基于两阶段分析的多尺度颈动脉斑块检测方法

肖 慧，方威扬，林铭俊，周振忠，费洪文，陈超敏

1南方医科大学生物医学工程学院，广东 广州 510515；2广州尚医网信息技术有限公司，广东 广州 510515；3南方医科大学附属广东省人民医院，广东 广州510180

心血管疾病（CVD）是全球死亡的主要原因之一，仅在中国，其患病人数高达3.3亿，且患病率处于持续上升态势，平均每5例死亡中就有2例死于CVD［1,2］。动脉粥样硬化是大多数CVD的主要病理过程，硬化过程的特点表现为动脉壁上出现过多的斑块沉积。现有研究认为炎症是促成动脉粥样硬化的重要机制，高血压、高血脂、糖尿病、不健康饮食等是诱发斑块生成的常见危险因素［3,4］。动脉粥样硬化的早期检测主要集中于外周动脉和颈动脉［5］，在使用颈动脉中沉积的斑块去评估心血管事件的风险时，对颈动脉斑块的检测识别十分关键。

相比于MRI和CT两种非侵入性成像方式而言，超声因操作方便、低成本、无辐射等优点，被广泛应用于心血管疾病和动脉粥样硬化的临床诊断中［6］。在超声检查中将颈动脉粥样硬化斑块定义为内-中膜厚度（IMT）≥1.5 mm或大于周围正常IMT值50%以上，且具有凸向管腔的局部结构变化［7］。伴随着计算机技术的兴起和不断发展，利用人工智能（AI）算法对颈动脉斑块的超声图像进行分析处理已经做了大量的研究。有研究使用二维经验模式分解算法分解颈动脉超声图像后提取熵特征，基于多种特征排序方法和分类方法组合对斑块类型进行判定分析［8］；有研究利用灰度共生矩阵提取IMT区域的纹理特征后，使用支持向量机实现了对有无症状颈动脉斑块的学习分类［9］。然而大多数传统方法只停留在对颈动脉斑块进行表征和分类，而忽略了对斑块的位置定位。

随着深度学习网络广泛应用于医学领域，对目标病灶的检测定位逐渐成为了研究的热点。自2015年，较新的对象检测框架大致分为单级检测结构和两级检测结构，后者相较于前者而言，在预测边界框和类别之前增加了一个建议区域生成网络以生成大量的候选框，但同时也会复杂化网络结构［10］。在超声图像上应用较为广泛的目标检测模型包括SSD［11］、EfficientDet［12］、YOLO系列［13］以及Faster R-CNN［14］等。有研究利用两级网络Faster R-CNN实现了对颈动脉斑块的自动检测［15］，平均精度达到91.09%。然而，超声扫描一般需要临床医生现场给出诊断结果，对检测框架的实时性比其他成像方式要求更高，在保证检测精度的同时也需重点考虑检测速度的问题；其次，由于颈动脉斑块形状大小不一，现有深度学习算法表现出对斑块检测的局限性、泛化性能不高，容易造成漏检、误检的情况。

针对上述存在的问题，本研究采用两阶段的颈动脉斑块检测模式，即SM-YOLO，旨在快速、全面地从超声图像中检测出多种尺度的颈动脉斑块。第一阶段基于单级检测模型YOLOX［16］对颈动脉超声图像进行检测，引入多尺度图像训练和多尺度图像预测策略，在保证了检测速度的同时识别出更多的可疑斑块来防止漏检，构建候选颈动脉斑块集。第二阶段建立基于局部特征的分类网络，利用方向梯度直方图（HOG）和局部二值模式（LBP）算子提取并融合候选颈动脉斑块图像中的边缘空间和局部纹理特征，结合SVM分类器实现对候选颈动脉斑块的精准分类来防止误检。

1 材料和方法

1.1 实验数据

本研究为回顾性实验，已通过广东省人民医院伦理评审委员会批准（KY2023-642-01），研究过程严格按照相关隐私保护标准进行，确保患者隐私得到充分的尊重和保护。实验所使用的颈动脉斑块超声图像回顾性地收集自广东省人民医院2022年1～12月，采集的机器型号为高分辨率设备PHILIPS IE33和LOGIQ E9。数据集包括327例患者，共计1337张颈动脉斑块图像，患者年龄为65.28±10.07岁，男女比例接近2∶1，涵盖了双侧颈总、颈外、颈内动脉等不同部位和大小类型的斑块情况，其中血管横切面图像463张，纵切面图像874张。数据排除标准：经历过颈动脉重建手术；存在颈动脉瘤等其他严重并发疾病；图像质量差，严重影响斑块的判断。入组数据中的颈动脉斑块矩形边界框均由两位经验丰富的放射科医生按照统一的标注规范进行勾画，且由另外一名资深的专家进行独立复查结果，按照Pascal VOC2007数据格式生成最后的标签，以获得高质量的实验数据集。

1.2 数据预处理

受超声成像机制和操作过程的影响，收集的颈动脉图像往往会伴随着分辨率低、斑点噪声密度高、边缘模糊等缺点，为避免这些问题对后续检测效果造成不利影响，在输入模型前对数据进行合适的预处理是十分重要的环节［17,18］。预处理阶段首先需要对原始超声图像进行降噪处理，减少超声图像中的斑点噪声；其次，对降噪后的图像进行直方图处理和非线性变换，扩大图像的对比度、增强暗部细节；最后，对数据进行扩增以提高模型的泛化性能。数据预处理的整体流程如图1，各处理步骤下面连接着相应的处理效果图和灰度直方图，以便更加直观地了解到图像的质量变化情况。

图1 数据预处理流程图Fig.1 Flow chart of data preprocessing.

1.2.1 图像去噪 均值滤波、中值滤波以及高斯滤波是颈动脉超声图像预处理时常用的降噪方法［19］。为了客观地评价3种方法对图像的滤波性能，本文从数据中随机选取100张图像进行实验，选用均方误差（MSE）和峰值信噪比（PSNR）来评估原始图像和滤波图像之间的差异，其中PSNR值越高、MSE值越低表示图像质量越好，其计算公式如式（1）和（2）：

其中，xi为原图的第i个像素,yi为滤波后的第i个像素，N为像素总数量，L为图像的最大像素值，取值为255。

由表1可知，使用中值滤波可产生较低的MSE值和较高PSNR值，对颈动脉超声图像的处理性能最佳，因此本文采用中值滤波用于消除图像中的噪声。将其邻域大小设置为3×3，利用中心像素领域内像素值的中值来替代其原本的值，减小像素之间的强度变化从而消除图像中的噪声。

表1 3种滤波算法处理后的颈动脉图像质量对比Tab.3 Comparison of carotid artery image quality after processing with 3 filtering algorithms

1.2.2 图像直方图处理 直方图均衡化（HE）是一种常见的间接对比度增强方法，通过使用映射函数来扩展图像的灰度直方图，从而改变图像的整体强度分布。传统的HE处理是根据图像整体的直方图情况来进行幅度变换，忽略了图像的局部细节。限制对比度自适应直方图均衡（CLAHE）算法在其基础上将其分为多个小区域，并对每个小区域都使用对比度限制，选取合适的阈值剪裁直方图，将剪裁后的部分均匀分布到直方图的其他区域中，以此来限制放大的幅度［20,21］。本文设置的对比度限制阈值为2，小区域的栅格尺寸为2×2。利用CLAHE算法对经滤波后的图像进行直方图处理（图1），不仅可以改善图像的对比度，同时克服了过度放大噪音的问题。

1.2.3 图像非线性变换 经滤波、直方图均衡化处理后的图像仍存在局部过暗的现象，本文使用Gamma变换对其进行矫正。Gamma变换是对图像进行非线性操作，通过拓展图像灰度值来提升暗部细节，调整图像亮度，使输出图像灰度值与输入图像灰度值呈指数关系［22］，其函数关系式如下：

其中γ为调节因子，当γ＜1时，输入低灰度值的动态范围变大，增强低灰度值区域的对比度。相反当γ＞1时，输入高灰度值的动态范围变大，增强高灰度区域图像的对比度。本文设置的γ值为0.5。

1.2.4 图像扩增 图像扩增是在现有数据的基础上通过技术手段去产生额外的新数据，在一定程度上可以解决本文数据量不足的问题，防止模型出现过拟合问题，提高模型的泛化能力。本文的扩增方式包括水平镜像翻转、随机边缘剪裁，经过扩增后生成新的图像和标签，共创建5348份高分辨率的图像数据。

图1依次展示了原始颈动脉超声图像经过去噪、直方图均衡化、非线性变换、数据扩增后对应的输出效果，可以观察到经过预处理后的图像灰度分布更加均匀、特征更加明显，进一步提高了输入数据的视觉质量。

1.3 颈动脉斑块检测模型

本研究整个算法的实现流程如图2，第一阶段使用YOLOX网络来直接预测颈动脉斑块的信息。YOLOX是一种典型的单级目标检测算法,根据模型的大小和复杂度不同可以分为YOLOX_s、YOLOX_m、YOLOX_l和YOLOX_x四种主要类型，网络的深度和宽度也随之递增，其中深度决定着模型内部的残差结构和卷积核数目，宽度决定着模型的通道数变化。本文选用YOLOX_l作为第一阶段颈动脉斑块的检测模型，其网络深度和宽度都为1.0。YOLOX_l模型的整体结构可以分为3个部分，即骨干网络、颈部网络、预测头，对应的功能为特征提取、特征增强和结果预测，网络结构如图3。

图2 两阶段颈动脉斑块检测总体流程图Fig.2 Overall flowchart of two-stage carotid plaque detection.

图3 YOLOX_l网络模型结构图Fig.3 Structure diagram of YOLOX_l network model. A: Overall structure diagram of YOLOX model. B: The basic module of YOLOX model.

1.3.1 骨干网络 图像在经过预处理后被送入骨干网络（图3A），骨干网络部分采用CSPDarknet作为主干网络进行特征提取，获得不同深度的特征层，CSPDarknet网络是由Focus、SPP以及多个CSP、CBS模块组成。

组成模块的具体结构如图3B，其中CBS 模块是CSPDarknet网络中的基础模块，由卷积操作、批量归一化和激活函数（SiLU）3 部分组成。首先，模型采用Focus模块以防止数据因下采样丢失信息，Focus模块利用隔行采样的方式对每个通道上的像素进行提取分离，将图片中的宽高信息集中于通道信息，从而输入通道数从3扩展到12，相应的图像尺寸缩小到原来的一半，如 表2中的stage0-stage1。其次，CSP 模块是CSPDarknet网络中主要的特征提取结构，借鉴了残差网络结构的思想，主干部分通过堆叠残差块（ResUnit）或CBS模块以提取特征，另一部分采用CBS模块进行简单处理后与主干部分连接以融合信息。最后，SPP模块通过3次不同大小的最大池化（Max Pool）以及连接输入特征图操作，使输出融合了多种尺度的特征信息。

表2 Backbone网络的结构参数Tab.3 Structural parameters of the Backbone network

1.3.2 颈部网络 将骨干网络的后3个特征层作为有效特征层输入到颈部网络中，颈部网络部分采用PAFPN网络对输入的特征图像进行特征提取和融合。PAFPN网络依次对输入的特征层进行上采样和下采样操作，以此来双向融合不同深度层次的特征信息，提高对多尺度颈动脉斑块的检测精度，最后输出3个不同尺度的特征图像。

1.3.3 预测头 加强融合后的3个特征图像分别并行输入预测头中，预测网络采用解耦合头。解耦合头网络认为分类和回归任务所需要利用的特征不同，所以输入特征图在通过CBS模块降维后，被送入了两个不同的网络分支分别学习类别信息和目标位置，然后再连接分类和回归结果得到输出。最后整合3个特征信息的输出结果，实现在超声图像中检测颈动脉斑块（图3A）。

1.3.4 多尺度策略 在YOLOX_l模型中引入多尺度图像训练和多尺度图像预测策略［23］，提高对不同形状大小颈动脉斑块的识别能力。模型在对图像进行特征提取的过程中，由于不断地进行下采样，得到的特征图往往会比原图更小，加之数据集图像中颈动脉斑块本身的大小不均，更容易导致小物体的特征不被提取到而造成漏检。通过输入更大尺度范围的图像进行训练，可以提高检测模型对目标尺度的鲁棒性。本文在训练过程中每十次迭代随机选择一个尺度进行训练，其中输入图像的基准大小设定为640×640，变化的尺度范围设置为0.75x～1.25x。表2为不同尺度的输入图片在Backbone网络上的结构参数变化，可见Backbone后三层输出特征图的大小范围从20～80拓展为15～100。

同样地，对于在预测时添加的多尺度图像策略，测试图片以0.75x～1.25x的尺度范围被送入网络，每一份图像会获得3个不同的检测结果。将其统一到一个尺度后，通过多数投票策略进行位置融合，输出得票数高的重叠框作为颈动脉斑块的预测框。通过添加上述两种策略，模型提高了对多尺度颈动脉斑块的识别敏感度，有效地减少漏检率和误检率，提升了对小尺度斑块的检测能力。

1.3.5 损失函数 由YOLOX_l模型的解耦头结构决定，其损失函数由分类损失Lcls、位置损失Liou和置信度损失Lconf组成，L=Lcls+Lconf+Liou。其中置信度损失和分类损失采用二元交叉熵损失函数（BCELoss），位置损失使用GIOU损失函数代替原本的IOU损失函数，解决预测框和真实框不重合的问题［24］，加快收敛速度、提升检测性能，计算公式如下：

其中P代表预测框，R代表真实框，C为包围P和R的最小封闭框。

1.4 候选斑块分类模型

颈动脉超声图像中的纹理信息对于斑块的正确识别发挥着十分重要的作用［25,26］。当通过颈动脉斑块检测模型生成候选斑块集后，将其送入了第二阶段的候选斑块分类模型以减少集合中的假阳性案例（图2）。图4为候选图像分类模型的结构图，首先分别利用HOG和LBP算子对输入的候选斑块图像进行浅层纹理特征提取，采集两者特征谱的统计直方图作为特征向量。然后将两者的特征向量进行串行组合，形成新的HOG-LBP融合特征，如式（5）。最后将其输入SVM分类器来判定候选图像是否为颈动脉斑块。

图4 候选图像分类模型结构图Fig.4 Structural diagram of the candidate image classification model.

其中，xm,yn分别表示HOG，LBP的特征向量，fh为融合后的特征向量。

1.4.1 HOG与LBP特征提取技术 HOG是通过计算和统计局部区域的梯度方向直方图来表示图像的特征。本文首先对候选斑块图像进行Gamma矫正，计算每个像素的梯度。其次将图像划分为8×8的cells，分别计算统计每个cell内所有像素的梯度直方图，最后将每个2×2的cell拼接成一个block，拼接所有block的梯度直方图得到图像的HOG特征描述算子。

LBP是一种用于描述图像局部纹理特征的算子，其基本思想是利用中心像素的灰度值作为阈值，对每个像素的邻域进行阈值比较并将其保存为二进制数，其表示如式（6），统计其数值的直方图可以作为纹理特征的描述［27］。经过不断地发展，出现了许多改进的版本，包括圆形LBP特征算子、旋转不变模式的LBP特征算子、Uniform LBP 特征算子。本文采用Uniform 模式的LBP特征，在降低特征维数的同时也可以增强对图像背景的抗干扰性。

其中ic为中心像素(x,y)的灰度值，ip代表相邻像素的灰度值，s(x)是符号函数。

1.4.2 SVM分类器 SVM是一种基于特征空间最大化间隔的二类线性分类器，其目的是找到一个最优超平面来划分两类样本，使两类样本都尽可能地远离这个平面，超平面的线性方程如式（7）：

其中，w={w1;w2;w3;...;wd} 为超平面的法向量，b的大小表示超平面到原点之间的距离。候选颈动脉斑块图像为线性不可分数据，本文利用高斯核函数将低维非线性数据映射到高维空间中，使原始空间中的非线性数据在高维空间内变得线性可分，再构造分类超平面去实现候选颈动脉斑块的分类。

1.5 模型训练

实验中所使用的硬件配置和软件开发环境如表3，本文使用五折交叉验证来衡量所有模型对颈动脉斑块的检测效果，数据随机按照4∶1的比例划分为训练集和测试集以保证两者间图像质量的一致性。训练YOLOX_l模型时，使用随机梯度下降SGD方法来进行优化，批量大小设置为12，动量常数0.937，初始学习率0.01，权重衰减系数0.0005，在训练集上迭代200 个Epoch。对于第二阶段SVM的训练，截取训练集图像上的标注框作为正样本，随机截取一定数量的背景区域以及训练集中被误检的区域作为负样本，保持正负样本的比例为1∶1进行训练。

表3 实验环境Tab.3 Platform for the experiments

1.6 评价指标

现有模型的性能好坏是根据正确检测到的颈动脉斑块的数量和检测速率来衡量的，本文选用精确度、召回率、F1-Score、AP以及检测速度等指标进行评价。结合颈动脉斑块检测问题来定义指标中的变量，真阳性（TP）指颈动脉斑块被正确检测，假阴性（FN）指颈动脉斑块未被检测到，假阳性（FP）表明背景被错误地检测成颈动脉斑块。

精确度是用来评估模型识别的准确程度，表示在所有检测出来的候选框中，真正的斑块所占的比例。召回率又称为灵敏度，是用来评估模型对物体识别的全面性，表示检测出来的真阳性斑块占所有斑块的比例。计算公式如式（8）与式（9）。

F1-Score为精确度和召回率的调和平均数，用来综合平衡模型的查全率和准确度，其计算公式如式（10）。

以精确度为纵轴，召回率为横轴可以绘制出一条PR曲线，P-R曲线下的面积定义为AP值，其计算公式如式（11）。

检测速度表示在本文中预测一张超声图片所需要的时间，其数值越小，速度越快。

1.7 统计学方法

本文使用SPSS工具对实验结果进行统计学分析，采用双侧配对t检验比较本文方法与其他算法在五折情况下对于颈动脉斑块检测平均IOU效果上的差异。置信区间设置为95%，Ρ＜0.05为差异具有统计学意义。

2 结果

2.1 图像预处理方法的结果分析

YOLOX模型的s、m、l版本随着网络规模的增大对颈动脉斑块的检测精度也增加，x版本的精度并未再继续增加（表4）。图像未经预处理前，YOLOX_l模型对颈动脉斑块检测的Recall为80.28%，Precision为80.54%，F1-Socre 为80.39%。经过预处理后，其Recall 为85.83%，Precision 为82.45%，F1-Score 为84.09%。对于B列未经预处理的颈动脉超声图像，YOLOX_l模型存在着对斑块的漏检和误检情况；而对于C列预处理后的图像，模型对斑块的检测更加全面和准确（图5）。

图5 预处理前后YOLOX_l对颈动脉斑块的检测结果对比Fig.5 Comparison of the detection results for carotid plaques before and after pretreatment by YOLOX_l.(A)the ground truth.(B)detection results before preprocessing.(C)detection results after preprocessing.

表4 YOLOX各版本在预处理前后的定量指标结果Tab.3 Quantitative index results of each version of YOLOX before and after preprocessing

2.2 SM-YOLO模型与其他检测模型的性能比较

在相同的数据集和实验条件下，比较几种在超声图像上应用最为广泛的目标检测方法，结果显示（表5），单阶段检测模型SSD的定量指标结果都处于较低的水平，Recall 为78.89%，Precision 为80.93%，F1-Score 为79.88%，AP 为81.39%。其次Faster R-CNN 模型的F1-Score 为86.18%，AP 为90.43%，但其检测时间为55.32 ms，远高于其他模型所用时间（图6）。综合比较而言，SM-YOLO模型在颈动脉斑块检测的定量指标上均优于其他模型，F1-Score为90.19%，AP为92.70%。其检测时间为18.36 ms，略高于YOLOV5_l 模型。SM_YOLO模型与其他模型之间存在差异。

图6 各模型的检测时间Fig.6 Detection time curves of each model.

表5 各检测模型在测试集上的定量指标结果

图7分别展示了各模型在包含不同数量颈动脉斑块图像上的可视化检测结果。在第1行中，SSD模型存在着误检框；在第2行中，YOLOV5_l和Faster R-CNN模型都存在漏检框；在第3 行中检测2 个斑块时，YOLOX_l、SSD 以及YOLOV5_l 模型都存在着漏检框；在第4 行中检测3 个斑块时，YOLOX_l、SSD、YOLOV5_l、Faster R-CNN模型都存在漏检的斑块，同时Faster R-CNN模型存在两处地方的误检；相较而言，SM_YOLO模型对不同情况下的斑块检测更加精准。

图7 各模型对颈动脉斑块的检测结果对比Fig.7 Comparison of detection results for carotid artery plaques by different models. A: The ground truth. B: YOLOX_l. C: SSD. D:YOLOV5_l.E:Faster R-CNN.F:SM-YOLO.

2.3 SM-YOLO模型的消融实验与结果

在YOLOX_l模型上添加MS策略对检测模型的Recall、Precision、F1-Score和AP都有好的影响，可以观察到添加MS策略后其Recall得到了最大程度的提升，高达90.28%，Precision为85.07%，F1-Score为87.6%，AP为91.58%，其中Precision处于相对较低的水平（表6）。通过添加HLS 模块，Precision 提升至90.96%，Recall虽然有轻微的浮动，但F1-Score和AP一直处于上升的趋势，分别为90.19%和92.70%。其检测时间跟YOLOX_l模型相比仅增加1.91 ms（图6）。改进前后的模型之间的差异具有统计学意义。

表6 所提方法各分量在测试集上的定量指标结果Tab.3 Quantitative indexes of each component of the proposed method on the test set

Tab.5 Quantitative indexes of each detection model on the test set

3 讨论

在超声扫描中识别颈动脉斑块非常耗时，其准确性高度依赖于影像科医生的临床经验。本研究提出一种两阶段的颈动脉斑块检测框架－SM-YOLO，结合图像的深度特征和浅层纹理特征对颈动脉斑块进行检测识别，能有效提高临床颈动脉斑块检测的效率。首先，本文依次利用几种不同的图像处理方法对数据集进行预处理，消除超声图像采集时混入的噪声，增强图像对比度。其次，采用一阶段目标检测模型YOLOX_l实现对候选斑块集的构建，在训练和预测阶段分别引入多尺度图像训练和多尺度图像检测，提高模型对不同尺度颈动脉斑块的敏感性。同时，基于HOG和LBP算法提取候选斑块的纹理特征，利用SVM对候选斑块集进行分类判定，降低斑块的误检率。最后，通过大量的实验验证了所提方法在各方面表现性能的优越性。

由可视化和量化结果可知，对数据集进行预处理有利于改善颈动脉超声图像的质量，经过预处理操作后的YOLOX各版本模型对颈动脉斑块的定位性能都得到提升，其中YOLOX_l 模型的F1_Score 提升了3.7%。但仍存在着较多的漏检和误检现象，多体现在包含不同尺度大小斑块的图像上。由此，本文所提的方法SMYOLO较大程度地减小了颈动脉斑块的漏检率和误检率，F1-Score提升了6.1%，AP提升了3.12%，且不会增加过多的检测时间。证明进行多尺度图像训练、多尺度图像预测以及添加假阳性减少模块能使YOLOX_l模型在评判指标上发挥更好的性能。同时，SM-YOLO模型对颈动脉斑块的检测性能也优于现阶段医学领域常用的SSD、EfficientDet、YOLOV5_l和Faster R-CNN等目标检测模型，F1-Score 和AP 相差最大跨度高达10.31%和11.31%。其中SSD、YOLOv5_l模型的Recall较低，两者的漏检情况最为严重，表明其对斑块的检测敏感度不够。综合检测时间进行比较，Faster R-CNN和EfficientDet模型的时间消耗远高于其他模型。其中，SM-YOLO模型在检测指标均优于其他模型的同时，其检测时间仅高于YOLOV5_l模型1.31 ms，满足超声扫描中对颈动脉斑块实时检测的要求。

与现有的模型方法相比，本文的方法具有以下优势：（1）基于单级检测器YOLOX模型构建候选斑块集相较于其他网络具有更加快速的推理速度，引入了自适应多尺度训练和预测策略在满足不同尺度大小颈动脉斑块检测要求的同时并不会增加额外的参数量，能够最大程度找出可疑斑块的区域。（2）结合使用深度学习方法和传统识别方法，相较于单独利用浅层纹理特征［28］或者单独使用深度特征去识别颈动脉斑块［15］具有更高的敏感度和精确度，且不会增加过多的计算资源。（3）分步解决颈动脉斑块检测中漏检和误检的问题，更具有针对性，能够充分发挥不同模块的优势。

综上所述，本文所提的SM-YOLO模型可以准确且高效地对颈动脉斑块进行检测，同时在与其他目标检测方法进行可视化和定量指标比较时也更具优势。但仍存在着许多需要改进的地方，譬如由于超声颈动脉斑块公共数据集的缺乏，本文所构建的数据集在数量和标签勾画上具有局限性，对于密集斑块检测和多个斑块叠加的情况并未进行实际训练和测试，后续尝试通过收集多个中心的图像来丰富数据集，同时对于复杂情况制定更专业的标注标准和流程来优化标签勾画，以便进一步验证本文所提方法的鲁棒性；考虑到后期部署设备的多样性，需要进一步地精简模型结构，后续工作中尝试进行网络缩放、使用深度可分离卷积、设计轻量级块等方法来调整网络规模，提高对斑块的检测能力，从而对预防和诊断心血管疾病产生积极意义。