开发新模型助力脑卒中风险预测

本报讯（记者刁雯蕙）中国科学院深圳先进技术研究院副研究员张娜团队与北京大学深圳医院、江苏省人民医院、上海联影医疗科技股份有限公司合作，基于磁共振高分辨率血管壁图像，开发了一种全可学习参数的多任务分割模型，以及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。近日，相关研究成果发表于《欧洲放射学杂志》。

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。传统的手动分割方法效率低下且依赖操作者经验，而现有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。

研究团队创新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。该方法采用改进的混合架构，并集成注意力机制模块，构建了灵活、高效的分割网络。同时，他们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。

研究表明，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