基于多尺度跨任务特征融合与梯度桥接解剖约束的心脏磁共振成像联合分割与标志点检测

《MEDICAL PHYSICS》：Joint segmentation and landmark detection for cardiac MRI with multi-scale inter-task feature fusion and gradient-bridged anatomical constraints

　　**摘要****背景**分割和关键点检测是心脏磁共振成像（CMR）中用于定量评估心脏的关键但复杂的任务。现有的自动CMR分析方法通常分别独立处理这两个任务，忽略了它们之间可能协同提升双方性能的互补性。**目的**开发一个准确且高效的多任务学习（MTL）框架，用于同时对CMR进行分割和关键点检测。**方法**本文提出的SLaDNet-GaB框架将分割与关键点检测网络（SLaDNet）与梯度即桥梁（GaB）损失相结合。SLaDNet采用共享特征编码器和两个独立解码器，分别生成分割预测和关键点预测。在解码器之间多个分辨率尺度上插入了跨任务特征融合（ITFF）模块，通过逐通道注意力机制促进双向信息交换。除两个任务内损失外，训练过程中还引入了专门的GaB损失以强制任务间解剖学一致性。具体来说，该损失通过梯度图将预测的关键点引导至分割目标边界。我们在两个公开CMR数据集上，将所提出的方法与单任务和多任务基线方法进行了全面评估：一个电影扫描数据集（ACDC；训练/验证/测试分别为105/15/30名受试者）和一个T1映射数据集（STONE；训练/验证/测试分别为150/20/40名受试者）。**结果**SLaDNet-GaB在分割（Dice得分：ACDC/STONE上分别为92.37%/94.27%，*p* < 0.05）和关键点检测（点到点距离：ACDC/STONE上分别为2.22/1.51体素，*p* < 0.05）两方面均优于基线方法。在下游任务中，所提出的方法在大多数心肌节段中始终实现了低于其他方法的应变和T1定量误差，各节段测量值与手动标注值高度一致。此外，SLaDNet-GaB训练时间相对较短（ACDC/STONE上分别为11.4/3.2小时），推理时间为6.12毫秒/样本，适合临床应用。**结论**所提出的多任务方法在CMR分割、关键点检测及下游定量方面均实现了精度提升，同时保持了较高的计算效率。**利益冲突声明**胡晨曦在本文研究之外的其他工作中获得了联影医疗和万东医疗的研究资助。其他作者无相关利益冲突需要披露。**数据可用性声明**ACDC数据集公开获取地址为：https://www.creatis.insa-lyon.fr/Challenge/acdc/databases.html。STONE数据集公开获取地址为：https://doi.org/10.7910/DVN/DHEUAV/H5WVDS。