基于深度学习的MR血管壁图像动脉管壁与斑块自动分割及定量评估研究

《European Radiology》：Deep learning-based automatic segmentation of arterial vessel walls and plaques in MR vessel wall images for quantitative assessment

来自多中心的研究人员为提升血管成分（管腔、管壁及斑块）量化分割的精度与效率，开发了深度学习模型Vessel-SegNet，结合管壁先验（手动/Tversky损失自动）优化斑块分割。结果显示：管腔/管壁分割Dice相似系数(DSC)>90%，斑块分割DSC提升10%至88.45%，Tversky损失先验进一步优化3%。该技术为卒中风险评估提供快速精准的量化工具。

　　

这项研究瞄准了磁共振(MR)血管壁成像中动脉管壁与粥样硬化斑块的精准量化难题。团队构建了纯学习型卷积神经网络(CNN)Vessel-SegNet，通过两阶段策略实现突破：先用网络分割管腔和血管壁，再巧妙利用管壁-斑块的形态相似性，引入管壁先验（含手动标注和Tversky损失优化的自动先验）提升斑块分割性能。

在193例多中心患者数据测试中，管腔和血管壁分割的Dice相似系数(DSC)普遍突破90%大关。更惊艳的是，管壁先验的引入让斑块分割DSC飙升10个百分点至88.45%，而采用Tversky损失（相比传统Dice损失）的先验策略还能再拔高3%，达到82.84%。定量指标ICC值在6项测量中均>85%（p<0.001），与人工分割高度一致。

这项技术的临床价值在于：传统人工分割既费时又易受主观影响，而该模型能快速输出管腔-管壁-斑块的精准三维分割，为卒中风险预测提供"AI标尺"。不过研究者也坦言，由于未跨设备、人群和解剖部位验证，这把"尺子"的普适性还需更多考验。

关键创新点在于：

1. 用形态学先验知识指导分割（类似教AI"看图找规律"）
2. Tversky损失函数精准平衡假阳性/假阴性（相当于给算法戴上"纠偏眼镜"）
3. 实现了_T1加权像上血管成分的"一键式"量化分析