CalcSeg用置信度感知课程学习与切片自注意力，在单栈LGE-CMR上把心肌瘢痕分割Dice提升到0.677、低置信病例提升到0.644
核心概要
该工作提出CalcSeg，一个置信度感知的潜在3D上下文课程学习框架，用Dice、瘢痕负荷百分比误差与蒙特卡洛Dropout估计的认知不确定性自动为每个样本打分，按阶段从易到难扩展训练集，并用切片级自注意力从单栈2D LGE-CMR推断受试者级3D解剖上下文；在来自四个中心与两个分割挑战（MICCAI 2012 LV Infarct、EMIDEC 2020）共976例患者的LGE-CMR数据上，其心肌瘢痕Dice达0.677±0.24、低置信样本Dice达0.644±0.22、瘢痕误差38.88%、低置信样本瘢痕误差35.03%，优于TransUNet、AttentionUNet、UNETR、ScarN
ule (as shown on the left panel of Fig. 1) that explicitly models subject-level 3D representations inferred from slice-wise 2D features, z; thereby improving seg- mentation across sparse LGE stacks. In contrast to previous approaches that pro- cess individual 2D slices [31], our model learns hierarchical inter-slice context in the latent space. More specifically, we develop an autoencoder architecture that integrates a Transformer-based encoder [8, 23] with a multi-scale convolutional decoder enhanced by a disentangled slice-wise self-attention [1]. This module is designed to effectively capture subject-level anatomical context by performing explicit 2D-to-3D latent feature fusion on the encoded latent features, z. In order to preserve slice order information, fixed sinusoidal positional embeddings are integrated along the slice dimension prior to attention modeling.
· 第 4 页深度剖析
提出半监督、模型自适应的样本难度定义，把预测不准（Dice ρ 与瘢痕负荷百分比误差 v）与预测不确定性（蒙特卡洛Dropout估计的认知不确定性 ϵ）组合成难度向量 Di=[γ1ρi, γ2vi, γ3ϵi]，并按阶段阈值 σk（由各阶段得分中位数自动计算）判定样本是否进入当前训练子集。 既有课程学习多依赖静态预定义难度、样本重加权或局部到全局的调度，不显式建模受试者级差异与病理进展；这里把难度建立在网络自身训练动态与预测行为上，无需人工难度标签。 难度评分函数与阶段阈值规则在方法部分以公式给出，并在消融中与仅用切片注意力、以及使用专家难度标签的监督课程学习ScarNet对照。
提出潜在3D上下文建模：用Transformer编码器（权重来自MedSAM）加多尺度卷积解码器，在潜在特征 z 上做单头切片级自注意力 A=softmax(QKᵀ/√C)V，并加入固定正弦位置嵌入与掩蔽填充切片的二值掩码，以支持可变栈大小。 以往方法多处理孤立2D切片或只引入部分层间信息，未建模完整3D解剖关系；该模块在潜在空间做显式2D到3D特征融合，同时保留切片特有特征。 消融显示仅加入切片自注意力即把Dice从0.571±0.24提升到0.639±0.23，瘢痕误差从53.68%降到47.46%。
用同伦式优化实现样本空间延续，总损失为焦点损失与前景加权Dice损失的加权和，其中 wfg 随阶段在0.6至0.8间变化、β 在0.25至0.35间变化、δ 在1.25至2间变化，使训练从稳定粗学习过渡到细粒度精修。 把课程学习解释为对完整目标的延续优化，通过逐阶段引入低置信样本重塑损失景观，而非随机采样或固定难度。 损失形式与参数区间在方法部分明确给出，参数按难度得分 Di 取固定区间以便优化。
在多中心数据上验证：976例缺血性与非缺血性心肌病及无纤维化患者、每例4至18层切片、训练/验证/测试按7:1:2划分，CalcSeg在整体与临床困难病例上均优于5个基线，且随课程阶段推进，临床困难亚组的蒙特卡洛不确定性持续下降。 相对当前SOTA ScarNet（监督课程学习），低置信样本Dice从0.574±0.23提升到0.644±0.22，低置信样本瘢痕误差从48.34%降到35.03%。 结果来自完整独立测试集与6例由临床专家明确标记的已知困难病例，报告了均值与标准差；整体不确定性均值因高置信病例占多数（比例22:6）而相对平稳。
启示与展望
该结果面向单栈LGE-CMR采集场景，适用于缺血性与非缺血性心肌病及无纤维化患者，每例4至18层切片，切片经左心室轮廓掩蔽并裁剪缩放至224²；方法以MedSAM权重初始化Transformer编码器并在2D LGE切片栈上预训练自编码器，使用NVIDIA A40与V100 GPU，每例取100次蒙特卡洛Dropout样本估计不确定性。作者指出未来工作将纳入局部到全局的课程策略、处理瘢痕组织边界的不确定性，并引入多序列CMR以更好检测炎症。
整体不确定性均值因高置信病例在测试集中占多数（比例22:6）而相对平稳，困难亚组的不确定性下降更明显，因此分层评估对解读结果很关键；难度阈值由各阶段得分中位数自动确定，权重 γj 与阶段参数按固定区间设定，这些选择对结果的影响在文中未展开；此外，瘢痕组织边界的不确定性被作者列为未来工作，说明边界处的表现仍是开放问题。