基于 Transformer 方法的颈动脉超声图像斑块分割分类自动化方案：助力脑梗风险评估

为解决颈动脉超声（US）图像噪声大、斑块边缘不清及 B 超回声评估主观性强等问题，研究人员开展了基于 Transformer 方法的颈动脉超声图像斑块分割分类自动化研究。结果显示，斑块区域提取 Dice 指数为 0.592，分类平衡准确率 79.6% ，对高危低回声斑块分类准确率达 95.2%，该方法有助于评估颈动脉斑块回声分类。

　　颈动脉斑块是脑梗死的主要危险因素。超声检查（US）广泛用于筛查颈动脉斑块，但与计算机断层扫描和磁共振成像相比，US 图像噪声更多，斑块区域边缘不清晰。此外，对斑块风险评估很重要的 B 型超声回声评估存在评估者主观性的问题。以往颈动脉斑块评估研究虽有斑块分割，但多为手动操作。本研究提出基于 Transformer 方法的颈动脉 US 图像斑块分割分类自动化方案，以解决以往研究问题并进行斑块回声分类。将长轴横截面捕获的 B 型视频转换为静态图像，使用 TransUNet 进行区域提取和回声分类。TransUNet 的输出结果和 US 图像被输入视觉 Transformer（ViT），以分类为低回声或等回声 - 高回声斑块。斑块区域提取准确性指标 Dice 指数为 0.592。按回声性划分，低回声、等回声和高回声区域的 Dice 指数分别为 0.200、0.493 和 0.542。分类准确性指标平衡准确率为 79.6% ，高危低回声斑块的正确分类率为 95.2%。这些结果表明，所提方法对评估颈动脉斑块回声分类有用。