脑卒中是全球第二大死亡原因，2020 年有 348 万人死于缺血性卒中。动脉粥样硬化斑块尤其是易损斑块被认为是缺血性脑血管事件的重要预测因子和相关因素。高分辨率磁共振（MR）血管壁成像作为一种高分辨率、无创且准确的斑块定量评估方法，可提供斑块形态和成分的详细信息。研究人员可基于 MR 血管壁图像对斑块进行定量评估，以实现风险评估、监测斑块进展及评价治疗效果。

斑块和血管壁的分割是进一步定量分析的基础，但手动分割斑块在大规模切片中耗时且需要经验丰富的放射科专业人员，这会影响风险评估的及时性和准确性。此前研究人员已使用多种计算机辅助方法提升斑块分割效率，但计算机辅助方法仍需手动干预（如选择 “种子点” 以提供脂质核心位置的初始信息）。传统机器学习分类方法依赖人工特征，对低对比度边界（如血管壁外边界）的检测能力有限。

近年来，基于深度学习的算法（如卷积神经网络（CNN）模型）在医学感兴趣区域（ROI）分割中表现优异。部分研究人员已使用基于 CNN 的模型在超声图像中分割斑块并评估定量结果，但超声颈动脉斑块成像存在空间分辨率和对比度低于 MRI、斑块成分识别精度不足等局限。另有研究人员利用基于 CNN 的模型在 MR 图像中分割动脉血管壁以用于量化和潜在斑块评估，但未直接针对斑块。与血管壁和管腔相比，斑块形状多变且边界对比度低，因此自动斑块分割难度更大。Ran Li 等采用两阶段框架分割斑块，但数据量小，以整个血管作为先验无法实现最佳性能，且缺乏对定量结果的评估（而定量结果对临床实践至关重要）。近期研究表明，斑块面积等定量特征是预测缺血性卒中的重要指标，结合斑块面积等定量特征可提升斑块进展预测的准确性，因此准确分割斑块以进行定量评估具有必要性。

最近，发表在European Radiology 上的一篇文章开发并验证了一种基于深度学习的自动分割方法，用于 MR 血管壁图像中血管壁和动脉粥样硬化斑块的分割及定量评估。

纳入来自 5 个中心的 193 例动脉粥样硬化斑块患者（107 例用于训练和验证，39 例用于内部测试，47 例用于外部测试），均接受 T1 加权 MRI 扫描，方法第一步构建纯学习型卷积神经网络（CNN）模型 Vessel-SegNet 分割管腔和血管壁，第二步利用血管壁与斑块的形态相似性，结合血管壁先验（包括手动先验和基于 Tversky 损失函数的自动先验）优化斑块分割，采用 Dice 相似系数（DSC）、组内相关系数（ICC）等指标评估分割的相似性、一致性及相关性。

管腔与血管壁分割的多数 DSC 值超过 90%，引入血管壁先验后斑块分割 DSC 提升超 10% 达 88.45%，基于 Tversky 损失函数的先验较基于 Dice 损失函数的先验进一步将 DSC 提升近 3% 达 82.84%，Vessel-SegNet 与手动分割方法在 6 项定量测量中的多数 ICC 值＞85%（p＜0.001）。

表 所提出的血管分割网络模型（Vessel-SegNet）在不同先验条件下的斑块分割的骰子相似系数（DSC，%）结果

本项研究表明，研究所提出的基于 CNN 的分割模型可快速准确实现血管壁与斑块的分割及定量评估，但因缺乏其他设备、人群及解剖学研究的验证，结果可靠性需进一步探索。

原文出处：

Long Yang,Xiong Yang,Zhenhuan Gong,et al.Deep learning-based automatic segmentation of arterial vessel walls and plaques in MR vessel wall images for quantitative assessment.DOI:10.1007/s00330-025-11697-9

Tags： European Radiology：基于深度学习的MR血管壁图像中动脉血管壁和斑块的自动分割定量评估