编者按：深度学习技术正被广泛应用于各个行业中完成图像分割和配准等任务。然而，目前基于颈动脉斑块组学信息的相关研究，数量有限，多为回顾性，多集中于超声图像，且参考标准多为手动分割结果或磁共振分析结果。后续需要进行大样本、多中心的前瞻性研究，以提供更有价值的信息，推动这些先进技术在临床实践中的广泛应用。

本文汇总了两篇原始研究和一篇综述，主题都是易损斑块诊断技术与人工智能，都用到或提到了MRI-PlaqueView（该分析系统的底层技术原理是基于病理学切片结果比对所识别的斑块成分）,以飨读者：

01/ MRI：基于深度学习的颈动脉斑块自动分割技术

背景：动脉粥样硬化是心血管事件独立危险因素。超声（US）检查颈动脉斑块，因观察者之间的差异较大而难以用肉眼分类。高分辨率磁共振（MRI）斑块成像，相对于CT和US，具有更好的组织对比度，结合不同的对比度加权可能提供更有用的信息。医学图像包含大量信息，深度学习技术正被广泛应用于各个行业中完成图像分割和配准等任务。然而，目前尚未有基于颈动脉斑块MRI组学信息的相关研究。

目的：基于深度学技术，通过MRI图像，识别颈动脉斑块，评估中风风险。

方法：我们使用了经过预训练的YOLO V3、Mobile Net和RCNN模型，对它们进行了微调，并根据我们的数据集调整了超参数,自动分割颈动脉斑块MRI图像以评估中风风险。（文中直接将纳入分析的265受试者的斑块分为高危（n=116）和低危(n=149)，且使用MRI-PlaqueView软件识别分析颈动脉斑块成分，以此为标准，评估深度学习算法的表现）。

结果与结论：在识别颈动脉斑块以评估中风风险方面，我们训练的YOLO V3模型达到了94.81%的准确率，RCNN达到了92.53%的准确率，MobileNet达到了90.23%的准确率。本研究表明，该方法在磁共振成像（MRI）数据进行分类方面产生了可接受的结果。

02/ 超声：基于深度学习的颈动脉斑块自动分割技术

目的：本文旨在开发一种基于深度卷积神经网络的新型算法，通过多普勒超声图像对颈动脉斑块进行自动分割和中风风险评估。

方法：本研究纳入568例颈动脉斑块的超声扫描，使用ResNet50、Inception_v3和RPN进行医学图像的特征提取，使用RELU作为激活函数。使用增强的数据集用于训练和预测，并进行实验结果比较。

对于深度学习分割算法而言，第一步是确定训练和测试标准。自动分割结果的评估必须参考手动分割的结果。在568例颈动脉多普勒超声扫描中，数据由两名专业影像诊断助理进行手动分割,彼此之间不能看到对方的分割结果。为了获得更可靠的评估标准，随机选择了50例颈动脉多普勒超声扫描，由两位有多年工作经验的医师进行手动分割。计算这些手动分割结果中斑块的差异并取平均值，作为本研究中模型训练的标签。此外，我们使用MRI扫描技术，基于MRI-PlaqueView软件构建了的颈动脉斑块三维图像，进一步确认斑块的存在。注：MRI-PlaqueView产生的3D图像

结果与结论：。我们基于深度学习框架来实现了多普勒超声图像的自动分割，开发了超声影像-易损斑块诊断（UI-VPD）系统。我们使用ResNet50、Inception_v3等模型进行特征提取和训练，获得了最高的92.94%的准确率，优于传统方法，这暗示着该技术有望为临床药物干预提供可靠而灵活的方法。

03/ 综述：人工智能在颈动脉易损斑块分类和分割方面的应用

颈动脉易损斑块破裂是急性缺血性中风最常见的原因。近年来，颈动脉易损斑块成像技术取得了巨大进展。血管壁高分辨率磁共振成像（VW-HRMRI）是表征颈动脉易损斑块最适合和成本效益最高的成像技术，对促进早期诊断和指导临床治疗以降低缺血性中风起着重要作用。本综述总结了基于VW-HRMRI和四维流动MRI (4D flow MRI)在表征颈动脉易损斑块和血流动力学特征的发展。此外，还回顾了人工智能在斑块分类和分割方面的应用。

VW-HRMRI、4D flow MRI和人工智能可以提高易损斑块评估的效率和准确性，对指导临床积极治疗以降低斑块破裂和中风的风险具有重要意义。然而,

• VW-HRMRI对硬件和软件有较高的要求(基于VW-HRMRI的自动斑块分析软件主要有MRI-Plaque View和VesselMass，可以量化分析斑块体积和LRNC、IPH、钙化等)，检查时间较长。常用斑块量化分析参数如下：

• 4D flow MRI研究和应用仍然很少，主要的硬件制造商尚未完全商业化。常用血流动力学参数如下：

• 关于动脉粥样硬化斑块的放射组学研究是回顾性的，多集中于超声图像，无法确定其预测中风风险的能力。基于深度学习的颈动脉斑块相关研究汇总如下:

因此，后续需要进行大样本、多中心的前瞻性研究，以提供更有价值的信息，并最终推动这些先进技术的广泛应用于高效的临床实践中。