medRxiv 2026年9月14日该工作提出ISDS-MRI统一框架，利用图神经网络与序列特异性特征建模，从多序列MRI中完成缺血性卒中的检测、病灶分割与病灶体积估计，并可在MRI序列组合不完整时工作；在多个公开MRI数据集及新构建的孟加拉国三医院532例扫描数据集BGD-MRIS上评估，取得分割Dice 0.725、检测AUC 0.962、体积估计相对误差8.4%，相较对比方法Dice提升3.2%、检测提升2.6%、体积相对误差降低1.9%。该工作提出ISDS-MRI统一框架，利用图神经网络与序列特异性特征建模，从多序列MRI中完成缺血性卒中的检测、病灶分割与病灶体积估计，并可在MRI序列组合不完整时工作；在多个公开MRI数据集及新构建的孟加拉国三医院532例扫描数据集BGD-MRIS上评估，取得分割Dice 0.725、检测AUC 0.962、体积估计相对误差8.4%，相较对比方法Dice提升3.2%、检测提升2.6%、体积相对误差降低1.9%。面向缺失序列的多序列MRI缺血性卒中检测、分割与体积估计该工作提出ISDS-MRI统一框架，利用图神经网络与序列特异性特征建模，从多序列MRI中完成缺血性卒中的检测、病灶分割与病灶体积估计，并可在MRI序列组合不完整时工作；在多个公开MRI数据集及新构建的孟加拉国三医院532例扫描数据集BGD-MRIS上评估，取得分割Dice 0.725、检测AUC 0.962、体积估计相对误差8.4%，相较对比方法Dice提升3.2%、检测提升2.6%、体积相对误差降低1.9%。该工作提出ISDS-MRI统一框架，利用图神经网络与序列特异性特征建模，从多序列MRI中完成缺血性卒中的检测、病灶分割与病灶体积估计，并可在MRI序列组合不完整时工作；在多个公开MRI数据集及新构建的孟加拉国三医院532例扫描数据集BGD-MRIS上评估，取得分割Dice 0.725、检测AUC 0.962、体积估计相对误差8.4%，相较对比方法Dice提升3.2%、检测提升2.6%、体积相对误差降低1.9%。