近日，暨南大學副教授白杰云、教授張曉慎團隊聯合奧克蘭大學、曼徹斯特大學等國際機構研究者，創新性地提出了基于3D深度學習網絡RASnet的兩階段分割框架，首次在延遲釓增強磁共振成像（LGE-MRI）中實現右心房的高精度自動化分割，建立了該領域的基準模型，為心臟疾病的精準評估提供了關鍵工具。相關成果發表于《IEEE醫學成像匯刊》。
人工智能助力右心房的數字化。研究團隊供圖，下同
右心房作為維持正常心臟血流動力學的關鍵結構，在心臟儲備、傳導和輔助泵血中發揮核心作用，但其在臨床診斷中常被忽視。近年來，隨著介入心臟病學的發展，右心房的結構與功能評估對房顫、心力衰竭、肺動脈高壓等疾病的診療愈發重要。
研究團隊在國家自然科學基金等項目的資助下，針對右心房分割面臨的類別不平衡、解剖結構變異大等挑戰，設計了融合卷積神經網絡（CNN）與視覺Transformer的混合架構 RASnet。該框架通過多路徑輸入模塊捕捉多尺度特征，多尺度特征融合模塊增強局部與空間信息保留，視覺Transformer模塊捕捉全局上下文，多尺度上下文交互模塊優化邊緣分割，并結合深度監督機制提升模型魯棒性。
團隊在包含354例LGE-MRI的數據集（RAS數據集154例、JNU獨立數據集200例）上開展實驗。結果顯示，RASnet在主要數據集上的Dice系數達92.19%，Jaccard系數0.8563，Hausdorff距離13.19，顯著優于現有主流模型（如nnUnet、MedSAM等）；在獨立驗證集上仍保持領先性能，證明其強大的泛化能力。
研究團隊提出的兩階段分割網絡。
該研究的核心突破在于：首次建立了LGE-MRI右心房分割的基準框架，解決了長期以來該領域缺乏標準化方法和公開數據集的問題；RASnet通過融合多尺度特征與全局上下文，精準捕捉右心房復雜解剖結構（如界嵴、梳狀肌等），為臨床提供了右心房腔體大小、形態、體積的量化工具；提供的開源代碼（https://github.com/zjinw/RAS）和數據集（https://zenodo.org/records/15524472），將推動該領域的標準化研究與臨床轉化。
在臨床應用中，該框架可助力房顫患者的右心房重構評估、肺動脈高壓的預后判斷等。例如，通過精準分割右心房并量化其體積變化，能更早預測三尖瓣反流進展，優化手術干預時機。同時，自動化分割大幅減少人工標注時間，為大規模臨床研究和隨訪監測提供高效工具。
相關論文信息：https://10.1109/TMI.2025.3590694
本文鏈接：新研究攻克右心房分割難題http://www.sq15.cn/show-11-24413-0.html
聲明：本網站為非營利性網站，本網頁內容由互聯網博主自發貢獻，不代表本站觀點，本站不承擔任何法律責任。天上不會到餡餅，請大家謹防詐騙！若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。
上一篇： 《現代鋰多金屬礦選礦》正式出版