用于脑卒中病灶分割的互惠增益自适应网络

脑卒中是一种急性脑血管疾病，可导致脑组织损伤。随着其发病率持续上升，迫切需要开发自动化工具以实现脑卒中病灶的精准分割，从而帮助放射科医生更高效、准确地识别脑卒中。尽管深度学习模型在该任务中已取得显著进展，但病灶在尺寸上存在巨大差异，且边界模糊，这些问题严重制约了分割性能的提升。为此，本文提出一种高效且通用的学习网络——互益自适应网络（Mutual Gain Adaptive Network），旨在增强网络应对病灶尺寸变化的能力，并有效区分模糊边界，从而推动深度神经网络在脑卒中病灶分割中的性能提升。本文的主要贡献包括：1）提出互益自适应相似性（Mutual Gain Adaptive Similarity, MGAS）模块；2）提出全局上下文感知（Global Context-Awareness, GCA）模块。MGAS模块通过捕捉短距离与长距离的空间依赖关系，利用特征相似性更有效地编码全局上下文信息，从而增强对不同尺寸病灶的特征激活能力。GCA模块则旨在为低语义层次的特征提供全局上下文信息，辅助恢复像素级定位能力，以更准确地区分模糊的病灶边界。所提出的网络在公开可用的数据集——脑卒中后病灶解剖学标注数据集（Anatomical Tracings of Lesions After Stroke, ATLAS）上进行了评估。大量实验结果表明，该方法在分割性能上优于当前最先进的技术。