В статье представлена новая архитектура глубокого обучения DMNet-E, специально разработанная для задачи автоматической сегментации атеросклеротических бляшек на изображениях внутрисосудистой оптической когерентной томографии (IVOCT). IVOCT является высокодетализированным методом визуализации, позволяющим оценивать морфологию бляшек, однако ручная разметка таких данных требует значительных временных затрат и подвержена субъективности. Авторы предлагают двухэтапную стратегию сегментации, использующую множественные декодеры для одновременного выделения ключевых структур: липидных кил, фиброзной ткани и кальцификации. Методология включает предварительную обработку изображений для снижения шума и улучшения контрастности, за которой следует многопоточная нейросетевая обработка, оптимизированная для учета гетерогенности тканей сосудов. Исследование демонстрирует высокую точность алгоритма, превосходящую существующие методы сегментации по метрикам Dice Similarity Coefficient (DSC) и Hausdorff Distance. Результаты показывают, что DMNet-E способен надежно идентифицировать сложные структуры бляшек, что критически важно для оценки риска разрыва и планирования интервенционных процедур. Внедрение данной системы может существенно ускорить клинический анализ IVOCT-данных, обеспечивая стандартизированную и объективную оценку риска сердечно-сосудистых событий. Работа опубликована в ведущем журнале по медицинскому ИИ, что подтверждает ее научную значимость и потенциал для интеграции в клиническую практику.