窗口自注意力（Window Self-Attention）与三维体积细化（3D Volumetric Refinement）技术在脑血管造影中用于大血管阻塞检测

《Pattern Recognition Letters》：Window self-attention and 3D volumetric refinement for large vessel occlusion detection in brain angiography

大血管闭塞（LVO）检测中提出基于GravityNet的深度学习架构，结合多头自注意力机制捕捉相邻切片的空间连续性，并通过三维非极大值抑制（NMS）减少假阳性。实验显示在130例CTA数据集上达到70.8%灵敏度，适用于急性缺血性脑卒中 workflows。

　　在当今医学影像分析领域，中风作为一种全球范围内导致死亡和长期残疾的主要疾病，其影响不容忽视。特别是在急性期，中风的快速诊断和治疗至关重要。研究表明，中风的发病率逐年上升，每年约有1500万人受到影响，其中近600万人死亡，500万人留下永久性神经功能障碍。这不仅带来了巨大的临床挑战，也对医疗资源和社会经济造成了沉重负担。在中风的分类中，缺血性中风占据了绝大多数，约占所有病例的85%。这类中风通常由血管阻塞引起，如血栓或斑块，导致大脑缺氧和营养供应中断，从而引发一系列代谢功能障碍和神经细胞死亡。在缺血性中风中，大血管阻塞（LVO）是最严重的类型之一，占所有缺血性中风病例的约46%。LVO主要影响大脑 Willis 环中的主要动脉，包括颈内动脉、大脑中动脉和基底动脉。由于LVO造成的神经损伤进展迅速，医学界提出了“时间就是大脑”的理念，强调任何未治疗的血管阻塞都会导致神经细胞的不可逆损失。因此，LVO的早期和准确识别，对于提高治疗效果和改善患者预后具有重要意义。

目前，CTA（计算机断层扫描血管造影）被认为是评估LVO的金标准。这种技术结合了传统的X射线CT和静脉注射对比剂，能够在短时间内提供高分辨率的脑血管图像，并准确定位血栓。然而，尽管CTA具有较高的临床价值，但在实际应用中仍面临一些挑战。例如，血栓的体积较小，且在脑内的位置可能变化较大，这使得其识别变得困难。此外，影像中的伪影或解剖结构的差异也可能掩盖血栓，从而影响诊断的准确性。因此，LVO的识别通常依赖于放射科专家的解读，这不仅耗时，而且容易出现不同医生之间的判断差异，导致误诊或延误治疗。

近年来，随着深度学习技术的发展，许多研究尝试利用神经网络来提高LVO的自动检测能力。例如，一些研究将LVO的分析视为一个分类问题，通过神经网络对CTA扫描进行分类，判断是否存在血管阻塞。然而，这种方法在临床实践中仍存在局限，特别是在定位血栓的具体位置方面。因此，研究者们开始探索更精确的定位方法，以支持更快的治疗决策。在这一背景下，本研究提出了一种统一的深度学习架构，该架构结合了GravityNet和多头自注意力机制，旨在提高LVO的检测精度和定位能力。

GravityNet是一种专门用于小病变识别的2D检测模型，它通过像素级别的锚点（称为gravity points）来处理单个CTA切片，这些锚点能够动态调整以更准确地定位血管阻塞。为了进一步提升模型的性能，研究者在GravityNet的基础上引入了多头自注意力机制（MSA），该机制能够捕捉相邻切片之间的空间连续性，从而提高模型对血管结构的整体理解。此外，为了减少误报，研究者还设计了一个基于三维非极大值抑制（NMS）的体积优化阶段，该阶段能够整合不同切片的检测结果，并过滤掉冗余的检测信号，从而提高检测的可靠性。

本研究的数据来源于Trueta医院，使用Philips Healthcare Ingenuity CT扫描仪收集了130例CTA扫描，并将其转换为NIfTI格式。所有扫描均遵循标准临床协议，涵盖了过去四年内的患者数据。为了确保数据的一致性，研究者对所有脑体积进行了空间裁剪，以保留最常受LVO影响的Willis环区域，并去除周围不相关的组织。这种预处理方法不仅降低了计算复杂度，还聚焦于临床意义较大的结构，减少了因头大小或扫描视野差异带来的患者间变异。

在实验设计方面，研究者评估了不同ResNet主干网络和窗口大小对自注意力机制的影响。他们使用了三种不同的窗口大小（3、5、11）进行实验，以探索网络深度和上下文窗口对检测性能的影响。实验结果表明，标准MSA在不同窗口大小下的敏感度范围为50.8%至63.8%，其中在窗口大小为5的情况下，ResNet-34表现最佳。此外，增强型自注意力机制在提高敏感度方面表现出更显著的优势，尤其是在处理复杂解剖结构和多种类型的伪影时。

本研究的成果不仅在技术上取得了突破，也为临床实践提供了新的思路。通过引入多头自注意力机制，研究者成功地提升了模型对相邻切片之间空间连续性的理解，从而提高了LVO的检测精度。同时，三维非极大值抑制方法的引入，使得模型能够在整个脑体积中整合检测结果，减少误报，提高诊断的可靠性。这些技术的结合，使得LVO的检测更加高效和准确，为急性期的快速治疗决策提供了有力支持。

此外，本研究还强调了深度学习在医学影像分析中的潜力。随着人工智能技术的不断进步，越来越多的研究开始探索如何将这些技术应用于临床诊断和治疗。例如，多模态融合技术已经被用于脑缺血的分析，而基于组织密度的特征提取方法也被应用于医学图像的处理。这些方法的引入，使得医学影像分析更加智能化，提高了诊断的准确性和效率。

在本研究中，作者还讨论了不同自注意力机制在检测性能上的差异。他们发现，标准MSA在所有切片上应用对称注意力，使得其概念上较为简单，易于实现。然而，增强型自注意力机制在处理复杂上下文信息时表现出更强的适应能力，能够更好地平衡局部精度和全局一致性。这种观察结果进一步强调了注意力机制在深度学习模型设计中的重要性，特别是在医学影像分析领域。

本研究的结论表明，LVO的检测是急性缺血性中风诊断和管理中的关键步骤，而基于GravityNet和多头自注意力机制的深度学习框架能够有效提高检测的准确性和可靠性。通过引入三维非极大值抑制方法，研究者成功地减少了误报，提高了检测的稳定性。这些技术的结合，使得LVO的检测更加高效和精确，为急性期的快速治疗决策提供了有力支持。

在未来的研究中，作者计划进一步优化模型的性能，探索更多先进的深度学习方法，以提高LVO检测的准确性和可靠性。同时，他们也希望将该方法应用于更多的临床场景，验证其在实际医疗环境中的有效性。此外，作者还希望与临床医生和放射科专家合作，进一步完善模型的临床应用，使其能够更好地服务于患者。

总之，本研究通过引入多头自注意力机制和三维非极大值抑制方法，成功地提升了LVO检测的准确性和可靠性。这些技术的结合，使得深度学习在医学影像分析中的应用更加广泛和深入。未来，随着技术的不断进步，LVO的检测将更加智能化，为急性期的快速治疗决策提供更有力的支持。