用于单心室诊断的级联CAUNet

刘思汝¹ , 刘旭², 刘金龙², 赵旭¹

（1.上海交通大学 自动化与感知学院, 上海 200240；2. 上海交通大学医学院 上海儿童医学中心 心胸外科, 上海 200127） 

摘要：先天性心脏病是全球范围内儿童最常见的疾病之一，单心室先天性心脏病由于其复杂的解剖结构和独特的病理特点，给早期诊断和准确评估带来更大的挑战。为此，本研究针对小儿心脏解剖结构复杂、边界模糊的特点，提出了一种带通道注意机制的级联CAUNet网络用于心脏CT图像左右心室的自动分割，为单心室心脏病的诊断和预后分析提供支持。通道注意是一种通过学习和更新不同通道信息权重来交互通道维度间信息的注意机制，从而增强模型对心脏结构的感知能力，特别是在分割细节和形态复杂区域方面。与传统注意机制相比，引入通道注意机制可以更充分地捕捉图像中局部和全局特征之间的关系，有效提高心脏CT图像分割的准确性。在模型架构方面，所设计的级联CAUNet通过构建自适应级联分割框架，在两阶段细化网络中引入了Channel Attention模块，即在第一阶段对心室区域进行粗略分割，在第二阶段对初始分割结果进行详细优化。通过这种两阶段分割策略，网络的分割性能不仅得到提升，而且在处理形态不规则的单心室病例时也表现出较强的鲁棒性。为了验证方法的有效性，本研究在4个真实临床数据集上进行了实验。实验结果表明，在计算复杂度增加较小的前提下，本文提出的网络在心脏7个子结构分割、左右心室及肺动脉分割任务中的Dice相似系数相较于主流的多器官分割网络均有所提升，证明了Channel Attention在心脏图像分割应用中的潜力。所获得的精准分割结果为临床医生辅助诊断单心室结构异常提供了精准的量化指标，具有重要的应用价值。

关键词：医学图像分割，体积分割，注意力机制，级联CAUNet，先天性心脏病诊断，单心室疾病诊断  

扫二维码浏览全文 

Cite this article

Liu, S., Liu, X., Liu, J. et al. Cascaded CAUNet for Single Ventricle Disease Diagnose. J. Shanghai Jiaotong Univ. (Sci.) (2025). https://doi.org/10.1007/s12204-025-2871-z