ICAD-SegNet：基于低秩自适应的颅内动脉粥样硬化斑块高效精准半自动分割模型

本文提出ICAD-SegNet创新框架，通过全注意力低秩自适应编码器、细粒度感知解码器和边界平滑复合损失函数，实现颅内动脉粥样硬化疾病（ICAD）斑块的高精度分割。该研究构建了首个专业标注的ICAD斑块数据集（MRI-ICAD），在Dice系数（0.9356）和HD95（1.50）指标上显著优于现有方法，为缺血性脑卒中防治提供了重要的临床工具。

　　

磁共振图像分割模型

深度学习的发展显著推动了医学图像分割领域，特别是在磁共振成像（MRI）方面。基础模型如U-Net及其变体，以及基于Transformer的架构（如nnFormer和SwinUNETR）都展现出优异性能。Isensee等人提出的nnU-Net框架通过任务自适应配置、自动预处理和数据增强策略提升了模型泛化能力。

概述

我们提出ICAD-SegNet架构（图2所示），专门解决黑血MRI中ICAD斑块分割的独特挑战。这些图像存在显著难点：斑块与背景对比度低、信噪比（SNR）差、边界模糊以及斑块尺寸小导致的严重类不平衡问题。此外，ICAD斑块在形态、位置和强化模式上表现出高度的患者间异质性。为克服这些难题，我们的解决方案融合了三项核心技术突破。

数据集

颅内动脉粥样硬化疾病（ICAD）的分析研究长期受限于高质量标注数据的缺乏。为填补这一空白并加速相关算法发展，我们构建并公开了MRI-ICAD数据集。这是首个针对ICAD的磁共振黑血数据集，具有精细的专家标注并覆盖广泛年龄梯度。该数据集旨在为算法创新建立新基准，提升ICAD诊断精确度。

实施细节

我们的模型基于PyTorch 2.7.0框架开发，在配备32核6GHz CPU和两张GeForce RTX 5090 Ti GPU的Ubuntu工作站上运行，采用CUDA 12.8加速。模型训练500个epoch，批次大小为4，使用8个worker线程进行数据加载。优化器选用Adan，动量系数设置为β₁=0.98，β₂=0.92，β₃=0.99，数值稳定性参数为1e-8。初始学习率采用预热策略，在训练过程中动态调整。

讨论

本研究中，我们提出的ICAD-SegNet在颅内动脉粥样硬化疾病（ICAD）斑块分割任务中表现出色，获得Dice分数0.9356和IoU 0.8800，超越当前最优模型。该网络通过全注意力低秩自适应图像编码器、细粒度感知掩码解码器和边界正则化复合损失的协同整合，显著提升了特征提取、小目标定位和边界平滑能力。特别值得关注的是，模型在保持计算效率的同时，对微小斑块和模糊边界展现出卓越的识别精度。

结论

通过创新网络架构与高质量标注数据集的结合，ICAD-SegNet成功解决了临床实践中极具挑战性的ICAD斑块分割任务。该模型精准捕捉斑块特征，在准确性和一致性方面达到甚至超越专家水平。它不仅为ICAD斑块的自动化、标准化和定量分析提供了可靠工具，更重要的是为脑卒中预防和预后监测开辟了新的技术路径。