面向脑小血管病标记统一检测的框架: 脑脊腔隧道和扩大血管空间
计算机视觉与模式识别
2026-03-06 v2
摘要
脑小血管病 (CSVD) 标记，具体指扩大血管空间 (EPVS) 和 lacuna，因其放射学相似性而在医学图像分析中 presents 挑战。标准分割网络在处理这些不同目标时难以处理特征干扰和极端类别不平衡。为此，我们提出了一种形态解耦框架，其中 Zero-Initialized Gated Cross-Task Attention 利用密集的 EPVS 上下文来指导稀疏的 lacuna 检测。此外，通过整合 Mutual Exclusion 和 Centerline Dice 损失，强制实现生物学和拓扑一致性。最后，我们引入一种解剖学感知的推断校准机制，以基于组织语义动态抑制误报。对 VALDO 2021 数据集 (N=40) 上进行的广泛 5 折交叉验证显示，本方法实现了最先进的性能，尤其在 lacuna 检测精度 (71.1%, p=0.01) 和 F1 分数 (62.6%, p=0.03) 上显著优于获奖者。此外，对外部 EPAD 队列 (N=1762) 的评估确认了该模型在大规模人群研究中的鲁棒性。代码将在接受后发布。
引用
@article{arxiv.2603.04243,
title = {A Unified Framework for Joint Detection of Lacunes and Enlarged Perivascular Spaces},
author = {Lucas He and Krinos Li and Hanyuan Zhang and Runlong He and Silvia Ingala and Luigi Lorenzini and Marleen de Bruijne and Frederik Barkhof and Rhodri Davies and Carole Sudre},
journal= {arXiv preprint arXiv:2603.04243},
year = {2026}
}