基于多尺度残差长短时记忆与空间注意力网络的MRI图像分析脑卒中预测新框架

为解决脑卒中早期诊断难题，研究人员开发了一种结合AMRN（自适应多路径优化网络）图像分割、SAZO（统计美洲斑马优化算法）参数调优和MResLSTM-SAN（多尺度残差长短时记忆空间注意力网络）的深度学习框架。该研究通过MRI图像分析实现了高精度脑卒中预测，为临床决策提供自动化工具，显著降低主观误判风险，发表于《Biomedical Signal Processing and Control》。

　　

脑卒中作为全球第二大死亡原因，每年导致约5500万人死亡，其快速诊断与干预直接决定患者预后。然而，现有临床决策高度依赖医生经验与多模态神经影像（如MRI/CT）的人工判读，存在主观性强、效率低下等问题。尤其对于缺血性卒中（Ischemic Stroke），准确区分梗死核心（Infarct Core）与缺血半暗带（Penumbra）是治疗关键，但传统方法难以实现动态预测。

为解决这一难题，研究人员开发了一套创新的MRI图像分析框架。该研究首先从Kaggle平台获取2009例急性缺血性卒中MRI数据集（Acute Ischemic Stroke MRI），采用改进的自适应多路径优化网络（AMRN）进行病灶分割，并通过新设计的统计美洲斑马优化算法（SAZO）动态调整网络参数，显著提升分割精度。在特征提取阶段，整合图卷积神经网络（GCNN）的深度特征、纹理特征与形态学特征，最终通过多尺度残差长短时记忆空间注意力网络（MResLSTM-SAN）实现卒中预测。

主要技术方法

1. 数据采集：使用Kaggle公开的急性缺血性卒中MRI数据集（166.4MB，含对照组与病例组JPG图像）
2. 图像分割：AMRN网络结合SAZO算法优化参数（种群数10，最大迭代50次）
3. 特征提取：GCNN提取深度特征，并行获取纹理与形态学特征
4. 预测模型：MResLSTM-SAN整合多尺度特征与时空注意力机制

研究结果

1. AMRN分割性能：SAZO优化的AMRN在Dice系数上超越传统UNet、ResUNet等模型，有效识别微小病灶边缘
2. 特征融合优势：GCNN提取的深度特征与手工特征互补，提升模型对HT（出血性转化）的敏感度
3. 预测效能验证：MResLSTM-SAN在长期预后预测中准确率达92.7%，显著优于单一LSTM或CNN架构

结论与意义
该研究首次将多尺度残差学习与空间注意力机制引入卒中预测，通过AMRN+SAZO的创新组合解决了医学图像分割中的局部最优陷阱问题。MResLSTM-SAN模型能够捕捉MRI序列的时空动态特征，为临床提供可解释的预测结果。相比传统逻辑回归方法，该框架自动化程度高，可辅助医生在静脉溶栓治疗前快速评估组织存活概率，对医疗资源分配具有重要实践价值。未来研究可进一步拓展至出血性卒中（Hemorrhagic Stroke）的预测应用。