光学相干断层扫描中动脉粥样硬化斑块的自动化分割与定量分析：基于混合深度学习策略的精准识别研究

　　本研究针对光学相干断层扫描（OCT）图像中动脉粥样硬化斑块人工分析效率低、主观性强的问题，开发了一种基于混合机器学习策略的自动化分割框架。研究团队利用多中心OCT数据，训练了针对不同斑块形态特征（包括管腔、纤维帽、脂质核心和血管滋养管）的专用模型，并通过加权集成方法显著提升了分割精度（整体DSC达0.882）。该研究为心血管疾病的精准诊断和风险分层提供了可靠的技术支撑，推动了OCT在临床中的智能化应用。

　　

心血管疾病是全球范围内导致死亡的主要原因，其中动脉粥样硬化是核心病理基础。准确识别易损斑块对于预防急性心血管事件至关重要。光学相干断层扫描（OCT）作为一种高分辨率成像技术，能够清晰显示斑块的微观结构特征，如纤维帽、脂质核心和微血管。然而，传统的手动分析方法不仅耗时耗力，还高度依赖操作者的经验，导致结果存在较大主观差异。随着机器学习（ML）技术的快速发展，尤其是深度学习在医学图像分析中的广泛应用，自动化、高精度的斑块分割与量化成为可能，但仍面临类别不平衡、特征形态复杂以及模型泛化能力不足等挑战。

为了应对这些挑战，研究人员开展了一项针对OCT图像中动脉粥样硬化斑块的自动化分割与量化研究，旨在通过先进的机器学习技术提升诊断的准确性和效率。该研究近期发表在《Computers in Biology and Medicine》上，为心血管影像分析领域提供了重要的方法论创新和临床实践参考。

研究团队采用了多项关键技术方法以实现这一目标。首先，他们构建了一个多中心数据集，包含来自103例患者的OCT图像，并由专业心脏科医生标注了四种关键的斑块形态特征（PMFs）：管腔（Lumen, LM）、纤维帽（Fibrous Cap, FC）、脂质核心（Lipid Core, LC）和血管滋养管（Vasa Vasorum, VV）。针对数据中不同类别的高度不平衡分布（例如，LM实例数达21,808，而VV仅450），研究设计了一种混合分割策略：对高 prevalent 的LM和 underrepresented 的VV采用单类别模型，对形态复杂且边界重叠的FC和LC采用多类别模型。在模型选择上，团队系统评估了九种主流深度学习架构，包括U-Net、U-Net++、DeepLabV3、DeepLabV3+、FPN、LinkNet、PSPNet、PAN和MA-Net，并通过贝叶斯优化进行超参数调优，以Dice相似系数（DSC）作为核心评估指标。此外，训练过程中采用了五折交叉验证和多种数据增强技术（如水平翻转、高斯噪声和亮度调整）来提升模型鲁棒性。最终，通过加权集成方法融合各模型预测，进一步优化整体性能。

研究结果部分详细展示了该方法的有效性和优势。在超参数调优中，针对不同PMF的最佳模型配置被确定：U-Net++（用于LM分割）、LinkNet（用于FC和LC分割）和U-Net（用于VV分割），这些模型在调优数据集上表现出色，例如LM的DSC达到0.989。模型训练动态显示，LM和FC/LC模型收敛迅速且稳定，而VV模型由于特征细微且样本量少，训练过程波动较大，凸显了其分割难度。在分割性能评估中，该方法在测试集上取得了显著成果：LM的DSC为0.987，FC和LC分别为0.736和0.751，VV为0.610。加权集成策略进一步将整体性能提升至加权DSC 0.882，显著优于多数投票和未加权平均等朴素方法。视觉评估和类别激活映射（CAM）分析证实，模型能够准确聚焦于解剖相关区域，如LayerCAM和HiResCAM在边界 delineation 上表现最佳，但对于LC等复杂特征，部分CAM方法仍存在误激活，反映了其形态挑战。

研究结论部分强调，该工作提出了一个鲁棒的机器学习驱动框架，通过混合策略和加权集成学习有效解决了类别不平衡和特征复杂性问题，大幅提升了动脉粥样硬化斑块分析的准确性和效率。这些发现具有潜在的临床意义，包括改进高风险斑块的检测和增强心血管护理中的决策支持。然而，临床采用前仍需进一步的前瞻性验证。未来研究应集中于扩展数据集、整合多模态成像以及优化模型以实现实时临床使用，从而为心血管诊断的变革性进展铺平道路。讨论中还指出，与分类或目标检测相比，分割能够提供像素级的空间信息和量化能力，这对于临床决策（如纤维帽厚度测量）至关重要，但同时也面临标注负担重和计算需求高的挑战。总体而言，该研究不仅推动了OCT影像分析的自动化进程，也为跨学科应用（如肿瘤学和神经学）的高分辨率组织成像提供了可借鉴的方法论。