近日，暨南大学副教授白杰云、教授张晓慎团队联合奥克兰大学、曼彻斯特大学等国际机构研究者，创新性地提出了基于3D深度学习网络RASnet的两阶段分割框架，首次在延迟钆增强磁共振成像（LGE-MRI）中实现右心房的高精度自动化分割，建立了该领域的基准模型，为心脏疾病的精准评估提供了关键工具。相关成果发表于《IEEE医学成像汇刊》。

人工智能助力右心房的数字化。研究团队供图，下同

  ?

右心房作为维持正常心脏血流动力学的关键结构，在心脏储备、传导和辅助泵血中发挥核心作用，但其在临床诊断中常被忽视。近年来，随着介入心脏病学的发展，右心房的结构与功能评估对房颤、心力衰竭、肺动脉高压等疾病的诊疗愈发重要。

研究团队在国家自然科学基金等项目的资助下，针对右心房分割面临的类别不平衡、解剖结构变异大等挑战，设计了融合卷积神经网络（CNN）与视觉Transformer的混合架构 RASnet。该框架通过多路径输入模块捕捉多尺度特征，多尺度特征融合模块增强局部与空间信息保留，视觉Transformer模块捕捉全局上下文，多尺度上下文交互模块优化边缘分割，并结合深度监督机制提升模型鲁棒性。

团队在包含354例LGE-MRI的数据集（RAS数据集154例、JNU独立数据集200例）上开展实验。结果显示，RASnet在主要数据集上的Dice系数达92.19%，Jaccard系数0.8563，Hausdorff距离13.19，显著优于现有主流模型（如nnUnet、MedSAM等）；在独立验证集上仍保持领先性能，证明其强大的泛化能力。

研究团队提出的两阶段分割网络。

  ?

该研究的核心突破在于：首次建立了LGE-MRI右心房分割的基准框架，解决了长期以来该领域缺乏标准化方法和公开数据集的问题；RASnet通过融合多尺度特征与全局上下文，精准捕捉右心房复杂解剖结构（如界嵴、梳状肌等），为临床提供了右心房腔体大小、形态、体积的量化工具；提供的开源代码（https://github.com/zjinw/RAS）和数据集（https://zenodo.org/records/15524472），将推动该领域的标准化研究与临床转化。

在临床应用中，该框架可助力房颤患者的右心房重构评估、肺动脉高压的预后判断等。例如，通过精准分割右心房并量化其体积变化，能更早预测三尖瓣反流进展，优化手术干预时机。同时，自动化分割大幅减少人工标注时间，为大规模临床研究和随访监测提供高效工具。

相关论文信息：https://10.1109/TMI.2025.3590694