背景和目的脑卒中是一种多病因的脑血管疾病,其中颈动脉狭窄在所有导致脑卒中发生的因素中所占比例最高。鉴于颈动脉狭窄性脑卒中所造成的社会和经济负担逐年增加,准确诊断颈动脉狭窄度及识别斑块成分对脑卒中的预防和管理十分重要。当前,计算机断层扫描血管造影（CT angiography,CTA）是检查颈动脉狭窄常用的无创方法,但颈动脉斑块形态多样性、诊断医师的主观性及颈动脉CTA检查数量的增加均给CTA传统方法诊断颈动脉狭窄带来一定的局限性。基于不同算法对颈动脉狭窄程度及斑块成分进行半自动化或自动化的诊断,已成为计算机辅助诊断疾病领域的研究热点。颈动脉狭窄计算机辅助诊断一方面可通过对颈动脉狭窄病变的快速识别解决患者数量多、颈动脉CTA数据量大的问题,另一方面亦可对颈动脉复杂斑块特征进行定量识别,避免主观因素造成的误差。方法1、基于随机游走算法半自动诊断CTA图像中颈动脉狭窄度研究,回顾性分析2019年06月至2019年09月45例同期行头颈部CTA及数字剪影血管造影（Digital Subtraction Angiography,DSA）患者的图像。DSA对颈动脉最狭窄处的诊断结果作为研究标准,选取颈动脉相同位置的轴位CTA图像,先用中值滤波去除噪声干扰,再应用随机游走算法半自动提取颈动脉边界,进一步应用阈值法得到颈动脉及管腔的二值化图像,最后计算出颈动脉狭窄度并与DSA诊断结果进行比较。2、基于U-net算法自动化识别CTA图像中颈动脉斑块钙化成分研究,回顾性分析河北大学附属医院2019年01月至2020年01月250例患者的头颈部CTA图像数据。5名患者的CTA图像因数据不完整或图像不清晰被排除,最终共纳入245名患者的CTA数据。由两名经验丰富的神经影像医师选取490张CTA轴位图像,构成包含440张CTA图像的训练数据集和50张CTA图像的实验数据集,并对训练数据集中的图像进行人工标记颈动脉管壁、管腔和斑块钙化。训练数据集用于U-net神经网络深度学习颈动脉斑块钙化特征,然后将训练好的U-net神经网络应用于实验数据集完成对斑块钙化的识别、分割,并计算出钙化面积和最大厚度,最后以人工标记斑块钙化为标准进行比较。结果1、基于随机游走算法半自动诊断CTA图像中颈动脉狭窄度与DSA诊断结果具有高度一致性,kappa值为0.81。对轻-中度颈动脉狭窄的诊断与DSA诊断结果一致性更高,kappa值达到0.84。与传统方法相比较,基于随机游走算法诊断CTA图像中轻、中、重度颈动脉狭窄的敏感度和特异性有所提高,分别为0.78、1.00,0.97、0.81,0.82、0.97。特别对中-重度颈动脉狭窄的诊断,随机游走算法较其它半自动方法诊断效能更高,ROC曲线下面积为0.97,P<0.05。2、基于U-net算法对CTA图像中颈动脉斑块钙化自动化分割效能较高,以人工标记钙化为标准,Dice相似系数达到0.83。颈动脉钙化面积、最大厚度与人工标记钙化的测量结果具有高度一致性,Spearman相关系数ρ分别为0.97和0.93,P均小于0.01。结论1、基于随机游走算法半自动诊断CTA图像颈动脉狭窄度是一种可靠的方法,可提高传统CTA的诊断效率。2、基于U-net神经网络自动化识别、分割CTA图像中的颈动脉斑块钙化可作为人工标记钙化的替代方式,同时可为医生提供钙化面积及最大厚度等特征信息。3、本文算法对颈动脉狭窄的诊断不仅节省人力、时间成本,还为脑卒中的预防及颈动脉狭窄治疗策略的选择提供可靠依据。