磁共振血管壁圖像自動分割模型助力腦卒中風險預測

缺血性腦卒中的發生與動脈粥樣硬化斑塊密切相關，其診斷的關鍵在于對斑塊和血管壁的精準分割和定量評估。然而，傳統的手動分割方法效率低下且依賴操作者經驗，而現有的計算機自動輔助工具在精度方面仍存在不足，難以滿足臨床需求。這一技術瓶頸嚴重制約了缺血性腦卒中的精準診療。

近日，中國科學院深圳先進技術研究院醫學成像科學與技術系統全國重點實驗室、醫工所副研究員張娜團隊與北京大學深圳醫院、江蘇省人民醫院以及上海聯影公司合作的最新研究成果發表于《歐洲放射學雜志》。研究團隊基于MR高分辨血管壁圖像，開發了一種全可學習參數的多任務分割模型和一種以結構先驗為引導的兩階段小目標分割方法，實現了對頸部血管腔、管壁和斑塊的自動準確分割與定量評估，為臨床缺血性腦卒中風險評估提供了可靠的智能輔助診斷工具。

研究團體提出的總體技術路線圖。研究團隊供圖

研究團隊創新性地提出了融合深度學習與醫學結構先驗的雙階段自動分割量化評估方法。該方法采用改進的SegNet-U-Net混合架構，并集成注意力機制模塊，構建了全可學習參數的靈活高效分割網絡。同時，利用血管壁和斑塊的形態學相似性構建結構先驗，將Tversky損失函數應用于結構先驗優化，顯著提高了小目標分割精度。

驗證表明，該系統可在3秒內完成血管腔、管壁及斑塊的精準分割與量化，其“看得清、信得過、用得上”的量化結果為臨床決策提供了可靠依據。

相關論文信息：https://doi.org/10.1007/s00330-025-11697-9