SAF-Net：基于自注意力融合网络利用多视图超声心动图检测心肌梗死
机器学习
2026-01-27 v1 计算机视觉与模式识别
图像与视频处理
摘要
心肌梗死（MI）是冠状动脉疾病（CAD）的严重情形，其检测对防止心肌渐进性损伤至关重要。本研究提出一种名为自注意力融合网络（SAF-Net）的新视图融合模型，从多视图超声心动图记录中检测 MI。所提框架利用心尖两腔（A2C）与心尖四腔（A4C）视图超声心动图记录进行分类。从两视图各自记录中提取三帧参考帧，并部署预训练深度网络提取高代表性特征。SAF-Net 模型利用自注意力机制学习提取特征向量中的依赖关系。得益于其紧凑架构（含三个主要部分：降维的特征嵌入、用于视图池化的自注意力以及用于分类的稠密层），所提模型计算高效。使用包含 160 名患者 A2C 与 A4C 视图超声心动图记录的 HMC-QU-TAU 数据集进行实验评估。所提 SAF-Net 模型取得高性能：精度 88.26%、灵敏度 77.64%、准确率 78.13%。结果表明，SAF-Net 模型在多视图超声心动图记录上实现了最准确的 MI 检测。
引用
@article{arxiv.2309.15520,
title = {SAF-Net: Self-Attention Fusion Network for Myocardial Infarction Detection using Multi-View Echocardiography},
author = {Ilke Adalioglu and Mete Ahishali and Aysen Degerli and Serkan Kiranyaz and Moncef Gabbouj},
journal= {arXiv preprint arXiv:2309.15520},
year = {2026}
}
备注
4 pages, 3 figures, Computing in Cardiology (CinC) 2023