实例分割
Parent: ai_keywords
核心定义
实例分割（Instance Segmentation）是计算机视觉中的高阶任务，旨在对图像中每个物体实例同时进行检测、分类和像素级掩膜预测。与语义分割仅区分语义类别不同，实例分割要求区分同一类别的不同个体（如不同脑区病灶）。在AI+医学领域，它提供了从图像到量化个体结构的精确映射。
关键技术点
-
两阶段掩膜预测（Mask R-CNN）
基于Faster R-CNN框架，在目标检测分支外并行添加全卷积掩膜头，对每个ROI生成二值掩膜，并通过RoIAlign保持像素对齐，显著提升医学图像小目标（如微出血点）的分割精度。 -
特征金字塔网络（FPN）
通过自顶向下路径和横向连接融合多尺度特征，使网络能同时捕捉大范围脑区轮廓和微小病变边缘，解决了脑卒中梗死灶大小不一的问题。 -
基于Transformer的端到端方法（Mask2Former）
引入掩膜注意力机制和查询向量，直接预测实例掩膜与类别，消除锚框和后处理依赖，在复杂背景（如多模态MRI）下鲁棒性更强。 -
联合损失优化
结合分类损失（交叉熵）、边界框回归损失（Smooth L1）和掩膜损失（二值交叉熵）进行多任务训练。针对医学样本不平衡，常引入Dice损失或Focal损失强化对罕见病变（如癫痫局灶性皮层发育不良）的识别。
医学/神经科学应用场景
以脑卒中精准评估为例，结合首都医科大学宣武医院神经病学团队的研究，实例分割可用于：
- 缺血半暗带与核心梗死区分割：在CT灌注或DWI-MRI中，分割每个低灌注区域和梗死核心，自动计算错配比，辅助溶栓决策。
- 微出血点与血管内血栓检测：区分同一患者脑内不同大小的出血灶（如0.5 mm²微出血与大片血肿），量化出血负荷。
- 纵向病程追踪：对急性期至慢性期多次扫描的梗死灶进行实例级别配准，计算体积变化速率，预测功能结局（如mRS评分）。
在癫痫领域，实例分割可对海马体硬化患者双侧海马亚区进行个体化分割，区分神经元丢失与胶质增生区域；在帕金森病中，则用于分割黑质致密部小体体积（Neuromelanin MRI），辅助早期诊断与分期。
