自约束多尺度记忆网络的超声心动视频分割算法研究.pdfVIP

第４２卷第３期贵州大学学报（自然科学版）Ｖｏｌ．４２Ｎｏ．３

２０２５年５月ＪｏｕｒｎａｌｏｆＧｕｉｚｈｏｕＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅｓ）Ｍａｙ．２０２５

文章编号１０００５２６９（２０２５）０３０１０４１１ＤＯＩ：１０．１５９５８／ｊ．ｃｎｋｉ．ｇｄｘｂｚｒｂ．２０２５．０３．１４

自约束多尺度记忆网络的超声心动视频



分割算法研究



岳宝坤，李智，孙浩元，万岳?

（贵州大学计算机科学与技术学院，贵州贵阳５５００２５）

摘要：在超声心动视频中，复杂的解剖结构和心跳周期内的形变伪影常导致分割区域混淆和错误，因此提出一

种基于自约束多尺度记忆网络（ｓｅｌｆｃｏｎｓｔｒａｉｎｅｄｍｕｌｔｉｓｃａｌｅｍｅｍｏｒｙｎｅｔｗｏｒｋ，ＣＳＴＭ）的半监督超声心动视频分割

算法。该算法采用目标检测网络ＳＡＭＤＥＴＲ定位超声心动视频中每帧的左心室区域，并利用该网络有效地提取

左心室及其周围组织的特征，这些特征作为约束信息被输入到多尺度记忆网络中，指导有对象掩码的帧进行左

心室分割并更新记忆信息，对于没有对象掩码的帧，通过查询记忆信息进行分割。将多尺度编码器与多层次细

化解码器相结合构成多尺度记忆网络用于解决约束信息带来的边缘信息丢失问题，使ＣＳＴＭ能得到精确的分割

效果。在公开数据集ＥｃｈｏＮｅｔＤｙｎａｍｉｃ上的实验结果显示，所提算法在Ｄｉｃｅ系数上达到９０５，Ｈａｕｓｄｏｒｆｆ距离为

４１１，分割结果优于现有方法，验证了算法在超声心动图分割任务中的有效性和正确性。

关键词：超声心动视频分割；半监督学习；目标检测

中图分类号：ＴＰ３９１４１文献标志码：Ａ

［８］

心血管疾病是全球主要的死亡和致残原因之的准确性。ＳＨＥＬＨＡＭＥＲ等进一步改进了ＦＣＮ

［１］

一。根据世界卫生组织（ＷＨＯ）的数据，每年约的架构，使其在语义分割任务中表现优异。ＲＯＮ

［９］

有１７９０万人死于心血管疾病，占总死亡人数的三ＮＥＢＥＲＧＥＲ等提出ＵＮｅｔ结构，通过使用跳跃

分之一。这些疾病严重威胁人类健康和生活质量。连接保留高分辨率特征信息，显著提升了医学图像

［１０］

心动超声视频能帮助医生评估心脏结构和功分割的性能。ＩＥＫ等扩展了ＵＮｅｔ，使其适用

［２］［１１］

能，诊断冠心病、高血压、慢性心力衰竭和心律于三维医学图像分割。ＯＫＴＡＹ等引入了注意

失常等疾病，制定有效的治疗方