[论文解读] StrokeNeXt: A Siamese-encoder Approach for Brain Stroke Classification in Computed Tomography Imagery

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

Acute Ischemic Stroke Management被引用 0

一句话总结

StrokeNeXt 使用双分支 ConvNeXt 伪 Siamese 编码器与轻量融合解码器，在 2D CT 图像中对脑卒中及其亚型进行分类，达到最先进的精度并实现高效推理。

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.

研究动机与目标

• 解决紧急场景下基于 CT 的卒中分类的准确性与效率需求。
• 提出双分支 Siamese 编码器架构，以提升特征多样性以用于卒中检测与亚型分型。
• 在真实世界 CT 数据集上评估 StrokeNeXt，并与 CNN 与 Transformer 基线进行比较。
• 分析校准性、可靠性与计算效率，以评估临床部署的可行性。
• 提供一个可调节的模型家族，在准确性与资源使用之间取得平衡。

提出的方法

• 使用相同 ConvNeXt 编码器对同一 CT 输入进行双分支特征提取。
• 融合解码器将编码器输出堆叠成一个合成序列，并通过一维卷积融合路径与瓶颈投影进行合并。
• 在融合表示上运行的轻量级分类头。
• 使用混合精度和 AdamW 进行训练，采用带标签平滑的 CrossEntropy，输入为 224x224 的 CT 切片。
• 使用包括准确率、F1、AUROC、AUPRC、MCC、Brier 分数、ECE 以及效率指标（延迟、吞吐量、内存、FLOPs）在内的评估指标。

实验结果

研究问题

• RQ1 双分支 ConvNeXt 基于 Siamese 编码器是否能在卒中检测和亚型分类方面优于单分支模型？
• RQ2 基于 CT 的卒中分类在模型规模、准确性、校准与推理效率之间的权衡如何？
• RQ3 所提的融合解码器相较于简单拼接或求和分支特征是否具有优势？
• RQ4 与 CNN 与 Transformer 基线相比，StrokeNeXt 在卒中存在性与亚型任务上的表现如何？

主要发现

Method	Accuracy	Precision	Recall	F1-score	AUROC	AUPRC	Balanced Acc.	MCC	Brier score	ECE	Latency (s)	Throughput (img/s)	Peak GPU (GB)	FLOPs (G)	Params (M)	Train. time (h)
StrokeNeXt-tiny	0.978	0.978	0.978	0.978	0.986	0.987	0.971	0.950	0.021	0.053	0.002	570	1.417	8.977	57.6	0.087
StrokeNeXt-small	0.980	0.981	0.981	0.980	0.976	0.981	0.972	0.957	0.019	0.047	0.003	349	1.747	17.474	100.8	0.126
StrokeNeXt-base	0.982	0.983	0.982	0.982	0.990	0.990	0.977	0.960	0.017	0.051	0.004	222	2.641	30.853	178.5	0.161
StrokeNeXt-large	0.987	0.987	0.987	0.987	0.995	0.995	0.983	0.970	0.013	0.059	0.009	113	4.950	68.940	399.9	0.245

• StrokeNeXt 变体在卒中存在性上达到较高的准确率，F1 > 0.98，AUROC 与 AUPRC 约为 0.99 或更高。
• StrokeNeXt-tiny 与 StrokeNeXt-large 在亚型分类上表现强劲，AUROC/AUPRC 约为 1.0，MCC 约 0.973–0.986。
• 与基线相比，StrokeNeXt-tiny 在准确性与校准方面更高，但参数量与 FLOPs 显著较低；StrokeNeXt-large 在成本更高时实现最佳准确性。
• McNemar 检验显示相对于所有列出的基线具有统计显著改进（p < 0.05）。
• 双分支设计在各类别的灵敏度/特异性上表现稳健，卒中存在的区分几乎完美，亚型的可靠性也较高。
• StrokeNeXt 在实时部署（极小型）与峰值性能（大型）之间提供可调的权衡，同时不牺牲校准。