X-Net：基于深度可分离卷积和长程依赖的脑卒中病灶分割

近年来，脑卒中的发病率迅速上升。为了帮助医生进行病灶测量和治疗规划，临床实践中迫切需要自动分割方法。近期，基于深度学习的方法以及上下文信息提取技术在许多图像分割任务中得到了广泛应用。然而，由于大量参数训练不足，这些方法的性能有时会受到限制，无法有效捕捉远距离依赖关系。为了解决这些问题，我们提出了一种基于深度可分离卷积的X-Net，并设计了一种非局部操作——特征相似性模块（Feature Similarity Module, FSM），以捕捉远距离依赖关系。采用的深度可分离卷积可以减少网络规模，而开发的FSM则提供了更有效的密集上下文信息提取，从而提高了分割效果。我们在公开数据集Anatomical Tracings of Lesions After Stroke (ATLAS)上对X-Net的有效性进行了评估，结果表明其性能优于其他六种最先进的方法。我们的代码和模型已发布在https://github.com/Andrewsher/X-Net。