编辑推荐：
心血管疾病死亡率高，心脏磁共振成像（CMR）对诊断意义重大，但心肌环（MYO）分割困难。研究人员用模糊池化增强 U - Net 模型，评估多种损失函数。结果显示 CrossLov 表现平衡，边界精度高。这有助于提高心血管疾病诊断准确性。
在医学领域，心血管疾病一直是人类健康的 “头号杀手”。据世界卫生组织数据，每年因心血管疾病死亡的人数超过百万，2020 年全球更是约有 1905 万人因此失去生命。及时、精准地诊断心脏病成为挽救生命的关键，心脏磁共振成像（CMR）便在这样的背景下，成为了诊断和管理心脏疾病的常用工具。然而，CMR 图像中准确检测心肌环（MYO）却困难重重。心肌环的病变特征、位置、大小和形状各不相同，每个患者的情况都独一无二，而且图像还可能受到噪声干扰，这使得心肌环的检测工作如同在迷雾中寻找宝藏，充满挑战。
为了解决这一难题，研究人员开展了深入研究。虽然文中未提及具体研究机构，但他们围绕心肌环分割展开了一系列探索。研究人员将模糊池化技术融入 U - Net 模型，并评估了多种损失函数对模型性能的影响，包括交叉熵损失（Cross - Entropy Loss）、焦点损失（Focal Loss）、骰子损失（Dice Loss）、Lovász - Softmax 损失（Lovász - Softmax Loss）以及新提出的 CrossLov 损失。研究结果意义重大，为心血管疾病的诊断提供了更精准的方法，有望提高临床诊断的准确性，拯救更多生命。该研究成果发表在《Array》杂志上。
研究中，研究人员采用了多种关键技术方法。首先，使用 ACDC 2017 数据集，该数据集包含 150 名患者的 MRI 扫描图像，被分为训练集（85%）和测试集（15%） 。其次，构建了带有模糊池化层的 U - Net 模型，以在降采样过程中保留更多空间信息。最后，运用 Dice 评分、交并比（IoU）和豪斯多夫距离（HD）等多种评估指标，全面评估模型性能。
研究结果
- 训练过程中的表现：在训练过程中，研究人员使用 Tesla T4 GPU（32 GB VRAM）训练模型，记录损失和骰子分数来评估各损失函数的性能。焦点损失在损失评估中表现出色，达到最低分数，在第 95 个 epoch 时测试损失为 0.0011，第 96 个 epoch 时训练损失为 0.0012，且未出现过拟合现象。而 Lovász - Softmax 损失记录的损失分数最高。在骰子分数方面，CrossLov 表现最佳，训练和测试时分别在第 95 个 epoch 达到 98.266% 和 98.099% 。尽管焦点损失的损失分数最低，但骰子分数仅排第三。此外，交叉熵损失训练时间最短，为 5729.55 秒，而焦点损失耗时最长，为 6472 秒。
- 使用真实数据评估模型性能：在使用 IoU、HD 和 Dice 评分对模型进行进一步评估时，CrossLov 在一般分割（MYO + LV + RV）的平均 IoU 上表现最佳，达到 93.691% ，与焦点损失的差距极小。在特定 MYO 的 IoU 检测中，Lovász - Softmax 表现最优，达到 90.68%，CrossLov 也能达到 60% 。在 HD 方面，CrossLov 的平均 HD 最低，分别为 2.816 mm（一般）和 1.309 mm（MYO），表明其边界精度最高。同时，CrossLov 的 Dice 评分也最高，达到 98.099%。
研究结论与讨论
研究结果表明，不同损失函数在心肌环分割任务中各有优劣。Lovász - Softmax 损失函数在优化 IoU 方面表现出色，能直接提升整体分割质量；CrossLov 损失函数则在边界精度上表现卓越，其结合了交叉熵和 Lovász - Softmax 的优势，在一般分割中 IoU 达到 93.691% ，同时在 MYO 分割中也取得了较好的结果，HD 分别为 2.816 mm（一般）和 1.309 mm（MYO）。焦点损失和骰子损失在平衡数据集上会引入噪声，影响分割性能。
这项研究强调了根据具体分割任务需求选择合适损失函数的重要性，为医学图像分割领域提供了有价值的参考。它让人们更加清楚地认识到不同损失函数对模型性能的影响，有助于后续研究进一步优化模型，提高医学图像分割的准确性和可靠性，从而为心血管疾病的诊断和治疗提供更有力的支持。 不过，该研究也存在一定局限性。例如，研究依赖 ACDC 2017 数据集，可能无法完全代表临床实践中的多样性；模糊池化层和 CrossLov 损失函数增加了计算需求，限制了在资源有限设备上的应用；研究主要集中于 MYO 分割，对其他心脏结构的分割研究不足；评估指标相对单一。未来研究可针对这些问题进行改进，如扩展数据集、优化计算方法、拓展研究范围和丰富评估指标等，进一步推动医学图像分割技术的发展。
