通过联合配准和时间注意力感知器进行半监督电影心脏磁共振成像（MRI）分割

《MEDICAL PHYSICS》：Semi-supervised cine cardiac MRI segmentation via joint registration and temporal attention perceiver

心脏MRI图像的半监督分割方法研究：提出结合变形注册、完全监督与弱监督分割的框架，利用伪标签生成与时间注意力感知器优化特征对齐，在ACDC和M&Ms数据集上验证其优于传统方法并接近全监督模型性能。

　　心脏结构分割在使用 cine 磁共振成像（MRI）进行心脏功能评估中扮演着至关重要的角色。传统的分割方法依赖于人工标注，这不仅耗时费力，而且在实际应用中难以大规模获取高质量的标注数据。因此，近年来，研究者们开始探索深度学习在心脏结构分割中的应用，以提高自动化水平和分割精度。然而，深度学习模型的训练通常需要大量完全标注的数据集，这在临床实践中面临较大挑战。为了解决这一问题，半监督学习方法被提出，通过结合少量标注数据和大量未标注数据进行训练，从而降低对人工标注的依赖。尽管如此，现有的半监督分割方法在分割精度上仍存在一定的局限性，难以达到完全监督方法的水平。

基于上述背景，本研究旨在开发一种新的半监督分割方法，利用相对较小的训练数据集和部分标注信息，实现对 cine 心脏 MRI 的更高效、更精确的结构分割。为了达到这一目标，我们提出了一种包含可变形配准、全监督分割和时间注意力感知器（TAP）的综合框架。该方法的核心思想是通过配准模块将已标注的帧进行变形，从而生成未标注帧的伪标签。这些伪标签用于训练全监督分割网络，以提升其分割能力。同时，未标注图像和生成的伪标签也被用于训练弱监督分割模型，而分割预测结果与伪标签之间的差异则被用作配准模块的辅助损失，以进一步优化配准过程。此外，TAP 模块被引入，用于对变形后的已标注图像和原始未标注图像进行特征优化，并结合原始标注图像进行特征对齐，从而增强跨实例的特征一致性，提高分割的准确性。

在方法实现过程中，我们使用了来自两个知名心脏图像分割挑战的数据集进行实验。首先是“自动心脏诊断挑战”（ACDC）数据集，其中包括 100 个训练样本，每个样本包含随机选择的收缩期末（ES）和舒张期末（ED）帧的标注。其次是“多供应商与多疾病心脏图像分割挑战”（M&Ms）数据集，其中包含 75 个训练样本，每个样本同样有随机选择的 ES/ED 帧的标注。为了评估模型的性能，我们还使用了这些数据集的剩余 50 个样本进行测试。测试结果通过 Dice 相似度系数（DSC）、平均对称表面距离（ASSD）和 Hausdorff 距离（HD）三个指标进行量化分析，分别用于评估左心室（LV）、右心室（RV）和心肌（Myo）的分割精度。此外，我们还设置了一个全监督的 Unet 模型作为性能上限（Unet_UB），该模型在相同的数据集上使用所有帧的标注进行训练，以对比半监督方法的效果。

实验结果显示，当使用 ACDC 数据集的 100 个训练样本时，我们的方法在 RV 的分割中取得了 DSC = 0.910（±0.063）、ASSD = 1.37（±0.63 mm）、HD = 6.38（±2.99 mm）的成绩。在 Myo 的分割中，DSC = 0.894（±0.024）、ASSD = 1.20（±1.12 mm）、HD = 4.67（±3.22 mm）。而在 LV 的分割中，DSC = 0.934（±0.056）、ASSD = 1.25（±1.63 mm）、HD = 3.97（±5.76 mm）。这些结果表明，我们的方法在分割精度上表现优异，尤其是在 LV 的分割中达到了较高的 DSC 值，同时保持了较低的 ASSD 和 HD。相比之下，现有的半监督方法中表现最好的“双向复制粘贴”（BCP）方法，在 RV 的分割中 DSC = 0.902（±0.060）、ASSD = 1.45（±0.60 mm）、HD = 7.50（±3.20 mm）；在 Myo 的分割中，DSC = 0.885（±0.030）、ASSD = 1.28（±0.80 mm）、HD = 5.80（±2.80 mm）；在 LV 的分割中，DSC = 0.920（±0.068）、ASSD = 1.15（±0.40 mm）、HD = 4.20（±3.30 mm）。尽管 BCP 方法在某些指标上表现良好，但总体来看，我们的方法在多个方面均优于 BCP，并且其分割精度接近全监督 Unet_UB 的水平。Unet_UB 在 RV 的分割中取得了 DSC = 0.905（±0.068）、ASSD = 1.48（±0.61 mm）、HD = 6.35（±2.85 mm）的成绩；在 Myo 的分割中，DSC = 0.895（±0.030）、ASSD = 1.05（±0.45 mm）、HD = 4.40（±3.09 mm）；而在 LV 的分割中，DSC = 0.941（±0.044）、ASSD = 1.02（±0.34 mm）、HD = 3.17（±1.63 mm）。这些结果进一步表明，我们的方法在分割精度上具有竞争力，尤其是在 LV 的分割中表现突出。

在 M&Ms 数据集的实验中，我们同样使用了 75 个训练样本，并取得了与 ACDC 数据集相似的性能趋势。这表明，无论是在哪种数据集上，我们的方法都能保持较高的分割精度，同时适应不同的数据分布和标注情况。此外，所有实验结果均显示，我们的方法在总体性能上优于 BCP 方法，并且其分割精度接近全监督 Unet_UB 的水平，这表明我们的方法在利用有限标注数据的情况下，能够实现接近完全监督方法的分割效果。

综上所述，本研究提出了一种基于可变形配准、全监督和弱监督分割以及时间注意力感知器的半监督分割方法，能够在相对较小的数据集和部分标注条件下，实现对 cine 心脏 MRI 的高效、精确分割。该方法不仅提高了分割的准确性，还有效减少了对人工标注的依赖，为临床实践中的自动化分割提供了新的思路和解决方案。实验结果表明，我们的方法在多个指标上均优于现有的半监督分割方法，并且其性能接近全监督方法，为未来的研究和应用奠定了坚实的基础。