一种用于心脏磁共振成像（MRI）的分割方法，该方法在孪生网络（Siamese network）架构中结合了区域约束引导和管状结构识别功能

《MEDICAL PHYSICS》：A segmentation method for cardiac MRI that incorporates region constraint guidance and tubular structure awareness within a Siamese network architecture

CMRI图像分割中，针对右心室形态多变、心肌狭窄结构及边界模糊问题，提出RCSiamTANet双分支网络。左室分割分支采用区域约束Siamese编码器避免冗余特征，右室分支结合动态蛇形卷积增强细长结构检测。多数据集实验显示较FCN、UNet等模型提升4.47%-4.56%的Dice系数。

　　

摘要

背景

心脏磁共振成像（CMRI）是一种无创的医学检查方法，能够全面评估心血管疾病的解剖结构、功能、血流和组织学特征。从CMR图像中准确分割左右心室和心肌对于医生诊断心血管疾病具有重要意义。然而，由于右心室形状多变、心肌结构呈管状，以及心脏各子结构之间的灰度差异较小导致边界不明确，CMR图像的分割仍然是一项具有挑战性的任务。

目的

为了解决这些问题，本文提出了一种双分支网络模型：该模型结合了区域约束的孪生编码器用于心室分割，以及动态蛇形卷积算法来增强对管状心肌结构的检测能力。这两种技术的融合输出使得心脏各子结构的精确分割成为可能。

方法

本文提出了一种名为RCSiamTANet的多目标分割网络，该网络整合了区域约束引导的孪生网络和管状结构检测机制。该网络由两个子网络组成：左右心室分割子网络和心肌分割子网络。左右心室分割子网络的编码器包含两个并行分支：其中一个分支使用卷积神经网络（CNN）提取原始图像特征，另一个分支则利用孪生网络聚焦目标区域，避免冗余特征提取；同时利用孪生网络提供的相邻切片区域约束信息与原始切片特征，以捕捉更多局部细节，从而实现左右心室的联合分割。心肌分割子网络采用动态蛇形卷积算法来捕捉心肌的管状结构特征，提高对细长管状结构的识别能力。最终，两个子网络的输出结果被融合，以实现心脏各子结构的准确分割。

结果

与FCN、UNet、TransUNet、SwinUNet和EMCAD等现有模型相比，RCSiamTANet在ACDC数据集上的平均Dice分数分别提高了4.47%、3.81%、2.56%、4.56%和0.84%；在M&Ms数据集上，平均Dice分数分别提高了3.44%、3.49%、2.76%、3.37%和1.21%；在M&Ms-2数据集上，平均Dice分数分别提高了2.33%、0.40%、1.10%、0.33%和0.33%。

结论

所提出的RCSiamTANet显著提升了复杂心脏结构区域和管状结构的分割性能，有效提高了分割的准确性和泛化能力。

利益冲突声明

作者声明不存在任何利益冲突。