通过整合数据级和网络级一致性，在有限标注下实现高效心脏MRI多结构分割以评估心血管状况

这项研究对心脏健康的重要性

心脏MRI扫描能揭示有关心脏泵血功能的关键信息，但将这些详细图像转化为医生可用的量化指标通常需要专家耗时的手工描绘。本研究提出了一种人工智能（AI）方法，即便只有一小部分扫描由专家精确标注，也能学习并准确勾画心脏的关键结构。通过高效利用医院已存的大量未标注扫描，该方法有望使先进的心脏分析更快速、成本更低并更广泛可及。

将原始心脏扫描转化为有用的测量值

为了评估心脏功能，心脏病专家会在MRI图像中观察多个结构，包括主要的泵血腔室和心肌壁，并据此计算容积、肌肉质量和收缩能力等指标——这些数字指导诊断、治疗选择和长期监测（如心力衰竭和心肌病）。目前，这些结构常由人工描绘或需严格监督的软件完成。新方法旨在大部分自动化这一步骤，以便为每位患者快速且一致地生成左心室、右心室及周围心肌的轮廓。

用少量样本教会计算机

构建可靠医学AI的一大障碍在于通常需要数千个由专家标注的样本，而每次心脏扫描的标注可能耗费数小时。然而，医院已经保存了大量未标注的图像。研究人员通过半监督学习策略应对这一问题：将少量标注扫描与大量未标注扫描结合使用。AI首先以常规方式从标注图像学习，同时被温和地推动在未标注图像上生成稳定且自洽的预测，使得即便没有专家手绘的图像也能帮助改进模型。该方法减少了对昂贵人工工作的依赖，同时仍将系统引导向符合解剖学的结果。

两种不同AI“视角”的协同工作

该框架名为SemiCoTr，融合了两类互补的图像分析网络。一类基于传统卷积神经网络（CNN），擅长捕捉细节局部特征；另一类基于较新的Transformer技术，善于把握图像全局的长程关系。在SemiCoTr中，两种网络同时观察相同图像并交换信息。每个网络都维护一个缓慢更新的“教师”版本，其预测作为快速变化的“学生”版本的稳定参考，从而在时间上强制一致性。此外，两网相互监督：当一方在未标注扫描上对某个结构有较高置信度时，其预测有助于训练另一方。这种在数据级和网络级上的互相引导，能产生更鲁棒且解剖学一致的心脏轮廓。

实际效果如何？

团队在一个研究界广泛使用的、包含100名患者的公开心脏MRI数据集上测试了该方法。他们模拟了一个现实场景：仅有5–10%的扫描由专家标注，其余视为未标注。随着更多未标注数据的加入，自动分割的准确性稳步提升，逐步接近完全标注数据训练的模型性能。与多种领先的半监督技术相比，该方法在三种关键心脏结构上持续获得更高的准确率和更干净的边界，同时在训练计算上仍保持实用性。严谨的实验表明，性能提升既来自多部分损失设计，也来自两种不同网络类型的结合。

这对患者和临床意味着什么

研究表明，通过大幅减少人工标注工作量，也能从MRI获得高质量的心脏测量结果。通过更好地利用医院日常产生的未标注扫描，SemiCoTr指向可扩展的AI工具，能够在繁忙的临床环境中提供精确、可重复的心脏评估。长期来看，此类系统可帮助医生更早发现细微心脏问题、为患者量身定制治疗并更可靠地追踪疾病进展——而不会增加本已紧张的影像专家的工作负担。

引用: Guo, S., Zhao, X., Ren, J. et al. Efficient cardiac MRI multi-structure segmentation for cardiovascular assessment with limited annotation by integrating data-level and network-level consistency. npj Digit. Med. 9, 328 (2026). https://doi.org/10.1038/s41746-026-02475-y

关键词: 心脏MRI, 医学图像分割, 半监督学习, 深度学习, 心血管成像