StrokeCT-2C5K：采用SE-Attention增强的深度学习模型进行四类卒中分类的双中心颅脑CT数据集

《Biomimetics》：StrokeCT-2C5K: A Two-Center Cranial CT Dataset for Four-Class Stroke Classification Using SE-Attention-Enhanced Deep Learning Models

　　

卒中是世界范围内死亡和长期神经功能障碍的主要原因之一，通过准确的疾病分类进行早期诊断直接影响治疗成功率。在计算机断层扫描（CT）图像上快速区分出血性卒中和缺血性卒中，并准确判定缺血性病例的急性期和慢性期，在临床决策过程中至关重要。在本研究中，研究人员专门构建了StrokeCT-2C5K——一个包含5000幅颅脑CT图像的双中心数据集。这些图像由放射学专家审查，并被归入四个诊断类别之一：正常、出血性卒中、急性缺血性卒中或慢性缺血性卒中。随后，将挤压激励注意力机制（SE-Attention）集成到DenseNet-121、ResNet-50和EfficientNet-B3中。从仿生学角度来看，这一通道重校准过程在功能上类似于生物选择性注意：赋予信息量更大的响应以更高权重，同时降低相关性较弱响应的影响。所有模型均在相同的训练、验证和测试方案下进行训练；标准卷积神经网络（CNN）架构与其SE-Attention增强版本进行了比较。结果表明，SE-Attention机制通过自适应地重新校准通道级信息，能够更有效地学习病灶特异性判别特征，在三种架构上实现了平均0.93个百分点的分类准确率提升。最显著的改进体现在区分缺血性卒中与出血性卒中，以及区分急性与慢性缺血性卒中方面。这些发现表明，一种在功能上类似于生物注意的选择性信息处理策略，可以在不同CNN骨干网络中改善多类卒中分类。

**研究背景与目的**

卒中（stroke）是全球范围内致死和长期神经功能障碍的主要原因之一。计算机断层扫描（CT）是疑似卒中患者的首选成像方式，但CT图像的判读耗时且易出错。现有基于深度学习的卒中分类研究大多聚焦于单一诊断目标，例如仅检测急性缺血性卒中或急性颅内出血；即使采用四分类标签的研究，其诊断类别、图像来源和评估方案也不尽相同，导致模型之间无法直接比较。尤其缺乏在一个统一框架下同时区分正常、出血性卒中、急性缺血性卒中和慢性缺血性卒中的数据集与分类系统。为此，研究人员构建了StrokeCT-2C5K双中心数据集，并使用挤压激励注意力机制（SE-Attention）增强三种卷积神经网络（CNN）骨干，以评估该仿生选择性信息处理策略对多类卒中分类的贡献。该论文发表在《Biomimetics》。

**研究方法**

研究人员从Elaz?? Fethi Sekin City Hospital和Dicle University Faculty of Medicine Hospital的放射学档案中收集颅脑CT图像，共5000幅、来自2980例患者，构成StrokeCT-2C5K数据集。由两位放射学专家（分别具有20年和4年经验）独立审阅并协商确定最终标签，将图像分为正常（NS）、出血性卒中（HE）、急性缺血性卒中（IA）