SADL
面向慢性缺血性卒中病灶分割的尺寸自适应决策层方法，基于nnU-Net的集成学习框架，通过自适应阈值分桶、连通组件剪枝和never-empty救援机制解决多尺度分割难题
时间轴 (近 90 天)
SADL（尺寸自适应决策层）是面向 ISLES 2026 挑战赛提出的，通过集成学习加后处理决策层的组合方案，用于慢性缺血性卒中病灶分割
SADL 方案底层是一个基于 nnU-Net 的十一成员集成模型，在五个设计轴上形成差异化
SADL 的五个设计维度包括：Dice与top-K损失组合的基线损失函数、强数据增强、按病灶体积重加权、随机权重平均（SWA）、队列均衡采样与残差编码器主干的配对
SADL 决策层执行自适应流程：估计病灶体积并施加按尺寸分桶的阈值、按体素数量和峰值概率剪枝连通组件、加入'永不为空'救援步骤
never-empty rescue 救援机制在小病灶场景下尤为关键，可拦截概率略低于阈值而被静默丢弃的小病灶样本
SADL 的所有融合权重和分桶参数都在折外预测（OOF）上拟合完成，调参过程不触碰留出测试集，以避免数据泄露
在站点不相交的 91 例留出集上，SADL 取得 Dice 系数 0.7322、病灶级 F1 为 0.7461、PR-AUC 为 0.8430
研究者采用配对非参数自助法将 SADL 与参考单成员集成对比，确认 lesion-F1 的提升具有统计学意义（p=0.024）
SADL 的增益最大区间出现在小病灶场景，印证 never-empty rescue 决策层设计的针对性
SADL 将剪枝阈值与病灶尺寸分桶联动，使小病灶保留标准相对宽松、大病灶碎片惩罚相对严格
全部知识事实 (10)
SADL（尺寸自适应决策层）是面向 ISLES 2026 挑战赛提出的，通过集成学习加后处理决策层的组合方案，用于慢性缺血性卒中病灶分割
50%待验证SADL 方案底层是一个基于 nnU-Net 的十一成员集成模型，在五个设计轴上形成差异化
50%待验证SADL 的五个设计维度包括：Dice与top-K损失组合的基线损失函数、强数据增强、按病灶体积重加权、随机权重平均（SWA）、队列均衡采样与残差编码器主干的配对
50%待验证SADL 决策层执行自适应流程：估计病灶体积并施加按尺寸分桶的阈值、按体素数量和峰值概率剪枝连通组件、加入'永不为空'救援步骤
50%待验证never-empty rescue 救援机制在小病灶场景下尤为关键，可拦截概率略低于阈值而被静默丢弃的小病灶样本
50%待验证SADL 的所有融合权重和分桶参数都在折外预测（OOF）上拟合完成，调参过程不触碰留出测试集，以避免数据泄露
50%待验证在站点不相交的 91 例留出集上，SADL 取得 Dice 系数 0.7322、病灶级 F1 为 0.7461、PR-AUC 为 0.8430
50%待验证研究者采用配对非参数自助法将 SADL 与参考单成员集成对比，确认 lesion-F1 的提升具有统计学意义（p=0.024）
50%待验证SADL 的增益最大区间出现在小病灶场景，印证 never-empty rescue 决策层设计的针对性
50%待验证SADL 将剪枝阈值与病灶尺寸分桶联动，使小病灶保留标准相对宽松、大病灶碎片惩罚相对严格
50%