مقاله یک مدل پایه سازگار با CUBS برای بخش‌بندی ضخامت لایه داخلی-میانی شریان کاروتید و پیش‌بینی ریسک اولیه با در نظر گرفتن مورفولوژی و عدم قطعیت اولتراسوند.

آترواسکلروز شریان کاروتید عامل اصلی سکته مغزی ایسکمیک و حمله ایسکمیک گذرا است. ارزیابی اولتراسوند متداول بر اساس ضخامت لایه داخلی-میانی، ظاهر پلاک، درجه تنگی و حداکثر سرعت سیستولیک استوار است، اما این شاخص‌های مبتنی بر مورفولوژی و سرعت ممکن است نتوانند به طور کامل ریسک عروقی خاص هر بیمار را درک کنند. این مطالعه AtheroFlow-XNet را معرفی می‌کند، یک مدل یادگیری مبتنی بر اولتراسوند سازگار با CUBS که مورفولوژی و آگاهی از عدم قطعیت را برای تقسیم‌بندی لایه داخلی-میانی کاروتید و پیش‌بینی اولیه ریسک در نظر می‌گیرد. با استفاده از مجموعه داده Carotid Ultrasound Boundary Study، حاشیه‌های دستی لومن-اینتیما و مدیا-ادونتیتیا به ماسک‌های متراکم لایه داخلی-میانی برای تقسیم‌بندی نظارت‌شده تبدیل شدند. متغیرهای بالینی در یک شاخه کمکی پیش‌بینی ریسک گنجانده شدند و از Dropout مونت کارلو برای استنتاج آگاه از عدم قطعیت استفاده شد. مدل با استفاده از تقسیم‌بندی بیمار-محور آموزش-اعتبارسنجی-آزمون با 1522 تصویر آموزشی، 326 تصویر اعتبارسنجی و 328 تصویر آزمون ارزیابی شد. مدل پیشنهادی به ضریب دایس 0.7930 برای تقسیم‌بندی ماسک LI-MA، خطای تقسیم‌بندی 0.2359 و مساحت زیر منحنی مشخصه عملکرد گیرنده 0.6910 برای پیش‌بینی اولیه ریسک دست یافت. نتایج کیفی نشان داد که ماسک‌های پیش‌بینی‌شده به طور کلی با حاشیه‌های دستی همسو بودند، در حالی که نقشه‌های عدم قطعیت مناطق مرزی دیواره مبهم را برجسته کردند. این نتایج نشان می‌دهد که مورفولوژی کاروتید مشتق شده از اولتراسوند می‌تواند از تحلیل خودکار دیواره و تفسیر آگاه از عدم قطعیت پشتیبانی کند. از آنجایی که CUBS شکل موج داپلر یا بیومارکرهای همودینامیک مشتق شده از CFD را ارائه نمی‌دهد، این کار باید به عنوان یک خط پایه قابل تکرار مبتنی بر مورفولوژی تفسیر شود. کارهای آینده شامل پروفیل‌های جریان مشتق شده از داپلر، بازسازی عروقی خاص بیمار و بیومارکرهای برش دیواره مبتنی بر CFD خواهد بود.

Carotid atherosclerosis is a major contributor to ischemic stroke and transient ischemic attack. Conventional ultrasound assessment is commonly based on intima-media thickness, plaque appearance, stenosis degree, and peak systolic velocity, but these morphology- and velocity-based indicators may not fully capture patient-specific vascular risk. This study presents AtheroFlow-XNet, a CUBS-compatible ultrasound morphology and uncertainty-aware learning baseline for carotid intima-media segmentation and preliminary risk prediction. Using the Carotid Ultrasound Boundary Study dataset, manual lumen-intima and media-adventitia boundary annotations were converted into dense intima-media masks for supervised segmentation. Clinical variables were incorporated into an auxiliary risk-prediction branch, and Monte Carlo dropout was used for uncertainty-aware inference. The model was evaluated using a patient-level train-validation-test split with 1,522 training images, 326 validation images, and 328 testing images. The proposed model achieved a Dice coefficient of 0.7930 for LI-MA mask segmentation, a segmentation loss of 0.2359, and an area under the receiver operating characteristic curve of 0.6910 for preliminary risk prediction. Qualitative results showed that predicted masks were generally aligned with manual annotations, while uncertainty maps highlighted ambiguous wall-boundary regions. These results suggest that ultrasound-derived carotid morphology can support automated wall analysis and uncertainty-aware interpretation. Since CUBS does not provide Doppler waveforms or CFD-derived hemodynamic biomarkers, this work should be interpreted as a reproducible morphology-driven baseline. Future work will incorporate Doppler-derived flow profiles, patient-specific vascular reconstruction, and CFD-based wall shear biomarkers.