基于多阶段跨尺度注意力的中风病灶分割
图像与视频处理
2025-01-28 v1 计算机视觉与模式识别
摘要
对中风病灶进行精确的 MRI 数据表征在预测中风后临床和认知结果方面具有巨大价值。手动分割中风病灶耗时且需要神经内科医生和神经放射科医生的专业知识。常常仅以边界框粗略表征病灶位置和总范围，而不具体描绘其边界。尽管这种表征提供了一些临床价值，但要发展对中风后血管性认知损伤和痴呆 (VCID) 影响进行精确机制性理解，仍需对中风病灶进行完整分割并准确描绘其边界。本文引入了多阶段跨尺度注意力 (MSCSA) 机制，应用于 U-Net 系列，以改进结构特征与不同尺寸病灶之间的映射。使用解剖标注中风后病灶 (ATLAS) v2.0 数据集，MSCSA 在聚焦小病灶的子集上在 Dice 和 F1 分数上均优于所有基线方法，同时在整个数据集上保持竞争性能。值得注意的是，融合 MSCSA 的集成策略在完整数据集和小病灶子集上均获得最高的 Dice 和 F1 分数。这些结果表明 MSCSA 在分割小病灶方面有效，并显示其在不同训练方案下对大中风病灶的鲁棒性。我们的代码已公开：https://github.com/nadluru/StrokeLesSeg。
引用
@article{arxiv.2501.15423,
title = {Stroke Lesion Segmentation using Multi-Stage Cross-Scale Attention},
author = {Liang Shang and William A. Sethares and Anusha Adluru and Andrew L. Alexander and Vivek Prabhakaran and Veena A. Nair and Nagesh Adluru},
journal= {arXiv preprint arXiv:2501.15423},
year = {2025}
}