基于深度学习的多通道MRI缺血性脑卒中病灶分割
图像与视频处理
2025-01-07 v1 人工智能
计算机视觉与模式识别
摘要
缺血性脑卒中由脑血管闭塞引起，由于卒中病灶的变异性和细微性，在医学成像中提出了重大挑战。磁共振成像（MRI）在诊断和管理缺血性脑卒中中起着关键作用，然而现有的分割技术通常无法准确勾画病灶。本研究引入了一种基于深度学习的新方法，用于使用多通道MRI模态（包括弥散加权成像（DWI）、表观弥散系数（ADC）和增强弥散加权成像（eDWI））分割缺血性脑卒中病灶。所提出的架构将DenseNet121作为编码器与自组织操作神经网络（SelfONN）作为解码器集成，并通过通道和空间复合注意力（CSCA）和双挤压-激励（DSE）模块进行增强。此外，引入了一个结合Dice Loss和Jaccard Loss加权平均的自定义损失函数以提高模型性能。在ISLES 2022数据集上训练和评估，该模型单独使用DWI时Dice相似系数（DSC）达到83.88%，使用DWI和ADC时达到85.86%，集成DWI、ADC和eDWI时达到87.49%。该方法不仅优于现有方法，而且解决了当前分割实践中的关键局限性。这些进展显著提高了缺血性脑卒中的诊断精度和治疗规划，为临床决策提供了宝贵支持。
引用
@article{arxiv.2501.02287,
title = {Deep Learning-Driven Segmentation of Ischemic Stroke Lesions Using Multi-Channel MRI},
author = {Ashiqur Rahman and Muhammad E. H. Chowdhury and Md Sharjis Ibne Wadud and Rusab Sarmun and Adam Mushtak and Sohaib Bassam Zoghoul and Israa Al-Hashimi},
journal= {arXiv preprint arXiv:2501.02287},
year = {2025}
}