基于CoAt U SegNet增强型深度学习框架的非增强CT急性缺血性脑卒中病灶精准分割研究

　　本研究针对NCCT中急性缺血性脑卒中病灶与健康组织呈低密度、与侧脑室等密度导致的识别难题，开发了新型3D CoAt U SegNet模型。通过多尺度空洞卷积（扩张率1/3/5）和增强相似性指数优化，在500例测试数据上获得Dice系数75%、Jaccard指数70%的显著提升，为临床区分缺血半暗带与核心梗死区提供重要技术支撑。

　　

从非对比计算机断层扫描(NCCT)中分割缺血性脑卒中病灶是一项复杂挑战，因为这些病变相较于周围健康脑组织呈现低密度(hypo-intense)特性，且在多数病例中与侧脑室(lateral ventricles)呈等强度(isointensity)。早期急性缺血性脑卒中病灶在NCCT中的识别尤其困难。计算机辅助检测与分割技术可作为支撑临床医师卒中诊断的重要工具。

本文推出创新性深度学习模型CoAt U SegNet，专为从NCCT扫描中检测并分割急性缺血性脑卒中病灶而设计。与传统3D分割模型不同，本研究提出采用先进的三维深度学习方法来提升病灶勾画精度。传统机器学习模型始终难以实现令人满意的分割性能，这凸显了对更精密技术的需求。

模型训练使用50例NCCT扫描数据（验证集10例/测试集500例）。编码器卷积模块整合了扩张率(dilation rate)为1、3、5的空洞卷积(dilated convolution)，以有效捕获多尺度特征。在500例未见过的NCCT扫描上进行的性能评估显示，戴斯相似系数(Dice similarity score)达75%，杰卡德指数(Jaccard index)为70%，证明分割精度获得显著提升。研究还采用增强型相似性指数(enhanced similarity index)优化病灶分割，该技术可进一步辅助区分半暗带(penumbra)与核心梗死区(core infarct area)，为改善临床决策提供支持。