黄 梨，卢 龙

（武汉大学信息管理学院，武汉 430072）

（∗通信作者电子邮箱bmiwhu@163.com）

0 引言

脑卒中具有发病率高、死亡率高和致残率高的特点，统计数据［1-2］显示，目前脑卒中是导致我国居民死亡的主要原因之一。随着人口老龄化的日益加剧，中国已成为卒中终生风险最高和疾病负担最重的国家。脑卒中主要分为三大类:缺血性卒中、出血性卒中和蛛网膜下腔出血，其中急性缺血性脑卒中（Acute Ischemic Stroke，AIS）是其最常见的类型，约占87%［3］。缺血性脑卒中是指由于脑的供血动脉（颈动脉和椎动脉）狭窄或闭塞、脑供血不足导致的脑组织坏死的总称。根据脑卒中发病后经过的时间，可将病灶阶段细分为急性（0～24 h）、亚急性（24 h～2 w）和慢性（超过2 w）［4］，急性期的及时诊断和干预对脑卒中患者的康复和预后至关重要。在临床实践中，医生通常使用电子计算机断层扫描（Computed Tomography，CT）和核磁 共振成 像（Magnetic Resonance Imaging，MRI）来观测脑卒中病灶。量化脑卒中病变有助于专家评估患者病情，制定治疗方案，在临床决策过程中具有重要价值。通常情况下，病灶的分割是由专业的放射科医生手工完成的，人工地分割病灶区域费时费力且主观性强。因此，一种能够快速、准确地自动识别病变区域，辅助医生诊断的分割算法是临床实践中极为需要的。

在过去的十年中，深度学习方法尤其是卷积神经网络（Convolutional Neural Network，CNN）在医学影像分析中取得了巨大的成功。特别是由Ronneberger 等［5］提出的U-Net，已经被国内外学者广泛地应用于生物医学图像分割任务中［6-9］。U-Net由对称的编码器-解码器结……