缺血性脑卒中的发生与动脉粥样硬化斑块密切相关，其诊断的关键在于对斑点和血管壁的精确分割和定量评估。但传统的手动分割方法效率不高，依赖操作人员的经验，而现有的计算机自动辅助工具在精度方面仍然存在不足，无法满足临床需求。这一技术瓶颈严重制约了缺血性脑卒中的精确诊断和治疗。

近日，中国科学院深圳先进技术研究院医学成像科学与技术系统全国重点实验室、医学工作研究所副研究员张娜团队在《欧洲放射学杂志》上发表了与北京大学深圳医院、江苏省人民医院、上海联影公司合作的最新研究成果。基于MR高分辨率血管壁图像，研究团队开发了一种全可学习参数多任务分割模型和两阶段小目标分割方法，以结构先验为指导，完成了颈部血管腔、管壁、斑块的自动精确分割和定量评估，为临床缺血性中风险评估提供了可靠的工具。

研究小组创新性地提出了双阶段自动分割量化评估方法，结合深度学习和医学结构先验。该方法选择优化的SegNet-U-Net混合架构，集成注意力机制模块，构建灵活高效的全可学习参数分割网络。同时，利用血管壁和斑块的形态相似度构建结构先验，将Tversky损失函数应用于结构先验的提高，显著提高了小目标分割的准确性。

验证表明，该系统可以在3秒内准确分割和量化血管腔、管壁和斑块，其“可见、可信、可用”的量化结果为临床决策提供了可靠的依据。