X-LMC: Cross-View Spatiotemporal Collateral Circulation Scoring from DSA
作者: Maedeh Hafezi Moghadas, Hakim Baazaoui, Lukas Bastian Otto, Susanne Wegener, Björn Menze, Ezequiel De la Rosa
分类: cs.CV
发布日期: 2026-08-19
备注: 11 pages, 3 figures, 1 table. Accepted at SWITCH+ 2026, a MICCAI 2026 workshop
🔗 代码/项目: GITHUB
💡 一句话要点
提出X-LMC以解决DSA下的LMC自动评分问题
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 脑膜下侧支循环 数字减影血管造影 自动评分 深度学习 时空框架 对比剂动力学 临床评估 中风研究
📋 核心要点
- 现有的ASITN/SIR评分方法依赖于手动视觉检查，存在高度变异性，难以实现客观评估。
- X-LMC通过时空框架实现自动化侧支评分，利用深度学习模型捕捉对比剂动力学特征。
- 在多中心数据集上，X-LMC的表现超越了静态架构，显示出良好的临床一致性和可重复性。
📝 摘要（中文）
数字减影血管造影（DSA）是评估脑膜下侧支循环（LMC）的参考标准，为二次治疗策略、神经康复规划和回顾性中风研究提供了重要的预后见解。然而，临床LMC评分依赖于手动、变异性大的视觉检查。本文提出了X-LMC，一个基于时空框架的自动化侧支评分方法，利用时间分辨的双平面DSA进行分析。该架构通过DINOv2主干编码空间帧表示，通过跨视图注意模块融合正交投影，并使用递归网络架构建模对比剂动力学。我们在134名M1段闭塞患者的多中心数据集上评估了该框架，结果显示X-LMC在5折交叉验证中优于静态架构和相关血管成像任务的时空基线，取得了0.398的二次加权Kappa（QWK）和0.711的二分宏F1分数，表明其在临床评分中的潜在应用价值。
🔬 方法详解
问题定义：本文旨在解决数字减影血管造影（DSA）下脑膜下侧支循环（LMC）的自动评分问题。现有方法依赖于手动视觉检查，导致评分的一致性和准确性不足。
核心思路：X-LMC提出了一种时空框架，通过深度学习自动化LMC评分，旨在减少人工干预的变异性，并提高评分的客观性和一致性。
技术框架：该框架包括多个主要模块：首先，使用DINOv2主干网络编码空间帧表示；其次，通过跨视图注意模块融合正交投影；最后，利用递归网络架构建模对比剂的动力学变化。
关键创新：X-LMC是首个尝试自动化LMC评分的DSA研究，创新性地结合了多视图时序深度学习，能够捕捉特定于侧支的对比剂动力学。
关键设计：在网络设计中，采用了特定的损失函数以优化评分精度，并通过5折交叉验证评估模型性能，确保了结果的可靠性和有效性。实验中，模型的参数设置经过调优，以实现最佳的评分效果。
🖼️ 关键图片
📊 实验亮点
在5折交叉验证中，X-LMC的二次加权Kappa（QWK）达到了0.398，相较于最佳基线的0.322有显著提升。同时，二分宏F1分数为0.711，超越了0.663的基线表现，显示出该方法在自动化LMC评分中的有效性和可靠性。
🎯 应用场景
该研究的潜在应用领域包括中风患者的临床评估和治疗决策支持。通过提供客观的LMC评分，X-LMC可以帮助医生制定更有效的治疗策略，并在神经康复中发挥重要作用。此外，该方法的可重复性和高性能为未来的临床研究提供了坚实基础。
📄 摘要（原文）
Digital subtraction angiography (DSA) is the reference standard for leptomeningeal collateral (LMC) assessment, providing critical prognostic insights to guide secondary treatment strategies, neurorehabilitation planning, and retrospective stroke research. However, clinical LMC grading via the ASITN/SIR scale relies on manual, highly variable visual inspection. We introduce X-LMC, a spatiotemporal framework for automated collateral scoring from time-resolved biplane DSA. The proposed architecture encodes spatial frame representations through a DINOv2 backbone, fuses orthogonal projections via a token-level cross-view attention module, and models representations of contrast bolus dynamics using a recurrent network architecture. We evaluate our framework on a multicenter dataset of 134 patients with M1-segment occlusions. In a 5-fold cross-validation setting, X-LMC yields higher point estimates than static architectures and spatiotemporal baselines adapted from related angiographic tasks, achieving a Quadratic Weighted Kappa (QWK) of 0.398 (vs. 0.322) and a dichotomized macro-F1 score of 0.711 (vs. 0.663) against the best-performing baseline. X-LMC performance also aligns with the observed clinical inter-rater agreement (QWK: 0.314). As the first DSA study attempting to automate LMC scoring, we demonstrate that multi-view temporal deep learning can capture collateral-specific contrast kinetics. Ultimately, these benchmarks delineate the clinical ambiguities and achievable performance boundaries of automated ASITN/SIR grading, establishing a reproducible foundation for objective hemodynamic phenotyping in stroke cohorts. Code is available at https://github.com/maedehafezi/X-LMC.