今天分享的4篇文章，是好几年前就已经发表（之前盘点文章时，忽略了，已经补充进去），都应用到了MRI-PlaqueView（用于分析磁共振图像，识别斑块成分）,翻译摘要，以飨读者：

 题目：三维单次扫描多组织对比序列和磁化强度预备梯度回波序列诊断颈动脉斑块内出血的对比研究

摘要截图：

题目：手动与自动分割高低质量的3.0T MRI颈动脉斑块扫描图像

目的：研究在高质量和低质量的MRI扫描中，比较手动与自动分割颈动脉斑块成分的可重复性，以及两种方法之间的一致性。

方法：对24例颈动脉狭窄患者（狭窄率30%-70%）进行3T颈动脉MRI，然后在1个月内进行重新扫描，使用多对比协议（T1W，T2W，PDW和TOF序列）。在图像配准和勾画管壁管腔之后，分别手动和自动分割斑块组分（富含脂质的坏死核心（LRNC）和钙化）。使用视觉质量等级评估扫描质量。

结果：手动和自动分割方法识别LRNC（Cohen’s kappa（k）为0.04）和钙化（k = 0.41）一致性很差。在高质量扫描（视觉质量评分≥3）中，手动和自动分割LRNC和钙化（大于1mm²）的一致性分别增加到k = 0.55和k = 0.58。手动和自动量化分析LRNC（组内相关系数（ICC）分别为0.94和0.80）和钙化斑块面积（ICC分别为0.95和0.77）,显示良好的扫描间重复性，

结论：尽管具有良好的扫描间可重复性，但是手动和自动分割方法识别LRNC和钙化一致性很差，在高质量扫描图像中，两种方法的一致性提升至中等效果。这些发现表明，图像质量是颈动脉斑块成分手动和自动分割性能的关键决定因素。

摘要截图：

 题目：基于特征归一和迁移学习的多中心MRI颈动脉斑块成分分割

背景：自动分割颈动脉磁共振成像（MRI）中斑块成分，有助于大规模研究斑块易损性，此外，也有利于将斑块成分作为影像指标，应用于临床实践，特别是监督式分类技术，从标记的例子中学习，已经表现出良好的性能。然而，监督式的缺点是它们在分析与训练数据不同的数据时，性能降低：例如分析来自不同设备的图像。减少每个新数据集所需的手动注释量将有助于广泛实施监督式分析技术。

方法：在本文中，我们在多中心MRI研究中分割临床感兴趣的颈动脉斑块成分（纤维组织，脂质组织，钙化和斑块内出血）。我们通过传统的同中心训练进行体素组织分类，并比较两种方法分析很少或没有注释的同中心数据的结果。此外，两种方法还要分析带注释的不同中心数据集。我们评估：1）非线性特征归一化方法，2）使用具有不同权重的同中心和不同中心数据的两种迁移学习算法。

结果:特征归一和迁移学习结合，可获得最佳结果。而其他方法，与参考同中心训练相比，体素或平均体积存在显著差异。

结论：我们认为，监督式方法在不同类型的数据集上表现良好，广泛的特征归一化和迁移学习对于此方法的优化是非常有价值的。

摘要截图：

题目：基于3 T MRI和计算流体力学研究斑块成分与区域壁面剪切力的关系

背景：斑块易损性与斑块成分（PC）和壁面剪切力（WSS）有关。迄今为止，空间WSS和PC之间的关系尚未阐明。

目的：确定颈动脉粥样硬化中WSS和PC之间的关系。

方法：5名有中重度颈动脉斑块的受试者（4名男性，66±8岁），经3 T MRI +4通道颈动脉扫描,获取T1、T2、PDW和3D TOF（0.47-0.55×0.47-0.55×2 mm空间分辨率）图像，扫描范围：分叉处上下各12毫米。使用Plaqueview软件（VPDiagnostics）分析斑块成分，量化脂质核和松散基质。使用CVsim软件,基于磁共振、超声以及血压数据，创建患者特异性的计算流体力学模型。出口边界条件应用了复制血流和BP，并且模拟使用稳定的有限元求解器。每个颈动脉切片分成6个圆周区域，探索WSS与PC之间的关系。

结果：请参见下图. 高WSS与脂质核增加显著相关（R = 0.283，p <0.001），与疏松基质无关（R = -0.03，p = 0.6），同样的关系可见于颈总动脉，分叉处或颈内动脉。颈动脉斑块脂质核区域往往比无脂质核的区域有更高的WSS（34.1±2.6 vs 17.3±4.6 dyn / cm2，p <0.001），疏松基质和无疏松基质区域的WSS没有差异（25.8±3.6对比22.5±3.3，p = 0.7）。

结论：在颈动脉粥样硬化疾病中，高WSS与脂质核增加有关，与疏松基质无关。WSS和脂质核之间的这种关系可能对斑块易损性有重要作用。

文章链接：

https://link.springer.com/article/10.1186/1532-429X-11-S1-O44