指导的多序列融合肝细胞癌分化判别模型
2021-09-25贾熹滨杨大为杨正汉
贾熹滨,孙 政,杨大为,杨正汉✉
1) 北京工业大学信息学部,北京 100124 2) 北京工业大学多媒体与智能软件技术北京重点实验室,北京 100124 3) 首都医科大学附属北京友谊医院放射科,北京 100050
肝细胞癌(Hepatocellular carcinoma, HCC)是一种高度流行且致命的肿瘤,是全球癌症相关死亡的第4大最常见原因[1−2]. 一般来说,肝细胞癌的分化程度分为高分化、中分化和低分化,分化程度越低则代表肿瘤恶性程度越高,从临床角度看,在术前对肝细胞癌分化程度精确判别对治疗方案制定和预后效果估计具有至关重要作用[3−4].
目前对肝细胞癌分化程度的病理判别的金标准是基于肝脏穿刺的肝脏组织活检[5],而基于肝脏穿刺的检测方法创伤性很大且存在针道转移、取样误差等风险,导致患者不愿意接受肝穿治疗[6−7].因而无创性的影像学方法,例如超声、电子计算机断层扫描 (Computed tomography, CT)、磁共振成像(Magnetic resonance imaging, MRI)等多种影像技术被用于肝细胞癌分化程度的定性分析.
美国放射学会所制订的肝脏影像报告及数据系 统 (Liver imaging reporting and data system, LIRADS)通过对增强CT或动态对比增强核磁共振成像 (Dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)诊断肝细胞癌的5种主要成像功能的描述,来规范化肝脏影像学方法的诊断流程,对HCC及其他局灶性肝脏进行分类诊断,然而传统影像学方法尚无法实现HCC分化程度的精准判别,因此,引入基于统计科学的深度学习方法以辅助医生进行HCC诊断,建立精准无创的HCC分化程度判别模型,仍是亟待解决的问题.
DCE-MRI所具有的高灵敏度、高清晰度和高对比度特性,被广泛用……
