GDKVM：基于时空关键-值记忆与门控Delta规则的心脏彩超视频分割
计算机视觉与模式识别
2025-12-12 v1
摘要
准确分割心彩超声序列中的心房室对于定量分析心脏功能、辅助临床诊断和治疗至关重要。图像噪声、伪影以及心脏的变形和运动为分割算法带来挑战。虽然基于卷积神经网络、Transformer和时空记忆网络的方法已提升分割精度，但往往在捕获长程时空依赖性与保持计算效率以及细粒度特征表示之间存在权衡。本文提出GDKVM，一个用于心彩超声视频分割的新型架构。该模型采用线性关键-值关联（LKVA）有效建模帧间相关性，引入门控Delta规则（GDR）高效存储中间记忆状态。设计关键像素特征融合（KPFF）模块以多尺度集成局部和全局特征，增强对边界模糊和噪声干扰的鲁棒性。我们在两大主流心彩超声视频数据集（CAMUS和EchoNet-Dynamic）上对GDKVM进行了验证，并与各种前沿方法进行了比较。实验结果表明，GDKVM在分割精度和鲁棒性方面均优于现有方法，同时确保了实时性能。代码已公开于https://github.com/wangrui2025/GDKVM
引用
@article{arxiv.2512.10252,
title = {GDKVM: Echocardiography Video Segmentation via Spatiotemporal Key-Value Memory with Gated Delta Rule},
author = {Rui Wang and Yimu Sun and Jingxing Guo and Huisi Wu and Jing Qin},
journal= {arXiv preprint arXiv:2512.10252},
year = {2025}
}
备注
Accepted to ICCV 2025