C2W-Tune：薄左心房壁分割的腔体到壁迁移学习
计算机视觉与模式识别
2026-05-05 v3
摘要
准确分割左心房(LA)壁在3D晚期腺钙化增强MRI(LGE-MRI)中至关重要，用于壁厚映射和纤维化量化，然而该任务因壁体薄幾何、复杂解剖结构和低对比度而具备挑战性。我们提出C2W-Tune，一种基于腔体到壁迁移学习的两阶段框架，利用高精度LA腔体模型作为解剖先验以改善薄壁边界。采用带ResNeXt编码器和实例归一化的3D U-Net，阶段1预训练网络以分割LA腔体，学习鲁棒的心房表征。阶段2在分层解冻计划下迁移这些权重并适应LA壁分割，既保留腔体特征又实现壁体特定细化。在2018年LA分割挑战数据集上，C2W-Tune 的壁Dice得分从0.623提升至0.814，1 mm处的表面Dice从0.553提升至0.731，95th百分位Hausdorff距离(HD95)从2.95 mm减至2.55 mm，平均对称表面距离(ASSD)从0.71 mm减至0.63 mm。在仅使用70个来自同一训练集的训练体积进行减轻监督的情况下，C2W-Tune 达到Dice为0.78，保持与最新多类双心房基准(通常为0.6-0.7)的竞争性能。这些结果表明，具有控制解冻的解剖学导向任务迁移可提高3D LGE-MRI中薄LA壁分割的准确性。
关键词
引用
@article{arxiv.2603.24992,
title = {C2W-Tune: Cavity-to -Wall Transfer Learning for Thin Atrial Wall Segmentation in 3D LGE-MRI},
author = {Yusri Al-Sanaani and Rebecca Thornhill and Sreeraman Rajan},
journal= {arXiv preprint arXiv:2603.24992},
year = {2026}
}
备注
Accepted to the International Conference on Artificial Intelligence in Medicine (AIME 2026)