临床工作流程中的中风病灶分割：一个模块化、轻量且部署就绪的工具
计算机视觉与模式识别
2025-10-29 v1
摘要
深度学习框架如nnU-Net在脑病灶分割方面实现了最佳性能，但由于依赖庞大且单体化设计，临床部署仍面临困难。我们引入StrokeSeg，一个模块化轻量框架，将研究级别的中风病灶分割模型转化为可部署应用。预处理、推理和后处理解耦：预处理依赖Anima工具箱并输出BIDS合规结果，推理使用ONNX Runtime配合Float16量化，将模型大小约减50%。StrokeSeg提供图形界面和命令行界面，分别以Python脚本和独立Windows可执行文件形式分发。在300例亚急性和慢性中风患者的 held-out 数据集上，分割性能与原始PyTorch管道相当（Dice差值<10^-3），表明高性能研究管道可转化为便携、临床可用的工具。
引用
@article{arxiv.2510.24378,
title = {Stroke Lesion Segmentation in Clinical Workflows: A Modular, Lightweight, and Deployment-Ready Tool},
author = {Yann Kerverdo and Florent Leray and Youwan Mahé and Stéphanie Leplaideur and Francesca Galassi},
journal= {arXiv preprint arXiv:2510.24378},
year = {2025}
}