编辑推荐：
心血管疾病是全球头号死因，心脏磁共振图像分割意义重大。研究人员针对现有分割方法处理大规模数据的不足，开展基于深度学习与 3D - ASM 结合的自动分割研究。结果表明该方法精准度高，为心脏疾病诊断等提供有力支持。
在现代医学领域，心血管疾病如同一个潜伏在暗处的 “杀手”，无情地威胁着人们的生命健康，稳坐全球死因排行榜的首位。随着生物医学技术的飞速发展，心脏磁共振成像（CMR）技术不断进步，产生了海量的心脏数据。这些数据就像一座蕴藏着巨大宝藏的矿山，蕴含着心血管疾病的潜在机制等重要信息。然而，如何从这座 “矿山” 中精准、高效地提取有价值的信息，成为了医学领域亟待解决的难题。
在心脏功能的定量分析中，准确分割左心室至关重要，这关系到计算如左心室舒张末期容积（LVEDV）、左心室收缩末期容积（LVESV）、左心室质量（LVM）、左心室射血分数（LVEF）等关键参数，而这些参数对于心血管疾病的诊断、治疗方案的制定以及患者的后续跟踪都有着举足轻重的作用。但目前，依靠人工或半自动的方式进行心脏结构的识别和勾勒，不仅繁琐、耗时，还存在不同观察者之间的差异，严重影响了分析结果的准确性和可靠性。现有的自动和半自动 CMR 分割算法，也难以满足处理大规模异质人群数据的需求。在这样的困境下，开展新的心脏磁共振图像分割研究迫在眉睫。
中南民族大学生物医学工程学院等研究机构的研究人员勇敢地迎接了这一挑战，他们开展了一项旨在实现大规模心脏磁共振图像心室自动初始化和分割的研究。研究人员提出了一种创新的混合方法，将深度学习定位的优势与 3D - ASM（主动形状模型）的约束相结合，构建了一个强大的心脏分割框架。
为了实现这一目标，研究人员采用了多种关键技术方法。首先，他们设计了一种融合卷积神经网络（CNNs）和 Transformer 的混合网络 CTr - HNs，并引入边缘特征引导（EFG）模块，用于在 MRI 图像中定位心脏的目标区域。其次，通过将 CTr - HNs 分割得到的粗糙轮廓与 3D - ASM 的初始表面模型对齐，获取初始形状，并利用复杂变换对初始形状进行优化，使其能够覆盖 MRI 短轴的所有切片。研究使用了来自 UK BioBank 和心脏图谱项目（CAP）的数据集进行实验。
在研究结果方面：
- CTr - HNs 分割效果显著：在对左心室（LV）的分割中，CTr - HNs 的 Dice 系数达到 0.95，平均轮廓距离（MCD）为 0.10，平均 Hausdorff 距离（HD95）为 1.54；左心室心肌分割的 Dice 系数是 0.88，MCD 为 0.13，HD95 为 1.94；右心室（RV）分割的 Dice 系数为 0.91，MCD 为 0.24，HD95 为 3.25 。这表明 CTr - HNs 在分割不同心脏组织时，能够有效优化分割边界，准确捕捉结构边界，性能表现出色。
- SPASM 分割精度高：在对 SPASM 的评估中，研究人员对比了自动分割结果与真实值之间的点到表面（P2S）距离和 Dice 分数。结果显示，该研究方法的整体 P2S 误差为 1.45 ± 0.51 mm，而 Alba 等人采用的 SPASM 误差为 2.11 ± 0.56 mm。在本研究中，心内膜和心肌的 90% 的 P2S 误差在 1.9 mm 以内，心外膜在 2.4 mm 以内，均优于之前的研究。同时，本研究中的心内膜和心外膜平均 Dice 分数分别达到 0.87 和 0.91 ，表现优异。
- 心脏功能指标相关性强：通过计算 LVEDV、LVESV、LVSV、LVM 和 LVEF 等心脏功能指标，并与专家手动分割得到的结果进行对比，发现该研究方法得到的结果与专家结果非常接近。Bland - Altman 图和相关性图显示，两者之间匹配度高，心脏指标的相关性在 0.89 - 0.99 之间，表明自动方法和手动方法之间存在很强的关联。
研究结论和讨论部分指出，该研究提出的全自动方法能够在大规模 MRI 研究中高效分析心脏 MRI 图像。通过结合深度学习神经网络、初始形状优化算法和 SPASM 分割方法，有效克服了传统方法的不足。特别是 CTr - HNs 通过混合 CNNs - Transformer 架构，充分利用了全局上下文信息和局部边界特征，结合 EFG 模块，实现了更精确的边界定位。同时，研究也指出了局限性，如算法对基于 3D 主动形状的模型拟合技术依赖较重，深度学习算法主要针对 2D 分割模型。但总体而言，该研究成果为心脏疾病的研究和诊断提供了一种准确、可靠的新工具，有助于推动心血管医学领域的发展，具有重要的临床应用价值和研究意义。该研究成果发表在《BMC Medical Imaging》上，为相关领域的研究开辟了新的思路和方向。
