以千分之一的参数量实现最先进的卒中病灶分割
图像与视频处理
2025-03-10 v1 计算机视觉与模式识别
摘要
高效且准确的全脑病灶分割仍然是医学图像分析中的一项挑战。在这项工作中，我们重新研究了 MeshNet（一种参数高效的分割模型），并引入了一种具有编码器-解码器结构的新型多尺度膨胀模式。这一创新使得模型能够捕获广泛的上下文信息和细粒度细节，而无需传统的下采样、上采样或跳跃连接。与以往处理子体积或切片的方法不同，我们直接对全脑 MRI 体积进行操作。在 Aphasia Recovery Cohort (ARC) 数据集上的评估表明，MeshNet 以 1/1000 的参数量实现了与 MedNeXt 和 U-MAMBA 等最先进架构相当或更优的 DICE 分数。我们的结果验证了 MeshNet 在效率和性能之间的良好平衡，使其特别适合基于 Web 的应用等资源受限环境，并为先进医学图像分析工具的广泛部署开辟了新的可能性。
引用
@article{arxiv.2503.05531,
title = {State-of-the-Art Stroke Lesion Segmentation at 1/1000th of Parameters},
author = {Alex Fedorov and Yutong Bu and Xiao Hu and Chris Rorden and Sergey Plis},
journal= {arXiv preprint arXiv:2503.05531},
year = {2025}
}
备注
International Symposium on Biomedical Imaging, April 14-17, 2025