StrokeNeXt: A Siamese-encoder Approach for Brain Stroke Classification in Computed Tomography Imagery

Die Studie stellt StrokeNeXt vor, ein auf Siamesen-Encodern basierendes Modell zur Klassifizierung von Schlaganfällen in CT-Bildern, das durch eine Dual-Branch-Architektur mit ConvNeXt-Encodern und einem leichten Decoder eine überlegene Genauigkeit, statistisch signifikante Leistungssteigerungen gegenüber bestehenden Methoden sowie eine schnelle Inferenzzeit erreicht.

Das Wesentliche

StrokeNeXt: Der „Zwei-Augen-Check" für Schlaganfälle auf CT-Bildern

Stellen Sie sich vor, ein Schlaganfall ist wie ein plötzlicher Stau oder ein Rohrbruch im Gehirn. Es gibt zwei Hauptarten: Entweder ist ein Blutgefäß verstopft (ischämisch) oder es ist geplatzt und blutet (hämorrhagisch). Das ist extrem gefährlich, und die Ärzte müssen sofort wissen, welche Art vorliegt, denn die Behandlung ist völlig unterschiedlich. Ein falscher Ratschlag könnte schlimmer sein als gar keine Hilfe.

Normalerweise schauen sich Radiologen (die Experten für medizinische Bilder) CT-Scans an, um das zu erkennen. Das ist harte Arbeit, kostet Zeit und kann manchmal zu Fehlern führen, weil das menschliche Auge müde wird oder Details übersieht.

Hier kommt StrokeNeXt ins Spiel. Es ist eine künstliche Intelligenz (KI), die wie ein super-schneller, unermüdlicher Assistent funktioniert. Aber was macht sie so besonders?

1. Das Geheimnis: Zwei Augen statt einem

Die meisten KI-Modelle schauen sich ein Bild mit nur einem „Auge" an (einem einzigen Analyseweg). StrokeNeXt hingegen hat zwei identische Augen, die gleichzeitig auf dasselbe Bild schauen.

• Die Analogie: Stellen Sie sich vor, Sie versuchen, einen verdächtigen Fleck auf einem Teppich zu erkennen. Ein Experte schaut von oben. Ein zweiter Experte schaut von der Seite. Beide sehen das gleiche Bild, aber ihr Gehirn verarbeitet die Details leicht unterschiedlich. Wenn sie sich dann zusammensetzen und ihre Beobachtungen austauschen, erkennen sie viel mehr als einer allein.
• In der Technik: StrokeNeXt nutzt zwei „ConvNeXt"-Gehirne (eine moderne Art von KI-Netzwerk). Diese beiden arbeiten parallel. Das eine könnte sich auf die Kanten des Blutgefäßes konzentrieren, das andere auf die Helligkeitsunterschiede im Gewebe. Sie tauschen ihre Erkenntnisse aus, bevor sie eine Entscheidung treffen. Das macht sie viel schlauer und genauer als Modelle, die nur einen Weg gehen.

2. Der leichte Übersetzer

Nachdem die beiden „Augen" ihre Beobachtungen gesammelt haben, müssen diese Informationen zusammengeführt werden. Viele andere Modelle nutzen dafür riesige, schwere Maschinen, die viel Energie verbrauchen.

StrokeNeXt nutzt einen leichten Übersetzer (einen „Decoder").

• Die Analogie: Statt zwei dicke Bücher zu stapeln und dann alles Wort für Wort zu vergleichen, nehmen die beiden Experten ihre wichtigsten Notizen, schreiben sie auf eine einzige Karteikarte und geben diese an einen schnellen Boten weiter. Dieser Bot ist so effizient, dass er die Entscheidung in Millisekunden trifft, ohne den Computer zu überlasten.
• Das Ergebnis: Die KI ist nicht nur extrem genau, sondern auch blitzschnell. Sie kann Hunderte von Bildern pro Sekunde analysieren. Das ist wichtig, weil im Notfall jede Sekunde zählt.

3. Was hat es gebracht?

Die Forscher haben StrokeNeXt mit über 6.000 echten CT-Bildern getestet. Die Ergebnisse waren beeindruckend:

• Fast keine Fehler: Die KI hatte eine Genauigkeit von fast 99 %. Sie verwechselte kaum jemals einen gesunden Kopf mit einem Schlaganfall-Patienten oder verwechselte die beiden Schlaganfall-Typen.
• Besser als die Konkurrenz: Sie war deutlich genauer als andere bekannte KI-Modelle (wie MobileNet oder Swin Transformer) und auch besser als die klassischen Methoden, die früher verwendet wurden.
• Schnell und sparsam: Selbst die kleinste Version von StrokeNeXt ist so schnell, dass sie in Echtzeit auf einem normalen Krankenhaus-Computer laufen könnte, ohne dass teure Supercomputer nötig sind.

Warum ist das wichtig?

Stellen Sie sich eine Notaufnahme vor. Ein Patient kommt herein, das CT wird gemacht, und StrokeNeXt analysiert das Bild in Sekundenbruchteilen. Der Arzt bekommt sofort eine sehr zuverlässige Einschätzung: „Es ist ein Blutungsschlaganfall, wir müssen sofort operieren" oder „Es ist eine Verstopfung, wir brauchen Blutverdünner".

Durch diese KI werden die Ärzte entlastet, die Diagnose wird schneller und – das ist das Wichtigste – die Patienten haben eine höhere Überlebenschance, weil die richtige Behandlung sofort beginnt.

Zusammenfassend: StrokeNeXt ist wie ein Team aus zwei hochspezialisierten Detektiven, die mit einem super-schnellen Übersetzer arbeiten, um das Leben von Schlaganfallpatienten zu retten, indem sie medizinische Bilder schneller und genauer lesen als je zuvor.

Technische Zusammenfassung

1. Problemstellung

Schlaganfälle sind eine der häufigsten Todesursachen und führen weltweit zu langfristigen Behinderungen. Die klinische Diagnose stützt sich auf bildgebende Verfahren wie die Computertomographie (CT), um zwischen ischämischen (durch Gefäßverschluss) und hämorrhagischen (durch Gefäßruptur) Schlaganfällen zu unterscheiden.
Die manuelle Analyse dieser Bilder ist jedoch komplex, zeitaufwendig und erfordert spezialisiertes Fachpersonal. Dies führt zu Verzögerungen in der Notfallversorgung, menschlichen Fehlern und Inter-Observer-Variabilität. Bestehende KI-Lösungen (Deep Learning) stehen oft vor einem Dilemma: Entweder sie sind sehr genau, aber rechenintensiv (z. B. Transformer-Modelle oder 3D-CNNs), oder sie sind effizient, aber ungenau und schlecht kalibriert. Es fehlt eine Methode, die hohe diagnostische Genauigkeit mit geringer Latenz und effizientem Ressourceneinsatz verbindet, um sie in zeitkritischen klinischen Umgebungen einsetzen zu können.

2. Methodik: StrokeNeXt

Das vorgestellte Modell StrokeNeXt ist ein Deep-Learning-Ansatz, der auf einer Siamesen-Encoder-Architektur basiert.

• Dual-Branch-Design (Siamese Encoder):
  Das Herzstück des Modells besteht aus zwei parallelen, identischen Encoder-Branches, die beide denselben Eingabe-CT-Bild verarbeiten. Im Gegensatz zu einem einzelnen Pfad nutzen diese Zweige nicht geteilte Parameter. Durch das unabhängige Training spezialisieren sich die Zweige auf unterschiedliche visuelle Merkmale, was zu einer höheren Vielfalt und Komplementarität der extrahierten Merkmale führt.
  Als Backbone-Architektur für beide Encoder wird ConvNeXt verwendet. ConvNeXt ist eine CNN-Architektur, die von Transformer-Designprinzipien inspiriert ist (z. B. große Kernel, Layer-Normalisierung, GELU-Aktivierung), aber die Recheneffizienz von CNNs beibehält.

• Leichtgewichtiger Fusions-Decoder:
  Die Merkmale der beiden Encoder werden durch einen maßgeschneiderten, leichten Decoder fusioniert.

  • Fusionsmechanismus: Die Ausgaben der Encoder werden gestapelt und durch eine 1D-Faltung (Kernelgröße $k=2$) verarbeitet. Dies erlaubt das Lernen von Interaktionen zwischen den Zweigen und Kanälen, ohne die Dimensionalität unnötig zu erhöhen (im Gegensatz zu einer einfachen Verkettung).
  • Bottleneck-Transformation: Anschließend folgt ein Bottleneck-Modul mit zwei Punkt-für-Punkt-Faltungen (Pointwise Convolutions), Normalisierung (BatchNorm), GELU-Aktivierung und Dropout. Dies dient der Regularisierung und der Feinabstimmung der Merkmalsdarstellung, ohne die Latenz signifikant zu erhöhen.
  • Klassifikationskopf: Ein kompakter Kopf führt die finale Klassifizierung durch.

• Datensatz und Vorverarbeitung:
  Das Modell wurde auf einem kuratierten Datensatz von 6.774 CT-Bildern (TEKNOFEST 2021) evaluiert, annotiert von sieben Radiologen. Die Klassen sind: Nicht-Schlaganfall (4.551), Hämorrhagischer Schlaganfall (1.093) und Ischämischer Schlaganfall (1.130).
  Es wurden zwei Szenarien getestet:

  1. Schlaganfall-Erkennung: Unterscheidung zwischen „Schlaganfall" (ischämisch + hämorrhagisch) und „Normal".
  2. Subtyp-Klassifizierung: Unterscheidung zwischen ischämisch und hämorrhagisch (nur Schlaganfall-Fälle).

3. Wichtige Beiträge

• Architektur: Einführung von StrokeNeXt, das die Vorteile der dualen Merkmalsextraktion (Siamese-Netzwerk) mit der Effizienz von ConvNeXt und einem leichten Fusions-Decoder kombiniert.
• Leistungsnachweis: Demonstration, dass das Modell sowohl bei der Erkennung als auch bei der Subtyp-Klassifizierung einen hohen Genauigkeitsgrad erreicht, ohne auf große Datenmengen oder rechenintensive 3D-Pipelines angewiesen zu sein.
• Vergleichbarkeit: Etablierung eines neuen Benchmarks, der State-of-the-Art-Modelle (CNNs und Transformer) in Bezug auf Genauigkeit, Kalibrierung und Effizienz übertrifft.
• Statistische Signifikanz: Die Leistungsverbesserungen wurden durch gepaarte statistische Tests (McNemar-Test) als signifikant bestätigt.

4. Ergebnisse

Das Modell wurde in verschiedenen Varianten (Tiny, Small, Base, Large) evaluiert und mit Baselines wie MobileNetV2, ResNet, VGG16, Swin Transformer und anderen spezialisierten Stroke-Modellen verglichen.

• Genauigkeit:

  • Bei der Schlaganfall-Erkennung erreichte StrokeNeXt-Large eine Genauigkeit von 98,7 % und einen F1-Score von 0,987. StrokeNeXt-Tiny erreichte bereits 97,8 %.
  • Bei der Subtyp-Klassifizierung (Ischämisch vs. Hämorrhagisch) erreichte StrokeNeXt-Base einen F1-Score von 0,988 und eine AUROC von 1,000.
  • Die Modelle übertrafen konventionelle CNNs und Transformer-Baselines deutlich (z. B. Swin Transformer lag bei ca. 89 % Genauigkeit).

• Statistische Signifikanz:
  Der McNemar-Test zeigte, dass StrokeNeXt signifikant mehr Fälle korrekt klassifiziert, die von den Vergleichsmodellen falsch eingestuft wurden (p-Werte < 0,0001).

• Kalibrierung und Zuverlässigkeit:
  StrokeNeXt wies niedrige Expected Calibration Errors (ECE) und Brier-Scores auf, was bedeutet, dass die vorhergesagten Wahrscheinlichkeiten gut mit der tatsächlichen Genauigkeit übereinstimmen. Dies ist für klinische Entscheidungen entscheidend.

• Effizienz:

  • StrokeNeXt-Tiny bietet einen hervorragenden Kompromiss: ca. 58 Millionen Parameter, < 9 GFLOPs, eine Latenz von 2 ms pro Bild und einen Durchsatz von 570 Bildern/Sekunde.
  • Trotz der dualen Architektur ist das Modell effizienter als viele einzelne-Branch-Modelle (z. B. VGG16 oder ConvNeXt-Base), da der Decoder die Dimensionalität schnell reduziert.
  • Die Trainingszeiten waren gering (< 0,25 Stunden für die größten Modelle auf einer NVIDIA A100 GPU).

• Fehleranalyse:
  Die Konfusionsmatrizen zeigten, dass Baseline-Modelle häufiger falsch-negative Ergebnisse bei Schlaganfällen produzierten (ein kritischer Fehler im klinischen Kontext), während StrokeNeXt eine nahezu perfekte Trennung der Klassen erreichte.

5. Bedeutung und Fazit

StrokeNeXt adressiert erfolgreich das Spannungsfeld zwischen hoher diagnostischer Genauigkeit und Recheneffizienz.

• Klinische Relevanz: Durch die hohe Sensitivität und Spezifität sowie die gute Kalibrierung eignet sich das Modell für den Einsatz in der Notfallmedizin, wo schnelle und zuverlässige Entscheidungen über die Behandlung (z. B. Thrombolyse bei ischämischen vs. Blutstillung bei hämorrhagischen Schlaganfällen) lebensrettend sein können.
• Ressourcenflexibilität: Die Verfügbarkeit von Varianten (von „Tiny" bis „Large") ermöglicht den Einsatz sowohl auf leistungsfähigen Servern als auch auf ressourcenbeschränkter Hardware in Krankenhäusern mit begrenzter Infrastruktur.
• Innovation: Der Ansatz beweist, dass eine sorgfältig gestaltete Dual-Branch-Architektur mit ConvNeXt und einem leichten Fusionsmechanismus leistungsfähiger sein kann als komplexe Transformer-Modelle oder volumetrische 3D-Ansätze, ohne dabei die Geschwindigkeit zu opfern.

Zusammenfassend bietet StrokeNeXt einen robusten, effizienten und statistisch fundierten Ansatz zur automatisierten CT-basierten Schlaganfalldiagnose, der den aktuellen State-of-the-Art in diesem Bereich vorantreibt.