磁共振血管壁图像自动分割模型助力脑卒中风险预测

缺血性脑卒中的发生与动脉粥样硬化斑块密切相关，其诊断的关键在于对斑块和血管壁的精准分割和定量评估。然而，传统的手动分割方法效率低下且依赖操作者经验，而现有的计算机自动辅助工具在精度方面仍存在不足，难以满足临床需求。这一技术瓶颈严重制约了缺血性脑卒中的精准诊疗。

近日，中国科学院深圳先进技术研究院医学成像科学与技术系统全国重点实验室、医工所副研究员张娜团队与北京大学深圳医院、江苏省人民医院以及上海联影公司合作的最新研究成果发表于《欧洲放射学杂志》。研究团队基于MR高分辨血管壁图像，开发了一种全可学习参数的多任务分割模型和一种以结构先验为引导的两阶段小目标分割方法，实现了对颈部血管腔、管壁和斑块的自动准确分割与定量评估，为临床缺血性脑卒中风险评估提供了可靠的智能辅助诊断工具。

研究团体提出的总体技术路线图。研究团队供图

研究团队创新性地提出了融合深度学习与医学结构先验的双阶段自动分割量化评估方法。该方法采用改进的SegNet-U-Net混合架构，并集成注意力机制模块，构建了全可学习参数的灵活高效分割网络。同时，利用血管壁和斑块的形态学相似性构建结构先验，将Tversky损失函数应用于结构先验优化，显著提高了小目标分割精度。

验证表明，该系统可在3秒内完成血管腔、管壁及斑块的精准分割与量化，其“看得清、信得过、用得上”的量化结果为临床决策提供了可靠依据。

相关论文信息：https://doi.org/10.1007/s00330-025-11697-9