心血管疾病是全球首位致死原因，准确及时的诊断至关重要。磁共振电影成像(cine MRI)在心脏疾病诊断中发挥着重要作用。传统的基于监督学习的心脏磁共振影像疾病诊断和病理分类方法需要大量的标注数据，但临床上标注的心脏影像极其有限。半监督学习方法对标注数据的需求较少，但尚未有结合影像分割和运动参数估计的方法。上海交通大学夏泽洋教授团队联合华中科技大学同济医学院附属协和医院夏家红教授团队、中国科学院深圳先进技术研究院熊璟研究员团队提出了一种基于半监督学习的心脏磁共振影像动态特征分类方法，将影像分割、运动参数估计与病理分类有机统一，在心脏磁共振影像上实现了较高准确率的影像分割、运动参数估计和心脏病理分类，其框架如图1所示。相关成果已发表于《机器智能研究(英文)》2025年第6期中。

图片来自Springer

全文下载：

Cardiac Dynamic Characteristics Classification on Cine MRI Using Semi-supervised Imaging Approach

Faizan Ahmad, Jing Xiong, Jie Wu, Jiahong Xia, Zeyang Xia

https://link.springer.com/article/10.1007/s11633-024-1534-0

https://www.mi-research.net/article/doi/10.1007/s11633-024-1534-0

背景与问题

心血管疾病每年造成约千万人死亡，是全球首位致死原因。准确及时的诊断对于减轻心血管疾病的影响和改善患者预后至关重要。磁共振电影成像(cine MRI)能够全面展现心脏的动态结构，在心脏疾病诊断中发挥着重要作用。临床上常通过分割心脏MRI影像和估计运动参数，从而计算心室体积、射血分数等临床指标，以辅助诊断扩张型心肌病、肥厚型心肌病等多种病理状态。传统深度学习方法多采取监督学习方法对心脏MRI进行分割并进行病理分类，该类方法需要大量标注的心脏MRI数据，不仅标注成本高，而且在真实临床环境中难以获得足够数据。而半监督学习方法对标记数据的需求较少，在有限的标记数据下，能够利用大量未标记数据提升模型性能。近年来已涌现大量基于半监督学习的心脏MRI分割方法，但这些方法通常将心脏影像分割和运动参数估计作为独立任务进行处理，忽略了两者之间的内在联系。融合心脏影像分割和运动参数估计的半监督学习方法，将有望提升心脏MRI分析的准确性和鲁棒性。

图1  基于半监督学习的心脏磁共振影像动态特征分类方法框架

方法

基于上述背景，本文提出了一种基于半监督学习的心脏磁共振影像动态特征分类方法，将影像分割、运动参数估计与病理分类有机统一。该方法包含三个模块：分割模块、运动参数估计模块和病理分类模块。分割模块对心脏舒张末期(ED)和收缩末期(ES)的MRI影像进行分割；运动参数估计模块则从动态的MRI影像中提取位移场等心脏运动参数；病理分类模块基于分割模块和运动参数模块的结果计算多种心脏临床指标，并据此对心脏病理进行分类。

分割模块包含一个基于均值教师架构的双路径复制粘贴分割网络，如图2所示。该模块首先生成将标注图像和未标注图像混合，生成双路径混合样本。未标注图像可以在双向信息流中学习到来自标注图像的共同语义特征。学生网络在双路径混合样本上进行预测，教师网络则在未标注图像上通过指数滑动平均更新参数并生成伪标签，两者之间引入一致性损失，既保证训练稳定，又提升未标注图像的边界与轮廓识别精度。

图2  基于均值教师架构的双路径复制粘贴分割网络示意图

运动参数估计模块包含一个改进的UNet架构网络，如图1左下所示。该模块将 ED 帧和其后一时刻的同层MRI图像输入网络，通过两帧之间的像素强度损失、像素移动损失和分割对齐损失的共同约束，网络学习到心脏在整个心动周期内的运动，预测心脏组织的二维位移场，从而得到像素级运动参数。

病理分类模块包含一个多层感知机(MLP)分类器和一个随机森林(RF)分类器，如图1右所示。该模块基于分割结果，计算心室体积、心肌壁厚等临床指标；还基于分割结果和运动参数估计结果融合，计算射血分数、各心室体积比等临床指标。基于这些临床指标，MLP分类器和RF分类器分别对心脏病理进行分类，最终通过集成两种分类器的结果，提升分类准确性和鲁棒性。

实验验证及结果

为了评估所提出的方法，本文使用公开的ACDC数据集对分割模块和运动参数估计模块中的神经网络进行了训练和验证，并对本方法的分割结果和病理分类结果进行了测试。

分割测试表明，本方法实现了高准确性和高效率的心脏MRI影像分割。本方法的分割结果指标与其他先进半监督学习方法的指标比较如表1所示。本方法在5%和10%标记数据上训练时，均获得了最优的Dice系数、Jaccard系数和HD95值。本方法的分割结果示意图如图3所示。此外，对比分析各种方法的模型复杂度表明本方法在参数效率和计算效率方面均具有优势。

表1  不同半监督学习方法在ACDC数据集上分割结果指标比较

图3  心脏MRI影像分割结果示意图

病理分类测试表明，本方法也实现了高准确性的心脏病理分类。在五折交叉验证中， MLP集成分类器的准确率最高达到97%，测试集准确率为96%。

本文提出的基于半监督学习的心脏磁共振影像动态特征分类方法，将影像分割、运动参数估计与病理分类有机统一，在少量标注数据条件下达到了世界领先的影像分割性能和优异的心脏病理分类准确性，同时保持较高的效率、较好的鲁棒性和临床可解释性。本方法为在临床应用中利用未标记的医疗数据提供了一种新方法，有助于在研究和临床环境中实现自动化的心脏疾病诊断，有望提高诊断的准确性和效率。

全文下载：

Cardiac Dynamic Characteristics Classification on Cine MRI Using Semi-supervised Imaging Approach

Faizan Ahmad, Jing Xiong, Jie Wu, Jiahong Xia, Zeyang Xia

https://link.springer.com/article/10.1007/s11633-024-1534-0

https://www.mi-research.net/article/doi/10.1007/s11633-024-1534-0

BibTex:

@Article {MIR-2024-07-299, 

author={ Faizan Ahmad, Jing Xiong, Jie Wu, Jiahong Xia, Zeyang Xia}, 

journal={Machine Intelligence Research}, 

title={Cardiac Dynamic Characteristics Classification on Cine MRI Using Semi-supervised Imaging Approach}, 

year={2025}, 

volume={22}, 

issue={6}, 

pages={1102-1115}, 

doi={10.1007/s11633-024-1534-0} }

本文供稿：何镇宇 (上海交通大学夏泽洋教授团队)

特别感谢本文通讯作者、上海交通大学夏泽洋教授对以上内容的审阅和修改！

Machine Intelligence Research

MIR为所有读者提供免费寄送纸刊服务，如您对本篇文章感兴趣，请点击下方链接填写收件地址，编辑部将尽快为您免费寄送纸版全文！

说明：如遇特殊原因无法寄达的，将推迟邮寄时间，咨询电话010-82544737

收件信息登记：

https://lcn76mgd97vz.feishu.cn/share/base/form/shrcnsQ6cmRjqoxPF5WDowSBFVr

关于Machine Intelligence Research

Machine Intelligence Research（简称MIR，原刊名International Journal of Automation and Computing）由中国科学院自动化研究所主办，于2022年正式出版。MIR立足国内、面向全球，着眼于服务国家战略需求，刊发机器智能领域最新原创研究性论文、综述、评论等，全面报道国际机器智能领域的基础理论和前沿创新研究成果，促进国际学术交流与学科发展，服务国家人工智能科技进步。期刊入选"中国科技期刊卓越行动计划"，已被ESCI、EI、Scopus、中国科技核心期刊、CSCD等20余家国际数据库收录，入选图像图形领域期刊分级目录-T2级知名期刊。2022年首个CiteScore分值在计算机科学、工程、数学三大领域的八个子方向排名均跻身Q1区，最佳排名挺进Top 4%，2023年CiteScore分值继续跻身Q1区。2024年获得首个影响因子(IF) 6.4，位列人工智能及自动化&控制系统两个领域JCR Q1区；2025年发布的最新影响因子达8.7，继续跻身JCR Q1区，最佳排名进入全球第6名；2025年一举进入中国科学院期刊分区表计算机科学二区。