В исследовании представлена разработка и валидация модели глубокого обучения на основе архитектуры 2D U-NET для автоматизированной сегментации и количественной оценки атеросклеротических поражений на гистологических срезах аортального корня мышей. Традиционный метод ручного измерения размеров поражений на окрашенных маслом красным О срезах является трудоемким и занимает около 5 минут на одно изображение, что создает узкое место в экспериментальных исследованиях. Для обучения модели использовался набор из 2553 микроскопических изображений, полученных от генетически разнообразных мышей линии F2 с нокаутом гена Apoe, находившихся на западной диете в течение 12 недель. Данные были разделены на обучающую (1533 изображения), валидационную (510 изображений) и тестовую (510 изображений) выборки, при этом ручная сегментация проводилась экспертом с использованием программного обеспечения Zeiss AxioVision. Разработанная модель продемонстрировала высокую точность: коэффициент F1 составил 0.82, индекс Джаккара — 0.72, чувствительность (Recall) — 0.80, точность (Precision) — 0.87, а коэффициент корреляции с ручными измерениями достиг 0.98. Ключевым практическим преимуществом является радикальное сокращение времени обработки: модель выполняет задачу за ~3.35 секунды, что снижает время измерения на 98.9% по сравнению с ручным трудом. Данный инструмент предоставляет новую платформу для быстрой и точной количественной оценки атеросклеротических бляшек, что существенно ускоряет доклинические исследования и анализ эффективности потенциальных терапий.