基于轮廓引导的查询式特征融合用于边界感知与通用心脏超声声像分割
计算机视觉与模式识别
2026-03-31 v1
摘要
准确的心脏超声声像分割对于智能医疗系统中心房功能评估至关重要。然而，超声图像因对比度低、斑点噪声、边界不规则以及跨设备和患者群体的域迁移等问题具有挑战性。现有方法主要基于外观驱动学习，往往难以在此类条件下保持边界精确性和结构一致性。为此，我们提出一种用于边界感知心脏超声声像分割的轮廓引导查询精炼网络 (Contour-Guided Query Refinement Network, CGQR-Net)。该框架将多分辨率特征表示与轮廓衍生的结构先验相结合。HRNet 主干网络保持高分辨率空间细节，同时捕获多尺度上下文。首先生成粗糙分割，从中提取解剖轮廓并编码为可学习的查询嵌入。这些轮廓引导的查询通过跨注意力与融合后的特征图交互，实现结构感知的细化，从而改善边界描绘并减少噪声制造。采用双头监督策略联合优化分割和边界预测，以强制结构一致性。该方法在 CAMUS 数据集上进行评估，并在 CardiacNet 数据集上进一步验证以评估跨数据集的泛化性。实验结果表明，分割精度得到提高，边界精度得到增强，在各类图像条件下表现出稳健性。这些结果凸显了将轮廓层次结构信息与特征层次表示相结合，以实现可靠心脏超声声像分割的有效性。
引用
@article{arxiv.2603.28110,
title = {Contour-Guided Query-Based Feature Fusion for Boundary-Aware and Generalizable Cardiac Ultrasound Segmentation},
author = {Zahid Ullah and Sieun Choi and Jihie Kim},
journal= {arXiv preprint arXiv:2603.28110},
year = {2026}
}