基于注意力循环网络与渐进式模态丢弃的多中心血栓分割
计算机视觉与模式识别
2026-04-02 v1 最优化与控制
摘要
在3D脑扫描中检测和勾勒微小目标是医学影像中的核心且尚未充分解决的挑战。例如，在缺血性中风中，致病血栓体积小、对比度低，且在模态间（如磁敏感加权T2 blooming、DWI/ADC上的扩散受限）表达可变，而现实中的多中心数据引入域偏移、各向异性和频繁缺失序列。我们提出一种方法，将基于注意力的循环分割网络（UpAttLLSTM）、逐步增加异模态学习难度的训练计划与渐进式模态丢弃相结合。UpAttLLSTM通过循环单元（2.5D）在切片间聚合上下文，并使用注意力门融合可用序列中的互补线索，使其对各向异性和类别不平衡具有鲁棒性。渐进式模态丢弃在训练期间系统性地模拟站点异质性、噪声和缺失模态，同时充当增强和正则化以改善多中心泛化。在单中心队列中，我们的方法在>90%的病例中检测到血栓，Dice得分为0.65。在多中心设置中且模态缺失时，它实现了约80%的检测率，Dice得分约为0.35。除中风外，所提出的方法可直接迁移到3D医学影像中的其他小病灶任务，其中目标稀缺、细微且依赖模态。
引用
@article{arxiv.2604.00817,
title = {Multicentric thrombus segmentation using an attention-based recurrent network with gradual modality dropout},
author = {Sofia Vargas-Ibarra and Vincent Vigneron and Hichem Maaref and Sonia Garcia-Salicetti},
journal= {arXiv preprint arXiv:2604.00817},
year = {2026}
}