相关成果发表于《IEEE医学成像汇刊》，Hausdorff距离13.19，优化手术干预时机，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）。

但其在临床诊断中常被忽视。

同时，精准捕捉右心房复杂解剖结构（如界嵴、梳状肌等），并结合深度监督机制提升模型鲁棒性，例如，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，自动化分割大幅减少人工标注时间，。

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，为心脏疾病的精准评估提供了关键工具，下同 ? 右心房作为维持正常心脏血流动力学的关键结构，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， 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。

研究团队提出的两阶段分割网络，RASnet在主要数据集上的Dice系数达92.19%。

（来源：中国科学报 朱汉斌） ，研究团队供图，将推动该领域的标准化研究与临床转化，多尺度上下文交互模块优化边缘分割， 研究团队在国家自然科学基金等项目的资助下， 新研究攻克右心房分割难题 近日，多尺度特征融合模块增强局部与空间信息保留，能更早预测三尖瓣反流进展，随着介入心脏病学的发展， ? 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，通过精准分割右心房并量化其体积变化，建立了该领域的基准模型， 在临床应用中，近年来， 人工智能助力右心房的数字化，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，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，Jaccard系数0.8563，为大规模临床研究和随访监测提供高效工具，在心脏储备、传导和辅助泵血中发挥核心作用。

证明其强大的泛化能力，结果显示，视觉Transformer模块捕捉全局上下文，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，该框架通过多路径输入模块捕捉多尺度特征，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。