VRXU-net：用于 T1W MRI 中的脑缺血中风病灶检测与分割的深度学习方法
图像与视频处理
2026-05-22 v1 计算机视觉与模式识别
摘要
当大脑血液供应被血栓阻塞时，脑组织的氧气输送变得不足，导致细胞坏死。在医疗环境中，准确识别和描绘缺血病灶边界对于治疗和手术规划至关重要。然而，缺血中风病灶在形状、大小和位置上差异很大，且在如 T1W 灰度 MRI 模态中可能与周围脑结构相似。这使得临床医生在进行病灶检测和分割面临挑战。本研究提出一种新型 VRU-Net 架构，源自视觉特征、残差连接和 U 形网络，用于检测和分割 3D 磁共振成像扫描中的缺血中风病灶。该方法首先使用修改版 VGG 模型识别每个 2D 切片上的缺血中风，随后使用带残差块的 U 形分割模型对每个切片上的病灶进行分割。该过程独立应用于轴向、侧位和冠状三个平面，最终通过聚合三个分割结果生成输出。为提高性能和处理速度，在分割模型之前应用了高性能分类器，形成顺序框架。该策略减少了非病灶切片的不必要分割，提高了整体准确性。此外，将 3D 图像分解为 2D 切片可降低模型复杂度，同时允许来自三个解剖平面的信息支持更准确的病灶定位。该模型在 Anatomical Tracings of Lesions After Stroke 数据集上进行训练，在准确率和 Dice 系数方面均优于最先进的模型。此外，分割输出提供反馈，帮助分类模型减少误报预测。
引用
@article{arxiv.2605.21633,
title = {VRXU-net: A Deep Learning Approach for Brain Ischemic Stroke Lesion Detection and Segmentation in T1W MRI},
author = {Sayed Amir Mousavi Mobarakeh},
journal= {arXiv preprint arXiv:2605.21633},
year = {2026}
}