基于深度学习的经腹镜超声心动图中段对长itudinal 应变估计
计算机视觉与模式识别
2025-11-05 v1 人工智能
图像与视频处理
摘要
左心室的段对纵向应变（SLS）是评估区域左心室功能障碍的重要预后指标，特别适用于诊断和管理心肌缺血。当前用于应变估计的技术需要大量手动干预和专业知识，限制了其效率且不适用于监测目的。本研究介绍了首个针对经腹镜超声心动图（TEE）进行 SLS 估计的自动化管线，autoStrain，采用深度学习（DL）方法进行运动估计。我们呈现了两种 DL 方法的比较分析：一种基于 RAFT 光流模型的 TeeFlow，用于密集帧间预测；另一种基于 CoTracker 点轨迹模型的 TeeTracker，用于稀疏长序列预测。由于真实超声心动图序列的运动数据几乎不可获取，我们利用独特的仿真管线（SIMUS）生成了 80 名患者的高度逼真的合成 TEE（synTEE）数据集，包含 ground truth 心肌运动，用于训练和评估两种模型。我们的评估显示，TeeTracker 在准确性上优于 TeeFlow，在 synTEE 测试数据集上实现了运动估计平均距离误差为 0.65 mm。临床验证在 16 名患者上的结果进一步表明，autoStrain 管线实现的 SLS 估计与临床参考标准一致，平均差异（95% 限界）为 1.09%（-8.90%至 11.09%）。将仿真缺血纳入 synTEE 数据可提高模型在量化异常变形方面的准确性。我们的发现表明，将 AI 驱动的运动估计与 TEE 集成可显著提升临床环境中心脏功能评估的精度和效率。
引用
@article{arxiv.2511.02210,
title = {Estimation of Segmental Longitudinal Strain in Transesophageal Echocardiography by Deep Learning},
author = {Anders Austlid Taskén and Thierry Judge and Erik Andreas Rye Berg and Jinyang Yu and Bjørnar Grenne and Frank Lindseth and Svend Aakhus and Pierre-Marc Jodoin and Nicolas Duchateau and Olivier Bernard and Gabriel Kiss},
journal= {arXiv preprint arXiv:2511.02210},
year = {2025}
}
备注
13 pages, IEEE Journal of Biomedical and Health Informatics