EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

Enhanced Brain Stroke Lesion Segmentation in MRI Using a 2.5D Transformer Backbone U-Net Model

Verbesserte Segmentierung von Hirnschlagläsionen in der MRT mit einem 2,5D-Transformer-Backbone-U-Net-Modell

Mahsa Karimzadeh, Hadi Seyedarabi iD, Ata Jodeiri iD, Reza Afrouzian

Brain Sciences · 22.07.2025 · 15 (8) · 778

DOI: 10.3390/brainsci15080778 ↗

Auf einen Blick

Ein U-Net mit MiT-Backbone und 2,5D-Datenaufbereitung erzielte die besten Segmentierungswerte für Hirnschlagläsionen in MRTs. Dice und IoU lagen bei 0,8153 ± 0,0101 bzw. 0,7835 ± 0,0079.

Fragestellung

Verbessert ein U-Net mit transformerbasiertem Backbone und 2,5D-Verarbeitung die Segmentierung von Hirnschlagläsionen in MRT-Bildern?

Methode

Deep-Learning-Studie mit U-Net; MiT-Backbone und 2,5D-Verarbeitung; Vergleich mit ResNet, EfficientNet sowie CNN-basiertem UNet, nnU-Net, TransUNet und SwinUNet; 4-fold cross-validation auf dem 2015 ISLES-Datensatz.

Ergebnisse

2015 ISLES-Datensatz mit MRT-Bildern und Läsionsmasken von 20 Patient:innen. Das vorgeschlagene Modell übertraf alle Vergleichsmethoden bei Dice und IoU; beste Werte: 0,8153 ± 0,0101 und 0,7835 ± 0,0079.

Schlussfolgerung der Autor:innen

Die Kombination aus transformerbasierten Backbones und 2,5D-Techniken verbessert laut Autor:innen die genaue Segmentierung von Hirnschlagläsionen und kann zuverlässigere diagnostische Werkzeuge unterstützen.

Kernaussagen

  • MiT-Backbone und 2,5D lieferten die besten Segmentierungswerte.
  • Dice: 0,8153 ± 0,0101; IoU: 0,7835 ± 0,0079.
  • Verglichen wurden ResNet, EfficientNet, nnU-Net, TransUNet und SwinUNet.

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Fachartikel in der Zeitschrift Brain Sciences, online erschienen am 22.07.2025. Verfasst von Mahsa Karimzadeh und 3 weiteren Autor:innen. Beteiligte Einrichtung: Faculty of Electrical and Computer Engineering, University of Tabriz, Tabriz 51666, Iran. Die Arbeit wurde bisher 8-mal zitiert (Crossref) und nennt 28 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Background/Objectives: Accurate segmentation of brain stroke lesions from MRI images is a critical task in medical image analysis that is essential for timely diagnosis and treatment planning.

Methods

This paper presents a novel approach for segmenting brain stroke lesions using a deep learning model based on the U-Net neural network architecture. We enhanced the traditional U-Net by integrating a transformer-based backbone, specifically the Mix Vision Transformer (MiT), and compared its performance against other commonly used backbones such as ResNet and EfficientNet. Additionally, we implemented a 2.5D method, which leverages 2D networks to process three-dimensional data slices, effectively balancing the rich spatial context of 3D methods and the simplicity of 2D methods. The 2.5D approach captures inter-slice dependencies, leading to improved lesion delineation without the computational complexity of full 3D models. Utilizing the 2015 ISLES dataset, which includes MRI images and corresponding lesion masks for 20 patients, we conducted our experiments with 4-fold cross-validation to ensure robustness and reliability. To evaluate the effectiveness of our method, we conducted comparative experiments with several state-of-the-art (SOTA) segmentation models, including CNN-based UNet, nnU-Net, TransUNet, and SwinUNet.

Results

Our proposed model outperformed all competing methods in terms of Dice Coefficient and Intersection over Union (IoU), demonstrating its robustness and superiority. Our extensive experiments demonstrate that the proposed U-Net with the MiT Backbone, combined with 2.5D data preparation, achieves superior performance metrics, specifically achieving DICE and IoU scores of 0.8153 ± 0.0101 and 0.7835 ± 0.0079, respectively, outperforming other backbone configurations.

Conclusions

These results indicate that the integration of transformer-based backbones and 2.5D techniques offers a significant advancement in the accurate segmentation of brain stroke lesions, paving the way for more reliable and efficient diagnostic tools in clinical settings.

Schlagwörter

Stichwörter der Autor:innen

MRI imagesU-Net neural networkbrain stroke lesionsdiagnostic tools

Autor:innen und Institutionen

  • Faculty of Electrical and Computer Engineering, University of Tabriz, Tabriz 51666, Iran.
  • Faculty of Advanced Medical Sciences, Tabriz University of Medical Sciences, Tabriz 51656, Iran.
  • Miyaneh Faculty of Engineering, University of Tabriz, Miyaneh 51666, Iran.

ORCID-Profile: Hadi Seyedarabi, Ata Jodeiri

Zitieren

APA

Karimzadeh, M., Seyedarabi, H., Jodeiri, A., & Afrouzian, R. (2025). Enhanced Brain Stroke Lesion Segmentation in MRI Using a 2.5D Transformer Backbone U-Net Model. Brain Sciences, 15(8), 778. https://doi.org/10.3390/brainsci15080778

Vancouver

Karimzadeh M, Seyedarabi H, Jodeiri A, Afrouzian R. Enhanced Brain Stroke Lesion Segmentation in MRI Using a 2.5D Transformer Backbone U-Net Model. Brain Sciences. 2025;15(8):778. doi:10.3390/brainsci15080778

BibTeX
@article{Karimzadeh2025,
  author = {Karimzadeh, Mahsa and Seyedarabi, Hadi and Jodeiri, Ata and Afrouzian, Reza},
  title = {Enhanced Brain Stroke Lesion Segmentation in MRI Using a 2.5D Transformer Backbone U-Net Model},
  journal = {Brain Sciences},
  year = {2025},
  volume = {15},
  number = {8},
  pages = {778},
  doi = {10.3390/brainsci15080778}
}
Kostenlos starten →