凯发k8国际

2025年11月，中国科研实验室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张娜副研究员，开发出一套创新的深度学习框架，顺利获得将“极坐标映射”这一数学变换引入人工智能分析系统，实现了对全脑及颈动脉血管壁的快速、精准、全自动分割。该技术顺利获得将环形血管结构“展开”成平面进行分析，显著提升了模型对薄层血管壁的识别能力。多中心临床验证表明，该系统性能卓越，为脑卒中风险的精准评估与防控给予了高效的量化新工具。研究以 "Clinically Oriented Deep Learning Framework for Automated Vessel Wall Segmentation in Black-Blood MRI: A Multi-Center Study"为题，发表于国际影像学领域权威期刊European Radiology。

动脉粥样硬化斑块是导致缺血性脑卒中的重要原因。传统的评估方法主要关注血管腔内的狭窄程度，往往难以有效识别那些虽未引起重度狭窄、却具有高破裂风险的斑块。与之不同，黑血MR血管壁成像技术能直接显示血管壁的细微结构，清晰呈现斑块的形态、分布及其强化特征，对于精准识别高风险斑块、量化血管疾病负担具有重要意义。然而，该技术的临床应用长期面临一项关键瓶颈：依赖影像科医生在数百张图像上进行耗时且繁琐的手动勾画，这一过程不仅效率低下，且存在明显的观察者间差异，限制了该技术在大规模筛查与长期随访中的应用推广。因此，开发一套“精准、高效且具备跨中心一致性”的自动化量化工具，已成为有助于血管壁成像技术迈向规模化临床应用的迫切需求。

针对上述挑战，研究团队创新性地提出了一个融合深度学习与血管结构先验信息的全自动血管壁分割框架。该框架聚焦于血管壁薄、呈环形、斑块导致形态复杂以及边界模糊等多个核心难点，在深度学习框架中系统性地引入极坐标映射模块，构建了由 “极坐标映射—特征陆续在性建模—结构敏感损失函数” 组成的系统性解决方案，有效克服了传统笛卡尔坐标系下卷积神经网络难以精准捕捉血管径向特征的局限。

具体而言，团队借鉴数学中的极坐标概念，将圆形的血管横截面如同展开一幅卷轴般转换为平面矩形结构，这种“线性化”处理显著增强了模型对血管壁径向厚度变化与陆续在性的表征能力，从而在解剖结构复杂的区域实现了分割精度的大幅提升。此外，为解决极坐标变换可能带来的角度端点不陆续在问题，研究者设计了特征共享填充策略，确保了血管壁在角度维度上的形态连贯性，进一步提升了模型对真实解剖结构的建模精度。最后，团队还提出了专门的极坐标Dice损失函数，重点优化在图像中占比小、却极具临床意义的血管壁区域，使模型在复杂背景中仍能保持优异的边界识别能力。

为验证该方法的有效性与泛化能力，研究团队整合了来自五家医疗中心的多源临床数据。在内部测试中，系统对血管外壁、管腔及血管壁区域的分割精度均超过94%。尤为重要的是，在另外四家中心的独立外部测试集上，系统性能表现依然稳定可靠，证明了其强大的跨中心适应能力。为进一步确立方法的国际竞争力，团队在公开的MICCAI 2021血管壁分割挑战赛数据集上进行了测试，模型取得了当前最高的血管壁分割精度，结果处于国际领先水平。

本研究不仅技术上具有创新性，在临床转化与应用层面也展现出重要价值。顺利获得梯度加权类激活映射技术，团队可视化揭示了模型的决策依据，显示其注意力始终聚焦于解剖学相关的血管壁边界，增强了临床医生对AI辅助诊断结果的信任度。该系统的成功应用，有望将医生从繁重的手工标注中解放出来，实现秒级自动化分析，显著提升临床工作效率；同时，其输出结果具备高度客观性与一致性，可为血管壁厚度、斑块负荷等关键量化指标的计算给予稳定基础，辅助医生更早、更准地识别高风险患者，为脑卒中的个体化预防与干预给予可靠的影像学支持。

中国科研实验室深圳先进技术研究院博士后陶学桐为论文第一作者，中国科研实验室深圳先进技术研究院张娜副研究员为论文的通讯作者。该研究得到了国家重点研发计划、广东省磁共振成像与多模系统重点实验室和广东省脑血管病转化医学创新平台等项目的资助。

图1:文章上线截图

图2：提出方法的总体技术路线图

图3：典型病例中自动分割结果与专家手工标注的一致性对比图

图4：模型在不同坐标域下的 Grad-CAM 可视化，用于展示其关注的关键区域