动态位置变换与边界精细化网络用于左心房分割

左心房（LA）分割是不规则心动（即心房颤动）诊断中的关键技术。目前大多数左心房分割方法严格假设输入数据使用对象导向中心裁剪获取，而在实际应用中由于手动对象标注成本高昂，这一假设可能不总是成立。随机裁剪是一种直观的数据预处理方法。然而，它会（1）在输入数据中引入显著的不规则性和不完整性，（2）破坏对象边界区域的连贯性和连续性。为解决这些问题，我们提出了一种 novel 动态位置变换与边界精细化网络（DPBNet）。核心思想是动态调整不规则目标的相对位置，以构建其上下文关系，并优先处理困难边界像素以增强前景与背景的区分。具体而言，我们设计了一种洗牌后重排注意力模块，通过动态生成比例调整潜在空间中被扰乱对象的位置，以充分捕获和保留这些随机裁剪目标之间的关键依赖关系。此外，为提高边界定位 accuracy，我们引入了带场景自适应权重的双精细边界损失，以处理边界双重性在细粒度水平上的模糊性，促进所得结果的清晰度和连续性。大量基准数据集上的实验结果表明，DPBNet 在已有的 state-of-the-art 方法上始终显著优于现有方法。