一种结合 YOLOv11n 与轮廓模型的颈动脉分割混合流程

这对中风预防为何重要

中风常在毫无预兆的情况下发生，但许多病变在颈部静默进行——颈动脉负责向大脑输送血液。医生可以通过超声发现这些动脉的早期病变，超声检查既快速又无痛，但在每张图像上人工精确描绘血流通道既耗时又带有主观性。本研究提出了一种完全自动的计算方法，能够在常见的超声视图中快速描绘颈动脉，即使在配置一般的硬件上也能运行，旨在使早期中风风险评估更快、更可靠并更易于在日常诊所部署。

颈部血管中的隐患

随着脂质在血管壁堆积，颈动脉可能发生狭窄，限制了流向大脑的血流并增加中风风险。因为症状常在严重损伤之后才出现，对有风险人群（如老年人、吸烟者以及糖尿病或心脏病患者）定期筛查至关重要。超声成像非常适合此类筛查：价格低、安全、且广泛可用。然而，图像噪声多、对比度低，且附近结构（如颈静脉）外观可能与动脉相似。因此，描绘血管的精确内界面——“腔 lumen”——对人类和机器而言仍是困难且耗时的任务。

为医生设计的三阶段数字助手

作者设计了一个混合流程，模拟细心的技师分析超声图像的思路，但实现自动化。首先，一个紧凑的深度学习检测器（YOLO 家族的现代变体）在每张图像中搜索并绘出一个紧密包围颈动脉腔的方框，覆盖横截面（圆形视图）和纵向（长管形视图）。这一步将注意力集中在颈部的正确区域，并在测试数据上表现出极高的可靠性，模型几乎不会漏检血管。

随后，对于横截面图像，系统在该方框内通过一系列精心调优的滤波步骤改善超声图像质量。它在保护边缘的同时平滑颗粒状的斑点噪声、提升局部对比使动脉壁突显、调整亮度、在更大尺度上再去噪，并最终锐化边界。这些操作重塑了后续轮廓追踪算法所“看到”的能量景观，使真实的腔边界成为曲线更可能追随的最有吸引力路径，而不是随机噪声。

智能轮廓锁定正确血管

在横截面图像被净化后，经典的主动轮廓模型（有时称为“蛇”）从检测器的方框出发，逐步滑向最近的强边界。由于预处理放大了真实血管边缘并减少了干扰伪像，蛇形模型能够整齐地收敛到腔周围。对于纵向图像，挑战有所不同：检测器的初始方框可能同时包含颈动脉和颈静脉，两者由于血液填充看起来都较暗。为避免混淆，作者通过在初始方框内扫描找到最暗且最均匀的区域（典型的动脉腔内表征），并以受控方式扩展该区域，自动生成第二个更精确的方框。这个细化后的区域作为 Chan–Vese 轮廓模型的种子，该方法依据曲线内外像素强度差异生长边界。若能在正确位置初始化，它便能追踪长而缓曲的腔体，同时忽略邻近静脉。

实际效果如何？

团队在两个公开数据集上测试了他们的系统：超过一千张横截面图像和数十张纵向图像，每张图像都有专家绘制的腔轮廓作为比较。他们使用五折交叉验证并保留测试集以避免过拟合并模拟对未见患者的表现。横截面上，该方法达到约 91% 的 Dice 得分（自动轮廓与专家轮廓重叠的度量），总体准确率接近 99.6%。纵向图像的 Dice 得分约为 95%，准确率约为 97.7%。消融研究（有意移除流程的部分模块）表明，无论是初始定位、针对性的预处理，还是精化掩模生成都是必需的；缺少任一部分，性能会显著下降，甚至导致算法数值不稳定。

对未来护理的意义

对非专业人士而言，这些数字意味着一种低成本的计算系统现在可以在颈动脉超声扫描中几乎以训练有素的专家一样忠实地描绘输血通道，并且在普通笔记本电脑上对横截面视图的处理时间低于一秒。通过将现代检测网络与成熟的曲线追踪方法结合，该方法兼具速度与可解释性。如果被广泛采用并扩展为同时分析斑块与腔体，此类工具可将常规颈部超声转变为更强大的中风早期预警系统，在任何使用超声设备的场景中为临床人员提供一致且客观的测量结果。

引用: Salama, G.M., Safy, M., Hassanin, D.A. et al. A hybrid pipeline for carotid artery segmentation using YOLOv11n and contour models. Sci Rep 16, 9808 (2026). https://doi.org/10.1038/s41598-026-41007-2

关键词: 颈动脉超声, 中风筛查, 医学图像分割, 医学中的深度学习, 血管成像