基于脑不对称性引导的急性缺血性脑卒中梗死病灶分割网络模型

《Expert Systems with Applications》：Brain Asymmetry-Guided Network Model for Infarct Lesion Segmentation in Acute Ischemic Stroke

本刊推荐：为解决急性缺血性脑卒中(AIS)在非增强CT(NCCT)上早期梗死病灶细微难辨、现有CNN与Transformer模型存在长程依赖建模不足或易过拟合等问题，研究人员开展了名为DySym-UNet的脑不对称性引导分割网络研究。该模型通过双通道NCCT编码半球间差异，采用对称交叉注意力(SCA)机制模拟临床对称性分析，并引入动态-Tanh激活(DyT)替代归一化层。在AISD和ISLES2018数据集上分别获得61.83±20.15和58.77±19.22的Dice系数，推理/训练延迟降低约50%，为具有左右发育不对称特征的器官系统疾病分割任务提供了新范式。

　　

在急诊室的争分夺秒中，急性缺血性脑卒中（Acute Ischemic Stroke, AIS）的救治如同一场与时间的赛跑。医生们迫切需要快速、精确地定位患者脑组织中的梗死区域，以制定最佳的治疗方案，如血管内取栓或溶栓。然而，在临床首选的筛查工具——非增强计算机断层扫描（Non-Contrast CT, NCCT）图像上，早期梗死病灶的变化极其细微，常常表现为轻微的灰白质界限模糊或脑沟变浅，这些特征很容易与正常的脑组织混淆，即便是经验丰富的放射科医生也可能漏诊。这种诊断上的挑战，催生了对自动化、高精度病灶分割技术的迫切需求。

深度学习技术，特别是U-Net及其变体，曾在医学图像分割领域带来革命性突破。但现有的方法似乎陷入了两难境地：基于卷积神经网络（CNN）的模型善于捕捉局部纹理，却难以建立远距离的空间依赖关系，当梗死病灶跨越不同脑叶甚至半球时，模型往往无法将它们联系起来，导致分割结果支离破碎。而新兴的Transformer模型虽然能建模全局上下文，但其二次计算复杂度在数据量有限的医学影像场景下容易导致过拟合，且对局部边界的细节捕捉能力较弱。更重要的是，那些直径小于15毫米的小梗死灶，虽然临床意义重大，却因其在图像中占比极小，常常在训练过程中被模型“忽视”。如何平衡全局感知与局部细节，并提升对小病灶的敏感性，成为摆在研究人员面前的关键难题。

为了解决这一系列挑战，一篇发表在《Expert Systems with Applications》上的研究提出了一种新颖的解决方案——DySym-UNet。这项研究的灵感源于放射科医生的一项核心临床技能：对称性分析。在阅片时，医生会仔细对比大脑左右半球在同一解剖层面的图像，寻找不对称的迹象作为诊断线索。研究团队巧妙地将这一临床先验知识深度融入模型设计，旨在开发一个既准确又高效的AIS病灶分割工具。

研究人员采用了几项关键技术方法来构建DySym-UNet模型。首先，他们设计了一个双通道输入机制，将原始的归一化NCCT图像与经过平滑处理的左右半球差异图进行整合，形成一个能够凸显不对称性的双通道输入，无需额外标注即可编码病灶引起的结构偏差。模型的核心是对称交叉注意力（Symmetric Cross-Attention, SCA）机制，该机制被嵌入编码器中，模拟了临床上的“跨半球通信”，建立了左→右和右→左的双向注意力流，从而实现了像素级的跨半球空间关系建模。在Transformer模块上，团队创新性地提出了DytSwin Transformer块，其关键点是用一个名为动态-Tanh激活（DyT）的元素级非线性缩放操作（DyT(x) = tanh(αx)）取代了传统的层归一化（LayerNorm），这一改进不仅稳定了梯度，还显著降低了计算开销。最后，为了特别关注小病灶，他们设计了一种混合损失函数，将边界感知约束与Dice优化相结合，有效缓解了小病灶的漏检问题。本研究在公共数据集AISD和ISLES2018上进行了验证。

Dataset

研究使用了两个公共AIS影像数据集来验证模型泛化能力。AISD数据集包含209例患者的NCCT影像及专家标注的梗死病灶掩模。ISLES2018数据集是来自ISLES挑战赛的子集，包含103例患者的NCCT数据，其病灶体积和形态更具多样性，挑战性更大。

Results of Compared Methods on the AISD and ISLES2018

定量结果显示，DySym-UNet在AISD数据集上达到了61.83 ± 20.15的Dice系数，在ISLES2018数据集上达到了58.77 ± 19.22，性能显著优于TransUNet、Swin-Unet、CoTr等对比模型。特别是在计算效率方面，与移除了DyT模块（改用传统LayerNorm）的消融模型相比，在相同硬件和批次设置下，每层推理延迟降低了52.00%，训练延迟降低了47.13%。可视化结果也表明，DySym-UNet能够更完整地分割出跨越半球的大病灶，并对小病灶有更好的检出率。

Discussion and Conclusion

该研究提出的DySym-UNet模型，成功地将脑解剖对称性先验知识深度融入到深度学习架构中。通过对称交叉注意力（SCA）模块显式建模半球间不对称性，结合动态-Tanh激活（DyT）提升训练效率和稳定性，并利用混合损失函数增强对小病灶的敏感性，该模型在急性缺血性脑卒中（AIS）病灶分割任务上实现了精度与效率的平衡。其重要意义在于，它不仅为AIS的快速精准诊断提供了一个强有力的工具，更重要的是，这种“不对称性引导”的框架范式可以迁移到其他具有左右发育不对称特征的器官系统（如肺、肾）的相关疾病分割任务中，为类似的医学图像分析问题提供了新的解决思路和参考价值。