自约束多尺度记忆网络的超声心动视频分割算法研究

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(self constrained multi-scale memory network, 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