利用跨模态协作与差异提升多序列MRI图像半监督缺血性脑卒中病灶分割性能

　　本研究针对多序列MRI图像缺血性脑卒中病灶分割标注数据稀缺的挑战，提出了一种创新半监督框架。通过跨模态双向复制粘贴策略促进模态间信息协作，并利用差异感知校正机制高效挖掘未标注数据价值。在ISLES 22数据集上实现12.32%的DSC提升，为脑卒中精准诊疗提供新方案。

　　

精准的缺血性脑卒中病灶分割对于确定最佳再灌注治疗方案和揭示卒中病因学具有重要价值。尽管弥散加权磁共振成像(DWI)在卒中诊断中至关重要，但通过表观扩散系数(ADC)等多序列MRI图像进行学习能够利用不同模态信息的互补特性，展现出提升分割性能的强大潜力。然而现有基于深度学习的方法需要大量多模态标注数据进行训练，而获取此类数据集往往不切实际。

研究人员探索了基于多序列MRI图像的半监督卒中病灶分割方法，通过利用未标注数据在有限标注条件下提升性能，提出了一种新颖框架——通过挖掘跨模态协作与差异来高效利用未标注数据。具体而言：采用跨模态双向复制粘贴策略实现不同模态间的信息协作；运用跨模态差异知悉校正策略，从有限标注的多序列MRI数据和大量未标注数据中高效学习。

在缺血性脑卒中病灶分割(ISLES 22)数据集上的大量实验表明，该方法能高效利用未标注数据，相比使用10%标注的监督基线方法获得12.32%的DSC( Dice相似系数)提升，并以更优性能超越现有半监督分割方法。