
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于两阶段轻量化网络的颈动脉斑块早期计算机辅助诊断框架
《Scientific Reports》:Carotid artery disease diagnosis comprehensive review and two stage artificial intelligence framework
【字体: 大 中 小 】 时间:2026年09月23日 来源:Scientific Reports 4.9
编辑推荐:
摘要颈动脉闭塞是中风和脑血管疾病的主要风险因素,通常悄无声息地发展且无明显预警。颈动脉斑块的早期准确诊断对于改善治疗效果和减少潜在并发症至关重要。因此,对准确性更高的颈动脉疾病早期诊断计算机辅助诊断技术有着迫切需求。然而,现有文献仍存在碎片化问题,通常将初步分类与详细病变追踪
颈动脉闭塞是中风和脑血管疾病的主要风险因素,通常悄无声息地发展且无明显预警。颈动脉斑块的早期准确诊断对于改善治疗效果和减少潜在并发症至关重要。因此,对准确性更高的颈动脉疾病早期诊断计算机辅助诊断技术有着迫切需求。然而,现有文献仍存在碎片化问题,通常将初步分类与详细病变追踪分离开来。本研究围绕三个主要方向展开,以弥合这一临床与技术差距。第一个方向包括一项结构化的综述研究,评估此前已发表的综述论文,而第二个方向提供了颈动脉诊断中所用认证技术的完整方法学概述,包括颈动脉管腔分割、斑块分割、颈动脉分类和内中膜厚度测量。通过映射这些领域的局限性,第三个方向提出了一个实用的两阶段框架,包括将颈动脉分类为正常和含斑块,然后分割其斑块,以反映放射科医生自然的决策层级。在独立外部临床数据集上测试了五种轻量级迁移学习网络,配合多种预处理滤波器进行颈动脉分类。随后使用基于YOLOv11n的分割头部,利用专家生成的标注来勾勒斑块。在方法学上,ShuffleNet结合局部拉普拉斯滤波产生了最佳分类结果,达到98.25%的准确率、96.17%的灵敏度、100.00%的特异度、100.00%的精确度和98.05%的F1分数。关键的是,这一筛查门控保护了后续分割阶段避免处理正常扫描,并消除了假阳性。YOLOv11n-seg流水线在未见的临床扫描上达到了90.84%的Dice相似系数、77.73%的掩码召回率和83.21%的mAP50。通过早期过滤健康帧,这个双阶段流水线将计算开销减少到每帧筛查6.37毫秒、分割6毫秒的处理时间。