Модели на основе U-Net для точной сегментации инсульта головного мозга

Ишемический инсульт, широко распространённое неврологическое заболевание со значительной летальностью, требует точного определения поражённых областей для надлежащей оценки исходов заболевания у пациентов. Однако достижение такой точности осложняется различиями в размерах очагов поражения, шумовыми помехами и перекрывающимися характеристиками интенсивности сигнала у различных тканевых структур. В данном исследовании рассматриваются эти проблемы посредством сегментации сканов диффузионно-взвешенной магнитно-резонансной томографии (DWI) из набора данных ISLES 2022 и сравнительной оценки трёх современных моделей глубокого обучения: архитектуры U-Net, её расширения U-Net++ и Attention U-Net. При использовании единых критериев оценки, а именно пересечения над объединением (IoU), коэффициента сходства Dice (DSC) и полноты, модель Attention U-Net продемонстрировала наилучшие результаты, достигнув рекордных значений IoU (0.8223) и DSC (0.9021). Хотя U-Net показала достойную полноту, по другим ключевым показателям её результаты уступали U-Net++. Полученные результаты подчёркивают ценность интеграции механизмов внимания для достижения более точной сегментации. Кроме того, они показывают, что модель Attention U-Net является надёжным кандидатом для задач медицинской визуализации, в которых первостепенное значение имеют как точность, так и эффективность, тогда как U-Net и U-Net++ могут оставаться подходящими для отдельных специализированных сценариев.