边界优先的空间自适应网络BSA-Net：高效左心房分割新方法

为解决左心房分割中随机裁剪导致的结构不完整和边界不连续问题，研究人员提出边界优先的空间自适应网络BSA-Net，通过空间自适应卷积SConv和双边界优先损失BP Loss，在LA、Utah和Waikato数据集上分别取得92.55%、91.42%和84.67%的Dice分数，参数量仅2.16 M，较现有方法降低80%，为临床精准治疗提供高效解决方案。

　　

心房颤动（AF）是临床常见的心律失常疾病，其治疗依赖精确的左心房（LA）解剖结构分割。然而，现有深度学习方法存在两大痛点：一是假设输入图像必须包含完整左心房，忽略了实际推理时随机裁剪操作导致的结构不完整；二是传统卷积神经网络（CNN）难以捕捉不规则目标的远程特征依赖，边界区域优化不足。这些问题严重影响了消融手术的规划精度，亟需开发更鲁棒的解决方案。

针对这一挑战，奥克兰大学生物工程研究所（Auckland Bioengineering Institute, The University of Auckland）的研究团队创新性地提出了边界优先的空间自适应网络BSA-Net。该研究通过动态调整特征位置关系和强化边界优化策略，在三个国际标准数据集上实现Dice分数突破性提升，同时将模型参数量压缩至2.16 M，相关成果发表于《Computers in Biology and Medicine》。

关键技术方法包括：1）空间自适应卷积（SConv）模块，通过特征重排和轻量级卷积建立跨位置关系；2）双边界优先损失（BP Loss），差异化加权前景-背景边界点；3）采用LA（100例）、Utah（100例）和Waikato（11例）LGE-MRI数据集进行五折交叉验证；4）评估指标涵盖Dice、JSC、HD95和ASSD等多维指标。

3.1 网络架构创新

研究团队基于VNet框架设计五级编码器-解码器结构，核心创新在于SConv模块。该模块通过3D绝对位置编码和特征重排操作，将传统卷积的固定感受野扩展为动态自适应区域。实验表明，仅引入SConv即可使Utah数据集Dice提升1.27%（89.28%→90.55%），证明位置自适应机制有效缓解了随机裁剪导致的特征断裂问题。

3.4 边界优化突破

提出的BP Loss创新性地引入"敌对像素"概念，对边界区域实施动态权重调整。当k=3时，该损失函数使HD95指标较基线降低18.5%（4.43mm→3.61mm）。值得注意的是，单独使用BP Loss（权重1）时性能最优，表明其可替代传统交叉熵+Dice损失的组合方案。

4.1 跨中心验证

在未经过微调的情况下，BSA-Net直接迁移至Waikato数据集仍保持84.67%的Dice分数，显著优于SwinUNETR（84.22%）和UNet3D（75.36%）。弗里德曼检验（p<0.01）证实该模型具有统计学显著优势，凸显其卓越的泛化能力。

5.3 效率革命

与Transformer架构相比，BSA-Net在LA数据集上仅需135.43 GFLOPs运算量，较SwinUNETR（1560.82 GFLOPs）降低91%。这种"轻量高效"特性使其非常适合部署在计算资源有限的临床环境中。

这项研究的意义在于：首次系统解决了随机裁剪场景下的左心房分割难题，通过SConv和BP Loss的协同设计，在保持模型轻量化的同时实现边界精度突破。临床价值方面，92.55%的Dice分数和2.61mm的HD95指标已接近专家级分割水平，为房颤消融手术导航提供了可靠的技术支撑。未来，该框架可扩展至其他医学图像分割任务，其动态特征重组思想对开发新一代自适应神经网络具有重要启示。