CS-SegNet：新型的脑卒中病灶分割网络

来源：电子测量技术杂志2025年第11期北京时间：

作者：刘煜莹，李超生，李恭新

单位：1.江南大学轻工过程先进控制教育部重点实验室 无锡 214122;2.江南大学附属医院神经内科 无锡 214122

摘要：脑卒中是一种全球范围内导致高死亡率和残疾率的严重疾病，临床上通过早期准确的影像诊断实现早期预防和及时治疗。然而，传统的影像诊断方法对医生的知识水平和经验存在很强的依赖性，容易漏检不明显的病变特征。为此，提出了一种新型图像分割模型CS-SegNet，旨在自动分割脑卒中CT图像中的病灶区域，从而辅助诊断。CS-SegNet基于UNet-Resnet50架构，在下采样阶段引入通道和空间注意力（CASA）模块，增强对关键区域上下文信息的提取能力；在上采样阶段，结合RDSConv模块，通过残差学习和稠密连接优化卷积操作，提高特征表达能力，改善复杂背景下的分割精度；跳跃连接部分引入多尺度通道注意力（MSCA）模块，整合低层次细节信息和高层次语义信息，提升分割结果的精度和一致性。实验结果显示，CS-SegNet在分割准确率、平均交并比和召回率上分别达到99.79%、91.52%和93.83%，比UNet-Resnet50基础网络的性能分别提升了0.14%、5.11%和4.05%，并在多个对比实验中表现最优，相比于现有主流模型，该模型在脑卒中病灶分割中具有有效性以及良好的分割精度与学习能力。

关键词：深度学习;脑卒中病灶分割;特征融合;注意力机制;U-Net

基金资助：国家自然科学基金（61903157）项目资助