语义分割
Parent: ai_keywords
语义分割（Semantic Segmentation）
【核心定义】
语义分割是计算机视觉中的像素级分类任务，旨在为图像中的每个像素赋予一个预定义的语义类别标签（如“道路”、“车辆”、“病灶”），从而将图像划分为具有不同语义含义的区域。与实例分割不同，语义分割不区分同一类别的个体实例。其本质是为图像中每个空间位置建立从视觉特征到高层语义的密集映射，在医学图像分析中常作为疾病量化与靶区勾画的核心预处理步骤。
【关键技术点】
-
全卷积网络
移除传统CNN中的全连接层，保留空间维度，通过卷积层堆叠实现端到端的像素级预测，是语义分割的架构基础。 -
U-Net及其变体
引入对称的编码器-解码器结构，编码器通过下采样提取多尺度特征，解码器通过上采样恢复空间分辨率，并通过跳跃连接融合浅层细节与深层语义，尤其适合医学图像中病灶边界模糊、样本少的特点。 -
空洞卷积与特征金字塔
通过扩张卷积核采样间隔扩大感受野，避免连续池化导致的空间信息损失；结合空间金字塔池化（如ASPP）在多个尺度上捕捉上下文，提升对不规则目标的分割精度。 -
注意力机制
非局部注意力、通道注意力或空间注意力模块（如SE-Net、CBAM）可动态增强重要特征响应，抑制无关噪声，在脑血管或神经核团分割中提升边界感知能力。 -
损失函数设计
针对类别不平衡问题，常用Dice Loss、Focal Loss或边界敏感损失（如Hausdorff距离损失），直接优化分割区域的重叠度与边界一致性。
【医学/神经科学应用场景】
脑卒中急性期梗死灶分割
依托首都医科大学宣武医院神经病学平台，应用语义分割技术对多模态MRI（弥散加权成像DWI、灌注成像PWI）进行像素级分析：
- 自动勾画梗死核心区（DWI高信号）与缺血半暗带（PWI-DWI不匹配区），定量评估“灌注-扩散失匹配”体积。
- 结合注意力机制增强对微小梗死灶的检出，尤其适用于基底节、脑干等结构复杂区域。
- 为溶栓取栓决策（时间窗评估、风险分层）提供客观影像指标，减少人工勾画的主观变异，有望将梗死体积测量误差从15%降至5%以下。
该技术已延伸至癫痫病灶（局灶性皮质发育不良）及帕金森病脑深部刺激（DBS）靶点（丘脑底核、苍白球内侧部）的自动分割，推动神经电生理引导下的精准神经调控。
