Transforming Heart Chamber Imaging: Self-Supervised Learning for Whole Heart Reconstruction and Segmentation

心脏磁共振（CMR）的自动分割在有效评估心脏功能、提供快速临床评估方面起着关键作用，使医疗从业者和患者受益。最近的研究主要集中在短轴方向的结构划分上，对于长轴表示法则关注较少，主要是由于该方向的结构复杂性。在二维稳态自由进动（SSFP）影像序列中像素级地分割左心室（LV）心肌和四个心腔是各种分析的关键预处理阶段。然而，挑战在于不同患者、临床视图、扫描仪和成像协议之间心脏对比度、外观、方向和定位的显著变异。因此，在这种情况下实现完全自动的语义分割是极具挑战性的。近年来，提出了几种深度学习模型来准确量化和诊断心脏病理。这些自动化工具严重依赖于磁共振图像中心脏结构的准确分割。因此，需要新的方法来处理这些结构的几何和纹理复杂性。我们提出了2D和3D两阶段自监督深度学习分割混合变压器和基于CNN的架构，用于4CH全心分割。在4CH视图中准确分割心室和心房对于分析心脏健康和重建四腔网格至关重要，这对于评估整体心脏状况的各种参数至关重要。我们提出的方法优于现有技术，在该领域表现出卓越的性能。

论文旨在解决心脏磁共振图像中心脏结构的自动分割问题，尤其是长轴方向的结构分割问题。

论文提出了基于自监督深度学习的2D和3D两阶段分割混合Transformer和CNN架构，用于4CH全心分割。该方法在这一领域表现优异。

实验结果表明，该方法在4CH全心分割方面表现优于当前最先进的技术。论文使用了2D和3D两种架构，并进行了详细的实验设计。论文提出的方法可用于评估整体心脏状况，重建四腔网格，分析心脏健康等方面。

最近的相关研究包括：1. Automated Cardiac Diagnosis and Medical Knowledge Discovery Based on Machine Learning Techniques；2. Deep Learning-Based Segmentation and Quantification in Cardiac MRI.