• 简讯：参红通络方治疗颈动脉粥样硬化，PlaqueView评估斑块转化
• 颈动脉内膜剥脱术前评估， PlaqueView提供技术支持
• 临床试验初步结果！！！PlaqueView提供技术支持
• PlaqueView提供技术支持,发现易损颈动脉斑块诊断新指标
• 【2023】MRI-PlaqueView支持文献汇总
• 目录更新 | 一个像期刊一样的公众号

背景：准确识别和分类颈动脉斑块对于脑卒中风险评估至关重要，但传统方法依赖人工判读，存在操作者差异大等问题，限制了临床实用性。

方法：本研究使用的数据集来源于中南大学湘雅医院，包含106位具有动脉粥样硬化风险指标的患者MRI影像（包括稳定型与易损型颈动脉斑块），共提取610张样本图像。所有图像均由经验丰富的放射科专家进行标注，并使用Plaque View软件分析斑块特征,确定斑块性质（稳定 vs. 易损）。

本研究中提出的框架由两个部分组成：

第一部分使用斑块纹理分析软件（PTAS）进行人工斑块分割，用于追踪颈动脉中感兴趣区域（ROI）；随后，采用Mask R-CNN实现颈动脉斑块的自动分割。

第二部分则使用13层传统卷积神经网络（CNN）和Inception V3模型，对MRI图像中的颈动脉斑块进行训练与分类，将其划分为稳定型和易损型，以评估脑卒中风险。基于以下4个参数，比较不同模型在斑块分类的表现：

• Dice相似系数（Dice Similarity Coefficient, DSC）：衡量预测区域与真实区域的重合程度，常用于医学图像分割；

• 交并比（Intersection over Union, IoU）：计算预测与实际区域重叠部分在总联合区域中的比例；

• 准确率（Accuracy）：衡量模型在分类任务中预测正确的样本占总样本的比例；

• ROC曲线下面积（ROC-AUC）：评估分类器区分不同类别（如易损型 vs 稳定型斑块）的能力，数值越接近1，模型表现越好。

整个研究采用的数据详情如下：

结果：Mask R-CNN 在斑块复杂解剖结构下依然获得了较高的平均 DSC/IoU。自定义CNN的分类准确率和ROC AUC表现优于Inception V，并显著优于传统方法，特别是在识别高危斑块方面表现出更强判别力。

结论：本研究建立了一个全自动分割与斑块分类的深度学习框架，实现了全自动化的斑块识别与风险评估流程，显著减少人工依赖与观察者偏差。其出色的ROC-AUC与分类准确率显示出其作为AI辅助诊断工具的临床应用潜力，有望推进脑血管疾病的标准化、数据驱动型管理。