基于掩码 R-CNN 的超声图像中导脉斑块分割
医学物理
2025-07-31 v1
摘要
背景：超声成像在诊断导脉斑化性atherosclerosis中发挥关键作用，这是心血管和脑血管疾病及事件的重要前因。该非侵入性模态提供实时高分辨率图像，使临床医生能够在无需侵入性操作的情况下评估导脉动脉中的斑块。目的：本研究提出了一种改进的掩码 R-CNN 模型，该模型最初用于导脉腔洞检测，用于自动生成包围斑块的边界框，以实现分割，辅助我们的超声弹性图谱工作流程。方法：我们采用 PyTorch torchvision 实现的掩码 R-CNN 进行导脉斑块检测。数据集由118例因需进行导脉内动脉粥样硬化术的严重狭窄导脉斑块组成。由于数据集中斑块呈现形式的差异，各种 R-CNN 模型根据允许的预测区域数量表现各不相同。对这些模型的共享预测进行概览分析，显示与单个模型结果相比略有提升。结果：采用 Dice 相似系数和交并比等评估指标。使用5个最大预测区域训练、使用2个最大预测区域测试的模型获得最高的单个准确性，Dice 分数为0.74，交并比为0.61。对所有模型进行过滤后的综合分析显示性能略有提升，分别为0.76和0.61。结论：由于患者中斑块呈现形式和类型的显著差异，导脉斑块掩码 R-CNN 网络的准确性将受益于纳入额外患者数据集以增加训练数据集中的差异性。
引用
@article{arxiv.2507.22848,
title = {Carotid Plaque Segmentation in Ultrasound Images Using a Mask R-CNN},
author = {Maxwell J. Kiernan and Rashid Al Mukaddim and Carol C. Mitchell and Jenna Maybock and Stephanie M. Wilbrand and Robert J. Dempsey and Tomy Varghese},
journal= {arXiv preprint arXiv:2507.22848},
year = {2025}
}
备注
14 pages, 3 figures, 4 tables