Открытая база В-режимных УЗИ для сегментации атеросклеротических бляшек с помощью глубокого обучения

Почему важно выявлять скрытые проблемы с артериями

Инфаркты и инсульты часто наступают внезапно, но опасность накапливается медленно, когда жировые отложения — бляшки — сужают артерии, питающие мозг и сердце. Врачи видят эти бляшки на ультразвуковых снимках шеи, однако аккуратно обводить их на каждом изображении вручную долго и склонно к ошибкам. В этой статье представлена открытая коллекция изображений с экспертной разметкой, которая позволяет компьютерам научиться автоматически обнаруживать бляшки — с долгосрочной целью сделать оценку риска инсульта и инфаркта быстрее, более последовательной и более доступной.

Более пристальный взгляд на накопление в артериях

Атеросклероз — это медленное уплотнение и утолщение средних и крупных артерий вследствие отложения жиров и воспалительных клеток в стенке сосуда. Когда это происходит в сонных артериях шеи, кровоток к мозгу может уменьшаться, а риск инсульта — расти. Один из мощных способов оценить риск — измерить суммарную площадь, занятую бляшками вдоль сонной артерии. Загвоздка в том, что прежде чем врачи или алгоритмы смогут измерить площадь бляшки, кто‑то должен обвести бляшку на каждом УЗ‑изображении — задача, требующая подготовки, времени и устойчивой последовательности, что трудно обеспечить в загруженных клиниках.

Почему компьютерам нужны лучшие образцы

Современный искусственный интеллект, особенно глубокое обучение, может научиться автоматически обводить бляшки, если ему показать достаточно примеров, где эксперты уже нарисовали корректные границы. Многие прошлые исследования успешно использовали такие подходы, но часто в идеализированных условиях: изображения аккуратно обрезаны вокруг одной заметной бляшки, без примеров снимков без бляшек или с несколькими бляшками одновременно. Эти приватные наборы данных обычно не публикуются, что затрудняет другим исследователям воспроизведение результатов или понимание того, будет ли алгоритм работать в повседневной, более хаотичной клинической практике.

Создание реалистичной коллекции изображений

Чтобы сократить этот разрыв, авторы собрали и очистили базу из 541 ультразвукового изображения сонных артерий у группы пациентов с высоким риском в Аргентине. Для каждого изображения специалисты подготовили соответствующую «маску», в которой отмечены области бляшек, получив пару: оригинальный черно‑белый снимок и простую черно‑белую разметку бляшки. Команда тщательно убрала визуальный мусор — кресты, цифры и метки устройств, привела все изображения к квадратному формату и добилась точного совмещения изображений в каждой паре. Финальная коллекция намеренно включает снимки без бляшек, со одной или несколькими бляшками и бляшками, смещёнными от центра кадра, что лучше отражает то, что врачи видят на практике.

Разрешая нейросетям рисовать контуры

Чтобы проверить, действительно ли база полезна для разработки алгоритмов, исследователи обучили три варианта популярной сети сегментации изображений, известной как U‑Net, каждый с разной «спинкой» для извлечения признаков. Они расширили тренировочный набор, переворачивая и слегка сдвигая изображения, а затем объединили три модели в ансамбль, который голосует по каждому пикселю, принадлежит ли он бляшке. На изображениях с бляшками этот ансамбль достиг умеренного уровня совпадения с разметкой экспертов — близкого к тому, что демонстрируют разные специалисты по отношению друг к другу. На снимках без бляшек объединённая система давала относительно мало ложных срабатываний, что указывает на то, что она научилась не только распознавать внешний вид бляшки, но и определять её отсутствие.

Что это значит для будущей помощи пациентам

Для неспециалистов главный вывод таков: эта открытая база превращает разрозненные, трудно‑доступные клинические изображения в общедоступный ресурс, который каждый может использовать для обучения и тестирования алгоритмов поиска бляшек. Хотя точность ещё далека от идеала и зависит от конкретной группы пациентов и оборудования для съёмки, работа показывает, что компьютеры могут приблизиться к уровню экспертов даже в более реалистичных и разнообразных условиях. Публикуя и изображения, и код для оценки, исследование закладывает основу для более надёжных инструментов, которые помогут врачам быстро и последовательно измерять нагрузку бляшек, улучшая стратегии профилактики инфарктов и инсультов.

Цитирование: Rulloni, V.S., Perez, H.A., Dori, T. et al. An open B-mode ultrasound database for deep learning-based atherosclerotic plaque segmentation. Sci Data 13, 702 (2026). https://doi.org/10.1038/s41597-026-06952-7

Ключевые слова: атеросклероз, сонографию сонной артерии, ИИ в медицинской визуализации, сегментация бляшек, кардиоваскулярный риск