基于迁移学习的多序列MRI中缺血中风 lesion 分割
计算机视觉与模式识别
2025-11-11 v1
摘要
对缺血中风 lesion 的准确理解对于高效治疗和中风患者的预后至关重要。磁共振成像 (MRI) 对急性缺血中风敏感，是中风的常见诊断方法。然而，由专家手动进行的 lesion 分割繁琐、耗时且易受观察者不一致性影响。已提出自动医学图像分析方法来克服这一挑战。然而，先前方法依赖手工特征，可能无法捕捉缺血中风 lesion 不规则且生理上复杂的形状。在本研究中，我们提出了一个快速自动分割多序列MRI中缺血中风 lesion 的新框架，包括 T1 加权、T2 加权、DWI 和 FLAIR。所提出的方法在 ISLES 2015 大脑中风序列数据集上进行验证，其中我们使用 Res-Unet 架构进行了两次训练：一次使用预训练权重，另一次不使用，以探讨迁移学习的益处。计算了包括 Dice 评分和灵敏度在内的评估指标。最后，集成了一个多数投票分类器，用于整合每个轴的输出， resulting in 一个全面的分割方法。我们的努力最终实现了 Dice 评分为 80.5% 和准确率为 74.03%，展示了我们分割方法的有效性。
引用
@article{arxiv.2511.07281,
title = {Segmentation of Ischemic Stroke Lesions using Transfer Learning on Multi-sequence MRI},
author = {R. P. Chowdhury and T. Rahman},
journal= {arXiv preprint arXiv:2511.07281},
year = {2025}
}
备注
Ischemic Stroke, Segmentation, Transfer Learning, Magnetic Resonance Imaging, Deep Learning, Res-UNet