基于孪生视觉Transformer的小样本颈动脉超声斑块智能识别技术

本研究针对颈动脉粥样硬化斑块识别中标注数据稀缺、模型泛化能力不足的临床痛点，提出一种融合视觉Transformer（ViT）与孪生神经网络（SNN）的半监督学习框架。通过对比学习策略和边界敏感多层感知机（MLP），模型仅需少量标注数据即可实现99.35%的分类准确率，显著提升小样本条件下斑块形态演变的识别精度，为心血管疾病早期筛查提供高效AI工具。

　　

论文解读

心血管疾病（CVDs）已成为全球死亡的首要原因，其中动脉粥样硬化斑块引发的颈动脉狭窄是重要诱因。传统诊断依赖数字减影血管造影（DSA）和CT血管造影（CTA），但二者具侵入性且成本高昂。B型颈动脉超声（CUS）虽能无创呈现斑块形态，却面临严峻挑战：专业标注依赖资深医师、低对比度影像导致标注误差、小样本数据制约深度学习模型性能。尤其在资源匮乏地区，人工解读的观察者间差异性可能延误诊疗，加剧医疗风险。

为突破这一瓶颈，印度Prayagraj Kriti扫描中心的研究团队联合开发了基于自监督学习的孪生视觉Transformer架构（SNN-ViT），提出仅需少量标注数据即可实现斑块精准识别的创新方案。该研究发表于《Biomedical Signal Processing and Control》，通过三大关键技术革新传统方法：

1. ViT-SNN融合框架：采用预训练ViT-L-16编码器替代传统CNN，通过多头注意力机制捕捉斑块全局特征，结合孪生网络进行对比学习；
2. 边界敏感MLP优化：改造投影头结构，利用多层感知机动态聚类无标签数据，增强斑块边界识别能力；
3. 分层增强策略：设计两种数据增强集（Augmentation-I/II），结合5折交叉验证与硬负样本挖掘（Hard Negative Mining），提升模型对几何形变的鲁棒性。

---

研究结果

1. 斑块特性分析
通过脉冲波颈动脉多普勒超声（CDUS^?）测量收缩期峰值流速（PSV）与舒张末期流速（EDV），建立狭窄程度分级标准（正常、轻度、中度、重度），量化斑块形态学特征与血流动力学参数的关联性。

2. SNN-ViT方法验证
在1233例B型CUS图像数据集（725正常/508斑块）中：

• 增强集II显著优化性能：相比Augmentation-I，Augmentation-II（含弹性变形与局部亮度调整）使混淆矩阵中假阴性率降低47%（图8）；
• 关键指标突破：准确率达99.35%，平均精度（AP）0.99，召回率98.72%，F1分数0.99；
• ViT层有效性验证：去除稠密层（Dense Layers）的ViT基线模型假阳性率高达8.7%，引入稠密层后降至0.65%。

3. 讨论
模型优势体现在三方面：

• 特征学习能力：ViT的长程依赖建模优于传统CNN，对斑块无规则结构的全局特征提取效率提升32%；
• 数据利用效率：仅需5%标注数据即可达到监督学习99%的精度，破解医学影像标注瓶颈；
• 临床泛化性：经FP/FN样本再训练后，模型对低回声斑块（易漏诊类型）检测灵敏度达97.8%。

4. 结论
SNN-ViT首次实现小样本条件下颈动脉斑块的高精度分类：

1. 通过ViT-SNN联合嵌入网络，提取无偏全局特征表征；
2. 边界敏感MLP与分层数据增强协同提升模型对语义差异的辨识力；
3. 硬负样本挖掘机制显著降低假阳性，为超声影像的实时辅助诊断提供新范式。

---

重要意义

该研究为资源受限场景下的心血管疾病筛查开辟了新路径：

• 技术革新：突破CNN局部特征局限，利用ViT注意力机制建立像素级长程依赖，显著提升斑块边缘识别能力；
• 临床价值：以99.35%的精度实现斑块自动化分级，可整合至便携超声设备，助力基层医疗早期干预；
• 方法论贡献：提出的对比学习框架为小样本医学影像分析提供普适性解决方案，已拓展至甲状腺结节与肝脏病灶识别领域。正如作者强调，未来需在跨中心数据集进一步验证模型泛化能力，并探索三维斑块体积的动态监测应用。