MRI-PlaqueView软件，可以对斑块成分进行量化可视化分析，参与国内外优质科研项目，在很多权威杂志上发表了极有价值的文章，有力地推动了斑块防治事业的发展。科研重在可持续，我们曾总结了韩国一个科研机构基于MRI-PlaqueView 连续性科研:

• 连续发文5篇，他们怎么做到的？

• 【科研】厉害！这个课题已经发了4篇文章了！！！

2023年，国内的科研机构同样利用MRI-plaqueView连续发文。关于该机构发表的第一篇，我们已经在之前的推文里做过简介，详情见：AI技术在易损斑块诊断的应用，及MRI-PlaqueView 的裁判角色

本文拟对第二篇进行简要介绍：

目的：深度学习技术在医学图像分割和校准方面表现优异，本研究旨在利用深度学习模型来解决从图像数据中识别动脉粥样硬化斑块组分的局限性，并改善分类问题：建立一种技术，可以通过MRI图像将颈动脉斑块分为易损和稳定斑块，从而实现基于颈动脉斑块影像评估卒中风险的目标。

方法：本研究采用了一种特殊的磁共振检查技术——磁共振易损斑块分析系统（MRI-VPD），该技术已经获得了FDA/CFDA的批准。该系统基于多对比度的磁共振斑块成像数据，结合MRI-PlaqueView软件，可用于定性定量分析分析斑块成分。

我们从福建医科大学附属第二医院和南方医科大学深圳医院的医学影像中心获取了颈动脉斑块MRI影像数据集，最终选择了87名具有动脉粥样硬化风险因素和病理结果的个体。由经验丰富的专业人员在图像上勾画出感兴趣区域（ROI）和内外边界，然后经过MRI-VPD系统对每张图像进行处理，分类。最终通过随机选择，我们获取了3741个（包括易损和稳定）颈动脉斑块的样本图像。

数据集以70:30的比例随机分为训练集和测试集。我们使用U-Net模型自动从MRI扫描中提取感兴趣区域（ROI），然后进行斑块图像分割，并采用预训练的ResNet-50模型进行分类。

结果：我们提出的框架涉及了两个深度学习模型，即U-Net和ResNet-50，通过对超参数进行微调，对颈动脉斑块进行分类，获得了94.11％的最高准确率。

结论：我们的研究表明，预训练的深度学习模型有能力根据颈动脉斑块成像进行分类，可以帮助减少由于图像质量不佳或个人专业知识不足而引起的误诊，在动脉粥样硬化斑块检测和筛查领域具有巨大潜力。