[논문 리뷰] StrokeNeXt: A Siamese-encoder Approach for Brain Stroke Classification in Computed Tomography Imagery

Leo Thomas Ramos, Ángel D. Sappa|arXiv (Cornell University)|2026. 02. 16.

Acute Ischemic Stroke Management인용 수 0

한 줄 요약

StrokeNeXt는 이중 분기 ConvNeXt 시메이즈 인코더와 경량 융합 디코더를 사용하여 2D CT 이미지에서 뇌졸중 및 그 하위 유형을 분류하며, 효율적인 추론으로 최첨단 정확도에 도달합니다.

ABSTRACT

We present StrokeNeXt, a model for stroke classification in 2D Computed Tomography (CT) images. StrokeNeXt employs a dual-branch design with two ConvNeXt encoders, whose features are fused through a lightweight convolutional decoder based on stacked 1D operations, including a bottleneck projection and transformation layers, and a compact classification head. The model is evaluated on a curated dataset of 6,774 CT images, addressing both stroke detection and subtype classification between ischemic and hemorrhage cases. StrokeNeXt consistently outperforms convolutional and Transformer-based baselines, reaching accuracies and F1-scores of up to 0.988. Paired statistical tests confirm that the performance gains are statistically significant, while class-wise sensitivity and specificity demonstrate robust behavior across diagnostic categories. Calibration analysis shows reduced prediction error compared to competing methods, and confusion matrix results indicate low misclassification rates. In addition, the model exhibits low inference time and fast convergence.

연구 동기 및 목표

• 응급 상황에서 CT 기반 뇌졸중 분류의 정확성 및 효율성 필요성 addressed.
• 하이브리드 기능 다양성을 높이기 위한 이중 분기 시메이즈 인코더 아키텍처 제안으로 뇌졸중 탐지 및 하위형 분류 강화.
• 실세계 CT 데이터셋에서 StrokeNeXt를 평가하고 CNN 및 Transformer 기반 대조군과 비교.
• 임상 적용 가능성을 평가하기 위한 보정성, 신뢰도, 계산 효율성 분석.
• 정확도와 자원 사용 사이의 조정 가능한 모델 계열 제공

제안 방법

• 동일한 ConvNeXt 인코더를 처리하는 이중 분기 특징 추출(같은 CT 입력 사용).
• 엔코더 출력을 합성 시퀀스로 스택하고 1D 합성 경로 및 병목 차원 투영으로 융합 디코더를 구성.
• 융합 표현에 작동하는 경량 분류 헤드.
• 224x224 CT 슬라이스에서 혼합 정밀도 및 AdamW로 CrossEntropy 및 라벨 스무딩 사용으로 학습.
• 정확도, F1, AUROC, AUPRC, MCC, Brier 점수, ECE, 그리고 대기 시간, 처리량, 메모리, FLOPs 등 효율성 지표로 평가

실험 결과

연구 질문

• RQ1 이중 분기 ConvNeXt 기반 시메이즈 인코더가 단일 분기 모델에 비해 뇌졸중 탐지 및 하위 유형 분류를 개선할 수 있는가?
• RQ2 CT 기반 뇌졸중 분류에서 모델 크기, 정확도, 보정성, 추론 효율성 간의 트레이드오프는 무엇인가?
• RQ3 제안된 융합 디코더가 브랜치 특징의 단순 연결 또는 합산보다 이점을 제공하는가?
• RQ4 StrokeNeXt가 뇌졸중 존재 여부 및 뇌졸중 하위 유형 작업에서 CNN 및 Transformer 대조군에 비해 어떤 성능을 보이는가?

주요 결과

• StrokeNeXt 변형은 뇌졸중 존재 여부 정확도 및 F1이 0.98 이상, AUROC 및 AUPRC가 약 0.99 이상으로 높게 달성.
• StrokeNeXt-tiny 및 StrokeNeXt-large는 하위 유형 분류에서도 AUROC/AUPRC ≈ 1.0 및 MCC ≈ 0.973–0.986로 강한 성능을 보임.
• 대조군과 비교할 때 StrokeNeXt-tiny는 매개변수 및 FLOPs를 대폭 줄이고 정확도와 보정성을 높였으며, StrokeNeXt-large는 더 높은 비용으로 최상의 정확도를 달성.
• McNemar 테스트에서 모든 대조군 대비 통계적으로 유의한 개선(p < 0.05).
• 이중 분기 설계는 각 클래스 민감도/특이성이 견고하게 나타나며 뇌졸중 존재 여부에 대해 거의 완벽한 분리와 하위 유형에 대한 높은 신뢰성을 제공.
• StrokeNeXt는 실시간 배치(tiny)와 최대 성능(large) 사이의 tunable 트레이드오프를 제공하며 보정성을 희생하지 않음