基于多尺度混合注意力层级融合的颈动脉斑块精准分割算法(MHAHF-UNet)研究

来自国内的研究人员针对颈动脉粥样硬化斑块形态多样、传统分割算法难以精准捕捉结构特征的问题，开发了多尺度混合注意力层级融合U型网络(MHAHF-UNet)。该模型创新性引入中值增强正交卷积(MEOConv)模块抑制超声图像噪声，结合多融合组卷积门控机制实现多层特征自适应整合，最终在颈动脉分割任务中取得Dice系数82.46±0.31%和IOU 71.45±0.37%的优异性能，为心血管疾病防治提供了新工具。

　　

颈动脉斑块作为动脉粥样硬化的早期标志物，其精准分割对心血管风险评估至关重要。针对现有算法在复杂斑块结构捕捉和多层特征利用方面的缺陷，这项研究提出了革命性的多尺度混合注意力层级融合网络(MHAHF-UNet)。该架构暗藏两大黑科技：中值增强正交卷积(MEOConv)模块如同智能降噪滤镜，通过三元通道机制与深度正交卷积的完美配合，在消除超声图像噪声干扰的同时保持多尺度特征感知能力；多融合组卷积门控模块则化身特征调度大师，采用自适应分组卷积策略，巧妙平衡浅层细节特征与深层语义特征的传输权重。实验数据亮眼——Dice系数冲上82.46±0.31%，IOU达到71.45±0.37%，这些数字背后是算法对斑块边缘微小突起的敏锐捕捉和对异质性区域的精准判别。这项突破不仅为超声影像分析树立了新标杆，更可能成为临床医生对抗心血管疾病的AI助手。