基于边界显著性的超声颈动脉内中膜的智能提取

为进一步提高超声颈动脉内中膜提取和测量的准确性,本研究基于U-Net模型提出了改进的分割网络,以实现对颈动脉内中膜的精准提取。首先,在网络中加入条形注意力模块,利用先验形状和解剖信息以解决传统卷积感受野受限的问题;此外,结合后处理细化模块以更好地减少图像中噪声和伪影干扰,通过从内中膜的固有膜形状特征中学习,从而实现校正估计误差。在采集的1000张颈动脉血管超声图像数据库中进行测试,分割Dice达到0.932,内中膜厚度的平均误差为0.914个像素。本研究有望为动脉疾病的自动分析提供重要的参考依据。