成人和胎儿超声心动图视频中无标注心脏阶段检测的潜在运动特征分析-计算机科学-心脏相位检测-机器学习.pdfVIP

成人和胎儿超声心动图视频中无标注心脏阶段检测的

潜在运动特征分析

YingyuYang,QianyeYang,KangningCui,CanPeng,Elena

D’Alberti,NetzahualcoyotlHernandez-Cruz,OlgaPatey,ArisT.

Papageorghiou,andJ.AlisonNoble

DepartmentofEngineeringScience,UniversityofOxford

HongKongCentreforCerebro-CardiovascularHealthEngineering

DepartmentofMaternalandChildHealthandUrologicalSciences,Sapienza

本UniversityofRome

译NuffieldDepartmentofWomen’sandReproductiveHealth,UniversityofOxford

中

1

v

4

5摘要心脏时期的识别是分析和诊断心功能的重要步骤。自动方法，特别是

1

5基于数据驱动的心脏时期检测方法，通常需要大量的标注，这费时且劳动

0密集。在本文中，我们提出了一种通过自我监督学习从四腔视图超声心动

.

7图视频中隐含心脏运动轨迹的无监督框架来进行心舒末期（ED）和心缩末

0期（ES）的检测。我们的方法消除了对人工标注的需求——包括EDES指

5

2标、分割或体积测量——通过训练一个重构模型来编码可解释的空间时间

:

v运动模式。在EchoNet-Dynamic基准上的评估，该方法对于ED的平均绝

i对误差（MAE）为3帧（58.3毫秒），ES检测为2帧（38.8毫秒），与最先

x

r进的监督方法相当。扩展到胎儿超声心动图，模型在ED的MAE为1.46

a

帧（20.7毫秒）和ES的MAE为1.74帧（25.3毫秒）的情况下表现出了

强大的性能，尽管由于胎儿心脏位置的变化，构建的胎儿心脏模型使用的

是非标准化的心脏视图。我们的结果展示了所提出的隐含运动轨迹策略在

成人和胎儿超声心动图中心脏时期检测中的潜力。这项工作推进了无监督

心脏运动分析，为缺乏标注数据的临床人群提供了可扩展的解决方案。代

码将在/YingyuYyy/CardiacPhase发布。

5