课题组在对心脏磁共振图像的分割检测方法中取得了进展，相关研究成果以题为“BSANet: Boundary-aware and scale-aggregation networks for CMR image segmentation”的论文于2024年6月正式发表在《NEUROCOMPUTING》（IF=5.5）。

从心脏磁共振（CMR）图像中准确分割出不同的心脏区域，对于提高心脏病的诊断和预后至关重要。然而，心脏结构复杂、CMR 图像对比度低给实现精确分割带来了巨大挑战。因此，本文提出了针对左右心室和心肌的CMR图像的边界感知和尺度聚合分割算法，其优势在于通过精心设计的多尺度边界感知（MBA）模块和尺度聚合TransFormer（SAT）模块，将卷积固有的局部特征与变换器的全局特征提取相结合。MBA 模块专门用于解决 CMR 图像中边界模糊的问题。它增强了低级特征图的边缘提取能力。另一方面，SAT 模块旨在解决心脏结构的复杂性和多样性。该模块保留了关键的多尺度信息来提高分割性能，同时通过空间缩减有效地利用了TransFormer的特性。方法结构如图所示。

最后，方法在三个不同中心的心脏核磁图像数据集进行了验证。实验结果实现了92.39%、91.94%和96.48% 的Dice分数，充分体现了所提方法的先进性能。

论文信息

Zhang D, Lu C, Tan T, et al. BSANet: Boundary-aware and scale-aggregation networks for CMR image segmentation[J]. Neurocomputing, 2024, 599: 128125.

(https://www.sciencedirect.com/science/article/pii/S0925231224008968)

编辑 | 孟思彤

一审 | 胡倩荻

二审 | 汪兴上

终审 | 李青合