深度学习算法在颈动脉超声图像中自动分割与测量近壁及远壁内膜-中层厚度的技术评估

《Scientific Reports》：Fully automated dual-wall intima-media thickness measurement in carotid ultrasound using deep learning-based segmentation models

　　颈动脉内膜–中层厚度（IMT）是通过超声测量的动脉壁结构和血管重塑的生物标志物。尽管其在当代指南中的常规心血管风险分层作用已被弱化，IMT 仍广泛应用于血管成像研究。传统的颈动脉超声测量因声影和界面伪影的限制，仅能测量远壁IMT，可能由于忽略近壁病变而低估颈动脉壁形态。本研究旨在开发并技术评估一种深度学习算法，用于从颈动脉超声图像中自动测量近壁和远壁IMT，并评估多种模型架构下的分割准确性和测量可重复性。共从康伯三星健康研究队列获取641张颈动脉B型超声图像。系统评估了10种分割架构和15种骨干网络。基于预设选择标准和五折交叉验证结果，选用ResNet-152骨干的LinkNet进行后续评估。外部验证使用来自公开可用的颈动脉超声边界研究多中心数据集的128张图像。分割性能采用交并比（IoU）和Dice相似系数（DSC）进行评估；测量准确性采用平均绝对误差（MAE）和均方误差（MSE）进行评估。在评估的10种架构中，LinkNet使用ResNet-50作为标准骨干时达到了最高的平均IoU（0.836）和平均DSC（0.910）。使用ResNet-152时，LinkNet在内部验证中达到了最高性能，平均IoU为0.849，平均DSC为0.918（远壁：IoU 0.879，DSC 0.936；近壁：IoU 0.820，DSC 0.901）。近壁IMT测量误差为0.118 mm MAE。在外部验证中，平均IoU为0.803，平均DSC为0.890，近壁MAE为0.116 mm。在所有模型中，近壁性能均一致低于远壁，反映了近壁轮廓划分中固有的声学成像挑战。所提出的深度学习流水线展示了颈动脉近壁和远壁IMT自动分割和测量的技术可行性。尽管在内部和外部数据集中均观察到令人鼓舞的性能，近壁分割仍比远壁分割更具挑战性。鉴于受试者数量有限且外部验证子集受限，这些发现应被视为概念验证结果，需要在更大、更多样的队列中进行进一步验证。