《Biomedical Signal Processing and Control》：KAN-MIFuseNet: pathological feature segmentation of myocardial infarction in LGE cardiac magnetic resonance imaging
编辑推荐：
摘要延迟钆增强磁共振成像（LGE-MRI）是心肌梗死（MI）临床诊断和定量评估的金标准。心肌瘢痕和水肿的准确分割对于临床决策和预后评估至关重要。然而，复杂的心脏解剖结构、模糊的病灶边界、微小的目标尺寸以及较低的组织对比度给自动分割带来了显著困难。我们提出了KAN-MIFuse
摘要
延迟钆增强磁共振成像（LGE-MRI）是心肌梗死（MI）临床诊断和定量评估的金标准。心肌瘢痕和水肿的准确分割对于临床决策和预后评估至关重要。然而，复杂的心脏解剖结构、模糊的病灶边界、微小的目标尺寸以及较低的组织对比度给自动分割带来了显著困难。我们提出了KAN-MIFuseNet，一种双分支编码器-解码器网络。SAM2编码器提取全局语义特征，RegNet编码器捕获局部细粒度细节。统一特征对齐模块（UFAM）实现了双分支的维度统一，而双注意力融合模块（DAFM）执行自适应多尺度特征融合。快速KAN卷积层（FKCL）是一个即插即用的模块，增强了非线性建模能力。解码器融合了FKCL和CBAM，并结合深度监督以稳定训练。在MyoPS 2020数据集上，该方法实现了瘢痕分割Dice系数0.703±0.315和瘢痕与水肿联合分割Dice系数0.723±0.239，平均得分为0.713，展现出相较于传统和先进分割模型的显著优越性能。消融实验验证了DAFM和FKCL各自的有效性，而它们的协同应用增强了小目标捕获能力。泛化实验在LGE-LVP和True数据集上均表现出优异性能。所提出的网络具有较高的精度和强大的泛化能力，为心肌梗死的临床定量分析提供了可靠支持。
引言
心肌梗死（MI）是一种常见的、危及生命的心血管疾病。其核心病理特征是由缺血和缺氧导致的心肌细胞不可逆坏死。在晚期阶段，常表现为心肌瘢痕、水肿和微血管阻塞（MVO）等继发性损伤，严重威胁患者的生存质量和生活质量[1]。延迟钆增强磁共振成像（LGE-MRI）凭借其高软组织分辨率和无电离辐射的优势，已成为临床MI诊断和瘢痕与水肿组织精准鉴别的金标准。它也是量化梗死区域位置、范围和严重程度的关键工具[2]。对LGE-MRI中心肌瘢痕和水肿区域的准确自动分割能够实现梗死大小的定量测量和病变严重程度的客观分级，为制定个性化治疗方案、疗效评估和预后预测提供关键依据。因此，基于LGE-MRI的MI自动分割研究具有重要的临床应用价值和学术意义。
近年来，深度学习已成为医学图像分割的主流技术。以U-Net为代表的卷积神经网络（CNN）因其强大的局部特征提取能力，已被广泛应用于MI分割。然而，CNN对于LGE-MRI中瘢痕和MVO等边界模糊的小目标病灶分割精度有限，限制了其临床定量应用。为此，研究者通过架构优化、注意力机制和分阶段分割策略来提升分割性能。Zhang等[3]设计了一种级联卷积神经网络，利用2D U-Net进行粗分割以提取层内信息，并通过3D U-Net进行细分割以探索体素空间相关性，有效解决了LGE-MRI中的体素间距各向异性问题。Brahim等[4]整合了形状先验知识，构建了以3D U-Net为核心的3D网络，并结合3D自编码器约束分割结果的解剖形状，显著增强了心肌瘢痕和MVO等小目标的分割精度。Li等[5]提出了一种三重注意力U型网络，融合了通道、空间和形状注意力机制，以高效关注病理区域边界，解决了分割中形状不规则和边缘模糊的挑战。Cui等[6]开发了一种6层深层U-Net架构并结合课程学习策略，优化了心肌梗死和水肿区域的分割性能。Zhai等[7]和Cui等[8]提出了一种粗-细分割两阶段框架，首先定位心脏结构，然后精确提取病理区域，从而增强了小目标病理区域的分割精度。尽管这些基于CNN的方法在一定程度上提高了分割精度，但它们在全局上下文建模和长距离特征依赖捕获方面仍存在固有局限性。
为弥补基于CNN的模型在全局表征方面的不足，以Segment Anything Model（SAM）为代表的基于Transformer的大规模分割模型因其强大的全局上下文建模和跨域泛化能力，成为MI分割的一个有前景的方向[9]。Cheng等[10]提出了SAM-Med2D，使用大规模医学数据集对SAM进行全面微调，并支持点、边界框和掩码等多种提示模式，展现出优异的泛化性能。Lin等[11]引入了SAMUS，通过并行CNN分支和适配器在超声图像分割中平衡临床可用性和泛化能力。Ma等[12]开发了MedSAM，通过对大规模医学数据集进行SAM微调，实现了通用的医学图像分割，具有优异的精度和鲁棒性。Li等[13]提出了nnSAM，通过设计边界形状监督损失函数整合SAM和nnUNet的优势，增强了小样本医学图像分割中的性能。Xiong等[14]提出了SAM2-UNeXT，采用双分辨率策略和密集融合层，提供了高性能基准模型。尽管这些方法提高了分割的通用性和精度，但CNN在局部特征提取方面的高效和轻量优势在临床LGE-MRI分析中仍然不可替代。因此，融合Transformer全局建模和CNN局部提取的混合网络引起了越来越多的关注。RegNet凭借其高效的分组卷积和残差连接，为整合两种架构的优势提供了理想骨干网络，这也是本研究采用双分支设计的动因。
尽管现有的CNN、Transformer和混合架构方法在MI分割方面已取得一定进展，但由于MRI的固有特性和心脏解剖结构的复杂性，该任务仍面临诸多关键挑战。(1) 复杂的心脏解剖结构导致梗死区域与正常组织之间的边界模糊、对比度低，导致频繁的分割边界偏差。(2) 瘢痕和水肿为小目标，像素比例低，导致模型频繁出现漏分割或误分类。(3) 当前混合架构采用低效的特征融合策略，依赖于简单拼接或逐元素相加，无法在全局和局部特征之间自适应分配权重。(4) 网络缺乏足够的非线性特征建模能力，难以捕获如瘢痕边缘灰度梯度和微尺度区域中细微水肿特征等复杂信息。
为解决上述挑战，我们提出了KAN-MIFuseNet，一种基于SAM2和RegNet的双分支编码器-解码器网络。它利用快速KAN卷积层（FKCL）强大的非线性建模能力，结合双分支特征提取和自适应特征融合，实现了对心肌瘢痕、水肿和MVO的准确分割。FKCL作为一个即插即用模块，可以灵活插入网络中。主要创新如下：(1) 构建由SAM2和RegNet组成的并行双分支编码器，互补实现全局语义和局部细节特征提取。(2) 设计统一特征对齐模块（UFAM），解决双分支特征之间的空间尺寸和通道维度不匹配问题。(3) 引入双注意力融合模块（DAFM）实现自适应多尺度特征融合，其中FKCL可以集成到DAFM中或单独嵌入解码器中。(4) 解码器融合FKCL和CBAM注意力以增强非线性表征和小目标检测能力，并结合深度监督稳定训练。本研究将在MyoPS 2020、LGE-LVP和True三个数据集上开展消融实验、对比实验和泛化实验，全面验证所提方法的分割性能和临床应用价值。
章节摘要
总体框架
本研究提出了KAN-MIFuseNet，一种用于心脏磁共振（CMR）图像中心肌梗死分割的双分支编码器-解码器网络。针对MI分割中的核心挑战，包括病理区域边界模糊、瘢痕和水肿等小目标捕获困难、全局-局部特征融合不足以及非线性特征建模能力欠缺。我们通过以下方式实现心肌瘢痕及相关区域的精确分割
数据集与评估指标
本研究在多中心、多场景的心肌梗死相关数据集上全面评估了所提方法的分割性能，包括公开的MyoPS 2020数据集、上海交通大学医学院附属仁济医院发布的LGE-LVP数据集以及重庆市中医院提供的True数据集。
MyoPS 2020数据集[15]包含45名患者的多序列CMR图像，包括LGE序列
讨论
本研究提出了KAN-MIFuseNet，一种基于SAM2和RegNet的双分支编码器-解码器网络，针对LGE-MRI心肌梗死分割中的核心挑战，包括复杂的解剖结构、模糊的病理边界、小目标捕获困难以及低效的特征融合。在MyoPS 2020公开数据集上，模型实现了瘢痕分割Dice系数0.703±0.315和瘢痕+水肿联合分割Dice系数为
结论
本工作通过提出新型双分支编码器-解码器网络KAN-MIFuseNet，解决了LGE-MRI心肌梗死分割中的核心挑战，包括复杂解剖结构、模糊的病理边界、小目标捕获困难和低效的特征融合。平行的SAM2-RegNet架构实现了全局语义和局部细节特征的互补提取。结合UFAM进行维度统一、DAFM-KAN进行自适应融合以及协同
CRediT作者贡献声明
Lei Lian： 原稿撰写、可视化、验证、软件、方法论。Zeng Guofei： 验证、调查、形式化分析、数据管理、概念化。Zhang Qin： 验证、资源、调查、数据管理。Fan Longling： 审稿与编辑、监督、项目管理、方法论、资金获取、形式化分析、概念化。Zhang Dechuan： 监督、资源、项目管理、调查、资金获取、数据
资助
本研究由云南省基础研究计划项目（编号：202301AU070184）、重庆市自然科学基金面上项目（编号：cstc2020jcyj-msxmX0751）和重庆市科技与健康联合医学研究重点项目（编号：2024ZDXM001）资助。
利益冲突声明
作者声明不存在可能影响本论文所报告工作的已知竞争性经济利益或个人关系。
Lian Lei|Guofei Zeng|Qin Zhang|Longling Fan|Dechuan Zhang
