用于基于深度学习的动脉粥样硬化斑块分割的开放B超数据库

为什么发现隐匿的动脉问题很重要

心脏病发作和中风常常在毫无征兆时发生，但危险是在缓慢积累的：称为斑块的脂质沉积物逐渐使供养大脑和心脏的动脉变窄。医生可以通过颈部超声扫描看到这些斑块，但在每张图像上手工仔细描绘其形状既耗时又容易出错。本文介绍了一个开放且经过专家标注的图像集合，使计算机能够学习自动识别这些斑块，长期目标是使中风和心肌梗死风险评估更快、更一致并更广泛可及。

近距离观察动脉沉积

动脉粥样硬化是中大动脉在脂质和炎性细胞在血管壁堆积时慢性变硬和增厚的过程。当这种情况发生在颈动脉时，可降低流向大脑的血流并增加中风风险。评估个人风险的一个强有力方法是测量沿颈动脉斑块覆盖的总面积。问题在于，在医生或计算机测量斑块面积之前，必须有人在每张超声图像上勾勒出斑块——这项工作要求受过训练、耗费时间且需要保持一致性，而在繁忙的临床环境中很难维持。

为什么计算机需要更好的示例

现代人工智能，特别是深度学习，如果被展示足够多由专家已绘制正确边界的示例，就能学习自动描绘斑块。许多以往研究项目在理想化条件下成功使用了这些方法：图像被精心裁剪到单个明显斑块周围，没有包含无斑块的图像或同时包含多个斑块的例子。这些私有数据集通常不对外共享，导致其他研究者难以复现结果，也难以判断某个算法在日常、复杂的临床现实中是否有效。

构建更贴近现实的图像集合

为弥合这一差距，作者汇集并清理了来自阿根廷一组高风险患者的541张颈动脉超声图像数据库。针对每张图像，专家提供了对应的“掩膜”图像，斑块区域在其中被标记，从而形成一对：原始的黑白扫描图与表示斑块的黑白轮廓图。团队仔细去除了十字标记、数字和设备标识等视觉杂物，将所有图像标准化为方形格式，并确保每对图像严格对齐。最终集合有意包含无斑块的扫描、单个或多个斑块的扫描，以及位于图像中心之外的斑块，更真实地反映了临床中医生所见的情况。

让神经网络绘制轮廓

为了检验该数据库对算法开发是否真正有用，研究人员训练了三种版本的流行图像分割网络U‑Net，每种版本使用不同的特征提取主干。他们通过翻转和轻微平移图像来扩充训练数据，然后将三种模型组合为一个像素级投票的“集成”模型，决定某个像素是否属于斑块。在含斑块的图像上，该集成模型与专家描绘的重叠达到中等水平，类似不同人类专家之间可能取得的一致性。在无斑块的图像上，组合系统产生的误报相对较少，这表明它不仅学会了斑块的外观，也学会了何时不存在斑块。

这对未来护理意味着什么

对非专业人士来说，关键结论是这个开放数据库将分散且难以获取的临床图像转变为任何人都可以用来训练和测试斑块检测算法的共享资源。尽管当前性能尚未完美，并受特定患者群体和成像设备影响，但这项工作表明即使在更现实、多样的条件下，计算机也能接近专家级的描绘能力。通过免费公开图像和评估代码，这项研究为开发更健壮的工具奠定了基础，能帮助医生更快速、更一致地测量斑块负荷，从而改进心脏病和中风的预防策略。

引用: 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

关键词: 动脉粥样硬化, 颈动脉超声, 医学影像人工智能, 斑块分割, 心血管风险