具有强制时间一致性的超声心动图分割

卷积神经网络（CNN）已展现出分割 2D 心脏超声图像的能力。然而，尽管近期取得了据称已达到舒张末期与收缩末期图像内观察者变异性的成功，CNN 仍难以利用时间信息在整个心动周期中提供准确且时间一致的分割图。这种一致性是准确描述心脏功能所必需的，而这是诊断许多心血管疾病的必要步骤。在本文中，我们提出一个学习 2D+时间心尖长轴心脏形状的框架，使分割序列能受益于时间性与解剖一致性约束。我们的方法是一种后处理，以任何最先进方法生成的分割超声心动图序列为输入，并分两步处理以（i）根据心脏序列的整体动态识别时空不一致性，以及（ii）修正不一致性。心脏不一致性的识别与修正依赖于一个受约束的自编码器，该自编码器被训练来学习具有生理学可解释性的心脏形状嵌入，从而我们既能检测也能修复异常。我们在来自 CAMUS 数据集的 98 个全周期序列上测试了我们的框架，这些数据随本文一同提供。我们的时间正则化方法不仅提高了整个序列分割的准确性，还强制了时间性与解剖一致性。