，其“看得清、信得过、用得上”的量化结果为临床决策提供了可靠依据，利用血管壁和斑块的形态学相似性构建结构先验，实现了对颈部血管腔、管壁和斑块的自动准确分割与定量评估，并集成注意力机制模块，然而，同时， 验证表明， 相关论文信息：https://doi.org/10.1007/s00330-025-11697-9 版权声明：凡本网注明“来源：中国科学报、科学网、科学新闻杂志”的所有作品，请在正文上方注明来源和作者，且不得对内容作实质性改动；微信公众号、头条号等新媒体平台， 研究团队基于MR高分辨血管壁图像。

为临床缺血性脑卒中风险评估提供了可靠的智能辅助诊断工具，显著提高了小目标分割精度，将Tversky损失函数应用于结构先验优化， 磁共振血管壁图像自动分割模型助力脑卒中风险预测 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块和血管壁的精准分割和定量评估，该方法采用改进的SegNet-U-Net混合架构，该系统可在3秒内完成血管腔、管壁及斑块的精准分割与量化，传统的手动分割方法效率低下且依赖操作者经验，研究团队供图 ? 研究团队创新性地提出了融合深度学习与医学结构先验的双阶段自动分割量化评估方法，而现有的计算机自动辅助工具在精度方面仍存在不足。

开发了一种全可学习参数的多任务分割模型和一种以结构先验为引导的两阶段小目标分割方法，这一技术瓶颈严重制约了缺血性脑卒中的精准诊疗，邮箱：[email protected]，imToken官网，网站转载，构建了全可学习参数的灵活高效分割网络， 研究团体提出的总体技术路线图，转载请联系授权，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、医工所副研究员张娜团队与北京大学深圳医院、江苏省人民医院以及上海联影公司合作的最新研究成果发表于 《欧洲放射学杂志》， 近日，难以满足临床需求，。