VentrEX：融合并行注意力与Transformer瓶颈的心脏磁共振双心室零样本分割

《Journal of Imaging》：VentrEX: An Anatomically Guided Deep Learning Pipeline for Ventricular Segmentation in Cine Cardiac MRI

　　**摘要**在电影式心脏磁共振（CMR）中对左心室（LV）和右心室（RV）进行自动分割，是实现可靠容积测量和质量评估的基础。然而，乳头肌和肌小梁（PM/T）引入了具有临床意义的变异性，并加剧了跨数据集的域偏移问题。本文提出了VentrEX，一种解剖学引导的分割流程。其核心分割器VentrEX-Seg采用三维编码器-解码器架构，配备并行的通道-空间注意力机制和Transformer瓶颈模块。训练仅在ACDC数据集上进行。一个轻量的PM/T模块可自动提取乳头肌和肌小梁负荷，并对心腔容积进行标准化。外部评估采用零样本方式（无需微调），分别在Sunnybrook（LV）和MM-WHS MRI（RV）数据集上进行。我们报告了Dice系数和HD95（毫米）；在容积测量方面，我们采用Bland-Altman分析（LV和RV容积）。注意力和Grad-CAM可视化结果支持模型的可解释性。在ACDC数据集上，VentrEX相比U-Net、nnU-Net、CBAM和VentrEX-Seg取得了更高的Dice系数和更低的边界误差。零样本性能在外部数据集中得以保持（例如，Sunnybrook LV的Dice为0.9053，HD95为4.95毫米；MM-WHS RV的Dice为0.9236，HD95为6.61毫米）。患者水平的Bland-Altman分析刻画了LV和RV的容积一致性。定性叠加图和三维重建显示，在舒张末期（ED）和收缩末期（ES）中，PM/T的"泄漏"更少，且解剖边界更为合理。单一数据源训练结合双外部零样本测试，证明了模型在域偏移条件下的鲁棒性。并行注意力机制与Transformer瓶颈的结合，实现了跨数据集准确且透明的心脏电影式磁共振分割。