探讨基于U-Net神经网络的多模态MR影像颈动脉血管分割方法的价值。
方法回顾性分析了2012年至2015年中国动脉粥样硬化风险评估研究项目中，经标准多模态MR扫描，且两周内出现缺血性脑卒中或短暂性脑缺血的患者。经纳入标准和排除标准筛选后，有658例患者共17 568层颈动脉血管壁影像纳入研究。应用定制设计的心血管疾病评估计算机辅助系统（CASCADE，华盛顿大学血管成像实验室，西雅图）对所有影像数据进行分析。按照训练集、验证集和测试集6∶2∶2的比例，随机选取10 592个样本作为训练集，3 488个样本作为验证集，3 488个样本作为测试集。为防止模型过拟合，提高模型泛化能力，对原始的多模态血管斑块MR影像进行数据增强。应用经过微调的U-Net神经网络构建多模态MR影像颈动脉血管分割模型，在训练集上训练，在验证集上验证并优化训练超参数，在测试集上测试并计算像素级别的颈动脉血管分割的敏感度、特异度和Dice系数，并计算U-Net分割方法和手工分割方法下的最大管壁厚度和管壁面积，利用组内相关系数和Bland-Altman分析来验证两种方法的一致性。
结果在测试集上应用训练得到的U-Net神经网络模型进行颈动脉血管分割，计算敏感度为0.878，特异度为0.986，Dice系数为0.858。最大管壁厚度的组内相关系数（95%可信区间）为0.921（0.915~0.925），管壁面积的组内相关系数（95%可信区间）为0.929（0.924~0.933），Bland-Altman分析中最大管壁厚度差值为（0.037±0.316）mm，管壁面积差值为（1.182±4.953）mm2，U-Net分割方法和手工分割方法具有较高一致性。
结论应用U-Net神经网络的方法，在大规模经过专业医师标注的数据集上进行训练和验证，可以实现对多模态MR影像颈动脉血管自动分割。