OccluNet：用于 DSA 血管闭塞检测的时空深度学习模型
计算机视觉与模式识别
2025-08-21 v1 人工智能
摘要
在急性缺血性卒中（AIS）的血管内血栓切除术（EVT）中，准确检测血管闭塞至关重要。由于解剖结构复杂且时间有限，解读数字减影血管造影（DSA）序列面临挑战。本文提出 OccluNet，一种时空深度学习模型，该模型将单阶段目标检测器 YOLOX 与基于 Transformer 的时间注意力机制相结合，以实现 DSA 序列中血管闭塞的自动检测。我们将 OccluNet 与基于单帧 DSA 图像或最小强度投影训练的 YOLOv11 基线模型进行了比较。为 OccluNet 探索了两种时空变体：纯时间注意力和时空分离注意力。在 MR CLEAN 注册研究的 DSA 图像上的评估表明，该模型能够捕获时间上一致的特征，精确率和召回率分别达到 89.02% 和 74.87%。OccluNet 显著优于基线模型，且两种注意力变体性能相近。源代码可在 https://github.com/anushka-kore/OccluNet.git 获取。
引用
@article{arxiv.2508.14286,
title = {OccluNet: Spatio-Temporal Deep Learning for Occlusion Detection on DSA},
author = {Anushka A. Kore and Frank G. te Nijenhuis and Matthijs van der Sluijs and Wim van Zwam and Charles Majoie and Geert Lycklama à Nijeholt and Danny Ruijters and Frans Vos and Sandra Cornelissen and Ruisheng Su and Theo van Walsum},
journal= {arXiv preprint arXiv:2508.14286},
year = {2025}
}
备注
To be published in Proceedings of the SWITCH Workshop at MICCAI 2025, Lecture Notes in Computer Science (LNCS), Springer