基于噪声诱导自监督混合UNet Transformer的有限标注数据缺血性脑卒中分割方法研究

本研究针对缺血性脑卒中病灶分割任务中标注数据稀缺的难题，提出了一种结合CNN与Transformer优势的噪声自监督混合架构HUT-NSS。通过引入噪声锚点机制和域适应技术，该方法在ISLES2018数据集上仅用1%标注数据时，Dice分数仍超越现有最佳模型USSLNet 5.34%，为小样本医学图像分析提供了新范式。

　　

缺血性脑卒中病灶分割的困境与突破
在全球致残和致死率最高的脑血管疾病中，缺血性脑卒中因其复杂的病理机制成为临床诊断难点。现代影像技术如CT灌注(CTP)和MRI虽能捕捉脑血流动力学变化，但准确识别缺血半暗带与梗死核心区仍面临两大挑战：一是传统方法对急性期病灶敏感性不足，二是深度学习依赖大量专家标注数据——这在医疗领域尤为稀缺，每位患者的CTP参数图（包括脑血流量CBF、脑血容量CBV等）需要放射科医生耗时标注。

新加坡南洋理工大学的研究团队在《Scientific Reports》发表的研究中，创新性地将噪声正则化引入自监督学习框架，开发出Hybrid UNet Transformer with Noise-induced Self-Supervision (HUT-NSS)模型。该研究通过三个关键突破实现了小样本下的精准分割：首先构建能量谱密度模型证明噪声输入能产生均匀概率分布（Proposition 1.4），其次采用AdaIN对齐技术消除UniTOBrain与ISLES2018数据集间的域偏移，最后提出动态权重机制优化Dice损失与交叉熵损失的平衡。

方法学创新
研究采用多阶段训练策略：1）通过噪声锚点机制对未标注的109例UniTOBrain数据集进行预训练，使Transformer分支(VTS)在噪声对比学习中捕获全局特征，UNet分支(UNS)执行去噪任务；2）使用AdaIN层对齐源域与目标域的强度分布；3）在下游任务中引入基于梯度累积的动态损失权重调整。主要技术路线涵盖能量谱密度建模、自适应实例归一化(AdaIN)和跨分辨率Transformer架构。

研究结果
性能对比实验
在ISLES2018测试集上，HUT-NSS以62.4%的Dice分数刷新纪录，较原监督版HUT提升2.4%，HD95距离降低28.1%。当标注数据缩减至1%时（仅1例训练样本），仍保持37.0%的Dice分数，显著优于nnUNet（31.8%）和TransBTS（26.5%）。

可视化验证
如图3所示，对于受试者13的CTP参数图（含CBF、CBV、MTT、TTP），HUT-NSS在50%标注数据下生成的病灶轮廓最接近金标准，而Transformer基模型UNETR出现显著欠分割。图4展示的10%数据训练案例中，HUT-NSS虽丢失细节但保持了病灶拓扑结构完整性。

消融研究
噪声自监督策略被证明优于DINO和SIMCLR，在1%数据场景下Dice分数提升达9.1%。动态加权机制对自监督模型效果显著，在10%数据时带来7.7%性能增益，但对纯监督模型可能产生负面影响。

结论与展望
该研究通过噪声诱导的谱能量模型，首次实现自监督学习在缺血性脑卒中分割中的性能超越监督学习。临床价值体现在：1）缓解标注依赖，使模型可利用大量未标注CTP数据；2）通过域适应整合多中心数据；3）动态加权机制增强小样本鲁棒性。未来可扩展至多模态MRI分析，但需注意FDA等监管要求，确保算法可解释性以符合临床决策支持系统的伦理标准。研究代码已开源（GitHub: vicsohntu/HUTNSS_CT），为医学影像分析社区提供重要工具。