SYNAPSE-Net：具有病灶感知层次门控的统一框架用于异质性脑病变的鲁棒分割
计算机视觉与模式识别
2026-02-24 v2 图像与视频处理
摘要
利用多模态MRI对多种异质性脑病变进行自动分割是临床神经影像学中的一个挑战性问题，这主要是因为特定病理的深度学习模型缺乏泛化能力且预测方差高。在这项工作中，我们提出了一个统一且自适应的多流框架，称为SYNAPSE-Net，以执行鲁棒的多病理分割并降低性能方差。该框架基于具有全局上下文建模的多流卷积编码器和跨模态注意力融合策略，以确保稳定且有效的多模态特征集成。它还采用了一种方差感知的训练策略，以增强网络在不同任务上的鲁棒性。该框架使用三个公开挑战数据集进行了广泛验证：WMH MICCAI 2017、ISLES 2022和BraTS 2020。结果表明，在不同病理上，边界精度、描绘质量和稳定性均得到一致改善。所提出的框架在WMH MICCAI 2017数据集上实现了0.831的高Dice相似系数(DSC)和3.03的低第95百分位Hausdorff距离(HD95)。在ISLES 2022数据集上实现了最低的HD95为9.69，在BraTS 2020数据集上实现了最高的肿瘤核心DSC为0.8651。这些结果验证了所提出框架在为自动脑病变分割提供临床相关的计算机辅助解决方案方面的鲁棒性。源代码和预训练模型可在 https://github.com/mubid-01/SYNAPSE-Net-pre 公开获取。
引用
@article{arxiv.2510.26961,
title = {SYNAPSE-Net: A Unified Framework with Lesion-Aware Hierarchical Gating for Robust Segmentation of Heterogeneous Brain Lesions},
author = {Md. Mehedi Hassan and Shafqat Alam and Shahriar Ahmed Seam and Maruf Ahmed},
journal= {arXiv preprint arXiv:2510.26961},
year = {2026}
}
备注
18 pages, 10 figures, 8 tables