编辑推荐：
为解决先天性心脏病（CHD）3D 医学图像分割难题，因现有深度学习网络受限于训练数据和心脏组织复杂性，研究人员开展基于混合层的编码器 - 解码器框架研究。结果显示该模型在相关数据集上表现优异，对 CHD 诊断和治疗意义重大。
先天性心脏病（Congenital Heart Disease，CHD）是一种常见的儿科心血管疾病，由胎儿时期心脏和大血管发育异常所致。它严重影响患儿的心脏功能和血流，是导致婴幼儿死亡和残疾的主要原因之一。许多 CHD 患者需要手术治疗，但因其疾病类型多样，手术的复杂性和风险较高。在 CHD 的诊疗过程中，准确的心脏解剖结构分割至关重要，它能帮助医生生成患者特异性的 3D 心脏模型，从而更好地分析心脏缺陷状况、规划手术方案。然而，传统的手动分割方式效率低下，且存在观察者间和观察者内的差异。近年来，虽然人工智能尤其是深度学习在 CHD 图像分割领域展现出一定潜力，但现有方法仍存在不足，如因 CHD 总体发病率低、心脏标注耗时费力导致标注数据匮乏，以及心脏结构复杂、周围器官和组织区分度差等问题，使得现有深度学习算法在 CHD 分割任务中，特别是在 3D 图像大血管组织的准确分割方面，可靠性仍有待提高。
为了解决这些问题，来自武汉大学中南医院心血管外科、华中科技大学同济医学院附属协和医院心内科等机构的研究人员开展了一项关于先天性心脏病 3D 图像分割的研究。他们提出了一种基于新型混合层的编码器 - 解码器框架（HL - 基于全局和局部特征体素混合器）用于 3D CHD 图像分割，相关研究成果发表在《Scientific Reports》上。
研究人员在本研究中运用了多种关键技术方法。他们基于 Swin 变压器框架构建模型，并融入了两个创新模块：全局体积混合模块（Global Volume Mixing Module）和局部体积多头注意力模块（Local Volume - based Multihead Attention Module）。在实验过程中，使用了公共的 ImageCHD 和 HVSMR - 2.0 数据集进行模型评估。同时，采用 Dice 系数和准确率指数等指标对网络的分割性能进行量化评估 。
下面来看具体的研究结果：
- 与现有方法的比较：研究人员将提出的方法与三种最先进的 3D CHD 分割框架进行对比。在 ImageCHD 和 HVSMR - 2.0 数据集上的定量比较结果显示，该模型在全心脏（Whole Heart，WH）和单个心脏结构的分割中，Dice 系数均高于其他三种模型。在大血管分割方面优势更为明显，例如与 CardiacSeg 相比，在大肺动脉分割中 Dice 系数提高了约 5%。从可视化结果也能看出，其他模型存在分割结果缺失和错误的情况，而该模型的分割结果与实际情况更为接近。
- 消融研究：为验证模型中 LCSA 模块和 GCM 模块的有效性，研究人员进行了消融实验。结果表明，单独应用 LCSA 模块或 GCM 模块时，Dice 系数和准确率指数仅有轻微增加或无变化；而同时加入这两个模块后，模型的 Dice 系数和准确率指数显著提高。这说明两个模块联合使用，能够有效提取和融合全局与局部特征，增强在 CHD 场景中对全心脏和大血管的分割效果。
综合研究结论和讨论部分，本研究提出的新型混合层编码器 - 解码器框架在 CHD 图像分割任务中表现出色，在 WH 和大血管分割方面优于现有最先进的模型。通过引入两个新模块，该模型能够有效融合卷积神经网络（Convolutional Neural Network，CNN）和变压器的优势，明确学习局部和全局依赖关系，从而更准确地捕捉器官边界，实现对 CHD 患者全心脏和大血管的精确分割。然而，研究也存在一定局限性，如实验数据集的异质性不足、样本量有限，模型在大血管分支分割中仍存在错误等。未来，研究人员计划采用联邦学习或集成混合注意力机制等新兴方法进一步改进模型，提高分割精度，并拓展模型的临床验证范围。这项研究为 CHD 的诊断和治疗提供了更有效的自动化辅助手段，有望在临床实践中发挥重要作用，推动 CHD 诊疗技术的发展。
