人工智能专题 | 基于人工标注的颈动脉超声斑块数据集构建及分割基准模型研究
人工智能专题 | 基于人工标注的颈动脉超声斑块数据集构建及分割基准模型研究
摘 要 精准识别颈动脉斑块是脑卒中早期防控的关键。针对目前颈动脉超声缺乏公开高质量标注基准的现状,本文构建了一个双中心、高一致性标注的颈动脉超声斑块数据集,并提供基准分割模型性能参考,以期为该领域提供可复用的评测基准。选取我院和重庆市渝北人民医院共1200张颈动脉超声图像(其中含斑块图像400张,无斑块图像800张),由两名资深超声医师对斑块边界进行逐像素标注,采用Dice系数评估标注一致性。基于该数据集,提出一种融合自训练与对比学习的半监督分割基础模型(PSFM),并在测试集中评估其性能,以及对斑块类型、图像信噪比及标注数据规模进行分层研究。结果显示,两名医师标注的Dice系数为0.860( κ=0.81 ),表明一致性良好。PSFM在测试集中的Dice系数为0.824、交并比为0.761。按斑块类型分层显示,低回声斑块分割效果最佳(Dice系数为0.853),混合回声斑块次之(Dice系数为0.821),钙化斑块效果最差(Dice系数为0.746);按图像信噪比分层显示,高信噪比图像的Dice系数为0.861,高于低信噪比图像(Dice系数为0.764);按标注数据规模分层显示,当标注图像数量降至100张时,PSFM的Dice系数仍为0.796。结果表明本文构建了高质量的颈动脉超声斑块数据集,结合半监督学习策略有效提升了小样本分割精度,为该领域提供了可复用的评测基准和技术参照,具有一定的临床价值。