识别脑卒中微小病灶的多维度图像分割模型和系统开发

目的 开发一种基于深度学习的多维度分割系统,在磁共振成像(magnetic resonance imaging,MRI)影像中识别微小病灶,为急性缺血性脑卒中(acute ischemic stroke,AIS)的诊治提供决策依据.方法 提取并融合2D、3D网络的特征,引入了联合损失函数,进而提出了一种新的2.5D方法——多维度多尺度注意力增强网络(multi-dimensional multi-scale attention enhanced network,MMAE-Net).在AIS分割数据集(训练集171例、测试集43例)上训练和测试了所提方法的性能,并与其他方法进行比较.结果 相较于2D、3D网络,2.5D网络(MMAE-Net)在各项评价指标上均可取得最优异的分割性能,获得了 81.25％的 Dice 相似系数(dice similarity coefficient,DSC)和 84.82％的灵敏度(sensitivity,SEN).相较于 U-Net、ResU-Net、DenseU-Net、AttentionU-Net 和 SEgmentation TRansformer(SETR)等经典方法和既往研究,MMAE-Net取得了更优异的分割性能.我们还开发了可视化自动分割系统以提升方法的实践和推广能力.结论 本文基于2D、3D特征融合的理念设计了 2.5D多维度分割模型MMAE-Net,其在MRI微小病灶的识别中取得了优异性能,为AIS疾病诊治提供了有效的解决方案.