杜 悅，史中青，戚占如，曾子煬，郭冠軍，姚 靜，羅守華，顧 寧，4*

1南京醫(yī)科大學(xué)生物醫(yī)學(xué)工程與信息學(xué)院，江蘇 南京 211166；2.南京大學(xué)醫(yī)學(xué)院附屬鼓樓醫(yī)院超聲醫(yī)學(xué)科，江蘇 南京 210008；3東南大學(xué)生物科學(xué)與醫(yī)學(xué)工程學(xué)院，江蘇 南京 210096；4南京大學(xué)醫(yī)學(xué)院，江蘇 南京 210093

超聲心動圖是一種無創(chuàng)、安全的醫(yī)學(xué)成像方式，被廣泛應(yīng)用于心臟病患者的診斷和治療［1］。超聲心動圖關(guān)鍵幀檢測，通常指超聲心動圖動態(tài)圖像舒張末期（end-diastole，ED）和收縮末期（end-systole，ES）幀的檢測，是超聲心動圖檢查的必要步驟，也是心臟大小量化、功能評價的重要基礎(chǔ)。超聲心動圖中，ED 幀可定義為二尖瓣（mitral valve，MV）關(guān)閉后第1幀、心動周期中左心室（left ventricle，LV）徑線或容量最大的停幀，ES 幀可定義為主動脈瓣（aortic valve，AV）關(guān)閉后的第1 幀、心動周期中LV 徑線或容量最小的停幀，分別對應(yīng)心電圖（electrocardiogram，ECG）中R 波波峰與T 波終點的相應(yīng)幀［2-3］（圖1）。目前臨床場景下關(guān)鍵幀的識別，主要依靠超聲醫(yī)師肉眼觀測超聲心動圖中LV容積或ECG波形，存在人工成本高、操作者經(jīng)驗依賴性高、可重復(fù)性差的問題。因此，實現(xiàn)對超聲心動圖中ED 和ES幀的高精度自動檢測具有重要的意義。

圖1 心尖四腔切面ED和ES幀F(xiàn)igure 1 ED and ES frame of apical four chambers view

研究人員在超聲心動圖ED、ES 幀自動檢測方面做出了許多努力，早期研究中最常見的方法是LV分割法，即基于心臟超聲圖像中LV 的分割結(jié)果計算LV 面積確定ED 和ES 幀［4-7］。然而，心臟超聲圖像的LV 分割需要復(fù)雜的預(yù)處理步驟，且超聲圖像具有信噪比低、邊緣模糊等特性，容易導(dǎo)致分割效果欠佳，進而影響ED和ES幀的檢測結(jié)果。近年來，深度學(xué)習(xí)（deep learning，DL）在各類自然圖像處理任務(wù)中表現(xiàn)出優(yōu)異性能，因此被廣泛應(yīng)用于超聲心動圖的圖像處理與分析中［8-12］。一些研究將DL 引入超聲心動圖關(guān)鍵幀檢測領(lǐng)域，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）檢 測ED、ES 幀。Dezaki 等［13］借鑒了Kong 等［14］在MRI 中ED、ES 幀檢測的研究，結(jié)合ResNet［15］與長短期記憶單元（long short-term memory，LSTM）［16］提出了深度殘差遞歸神經(jīng)網(wǎng)絡(luò)，以提取固定長度心臟超聲圖像序列的時空特征，實現(xiàn)ED和ES幀的檢測，但需要對輸入的超聲序列進行預(yù)處理，以分離單個心動周期。Taheri等［17］對此進行了改進，將可變長度的超聲序列輸入到結(jié)合了DenseNet 和門控單元的模塊中，并提出了全局極值損失函數(shù)進一步提高ED、ES幀檢測性能，然而輸入的視頻仍只能包含1 個心動周期，導(dǎo)致檢測結(jié)果存在偏差。Fiorito 等［18］將3D CNN 與LSTM 的混合模型應(yīng)用于超聲心動圖視頻的時空特征提取，對各幀進行舒張期和收縮期分類，將ED 和ES 幀確定為兩種狀態(tài)之間的切換幀，可用于任意長度的序列，但仍只能檢測包含1對ED和ES幀的視頻，對于視頻中其他ED 幀，需要依賴QRS 復(fù)雜波進行預(yù)測。Lane等［19］結(jié)合ResNet與LSTM提取超聲序列的時空信息，證明了DL技術(shù)用于包含多個心動周期的任意長度超聲序列ED和ES幀識別的可行性，但其計算上相對復(fù)雜，推理耗時長。

針對現(xiàn)階段相關(guān)研究存在的不足，本研究提出了一種超聲心動圖關(guān)鍵幀智能檢測方法，該方法無需分割LV 且不依賴ECG，結(jié)合ResNet 與Video Swin Transformer（VST）［20］，直接從任意長度的二維心臟超聲圖像序列中自動、精確地識別出多個心動周期的ED和ES幀。這種方法適用于超聲心動圖常見的心尖切面，具有較強的實用性。

1 對象和方法

1.1 對象

1.1.1 南京鼓樓醫(yī)院數(shù)據(jù)集

選取2022 年8—12 月在南京大學(xué)醫(yī)學(xué)院附屬鼓樓醫(yī)院超聲醫(yī)學(xué)科完成二維經(jīng)胸超聲心動圖檢查的190 例受檢者，獲取包括心尖二腔（apical two chambers，A2C）、心尖三腔（apical three chambers，A3C）與心尖四腔（apical four chambers，A4C）3 類臨床檢查常用切面共計663 個動態(tài)圖像（A2C、A3C 與A4C 切面的圖像數(shù)目分別為249、134 與280，圖2）。上述動態(tài)圖像均采集自Philips Medical Systems 和GE Vingmed Ultrasound 設(shè)備，幀數(shù)在14～493 幀之間，且包含不同數(shù)量的完整心動周期。研究已獲得南京大學(xué)醫(yī)學(xué)院附屬鼓樓醫(yī)院醫(yī)學(xué)倫理委員會的倫理審查批準(zhǔn)（批件號：2022-337-01）。

圖2 二維超聲心動圖3類切面Figure 2 Three types of two-dimensional echocardiography views

為便于圖像的后續(xù)處理與分析，本研究基于ITK 與OpenCV 解析DICOM 格式的原始超聲數(shù)據(jù)，將其轉(zhuǎn)換為AVI格式的視頻。為使數(shù)據(jù)完全獨立于ECG，所得到的視頻均基于傳統(tǒng)的圖像處理技術(shù)，包括閾值分割、霍夫直線檢測以及形態(tài)學(xué)操作等進行處理，刪除了ECG 以及掃描扇區(qū)外的文字信息，并使用雙線性插值將每幀圖像采樣到320×320 像素。建立的南京鼓樓醫(yī)院數(shù)據(jù)集中，每一類切面的數(shù)據(jù)按4∶1的比例，分別劃分到訓(xùn)練集與測試集中。

1.1.2 EchoNet-Dynamic-Tiny數(shù)據(jù)集

EchoNet-Dynamic 數(shù)據(jù)集［21］源自斯坦福大學(xué)醫(yī)學(xué)院2016—2018年收集的受試者數(shù)據(jù)，包括10 030個A4C 視頻，采集設(shè)備為Siemens Healthineers 和Philips Healthcare，每個視頻經(jīng)過匿名化處理，刪除了掃描扇區(qū)以外的文本等信息，并通過3 次降采樣插值將每幀圖像大小調(diào)整為112×112 像素。本研究從EchoNet-Dynamic數(shù)據(jù)集中選取了按視頻名稱升序排列的前280個A4C視頻，與南京鼓樓醫(yī)院數(shù)據(jù)集中A4C 的數(shù)量保持一致，建立了EchoNet-Dynamic-Tiny數(shù)據(jù)集，并將這些數(shù)據(jù)按4∶1的比例，分別劃分到訓(xùn)練集與測試集中。

1.2 方法

1.2.1 數(shù)據(jù)標(biāo)記

在3 名經(jīng)驗豐富的超聲醫(yī)師的指導(dǎo)下，對所有視頻進行手動標(biāo)記（對于標(biāo)記不一致的視頻，3位醫(yī)師重新對其進行標(biāo)記，然后取多數(shù)投票結(jié)果），確定各心動周期的ED、ES幀索引?；诟咚狗植加嬎阋曨l各幀為關(guān)鍵幀的概率，見式1，其中x表示幀索引，μ表示ED 或ES 幀所在的幀索引，ρ（x）表示每一幀為ED或ES幀的概率，σ為常數(shù)，本研究中設(shè)置為10。

將當(dāng)前心動周期ED幀與下一相鄰心動周期ED幀的概率設(shè)置為1.0，兩幀之間其余幀的概率基于高斯概率密度函數(shù)進行插值，得到該心動周期中每一幀為ED 幀的概率曲線，ES 幀概率曲線的生成方式與之類似。值得注意的是，為確保概率密度函數(shù)在視頻起始與終止階段設(shè)定合理，本研究對起始與終止階段的關(guān)鍵幀進行了假定（即μ可能為負數(shù)或大于視頻總幀數(shù)的值），并在訓(xùn)練與測試過程中僅保留視頻總幀數(shù)范圍內(nèi)幀索引對應(yīng)的概率曲線。假設(shè)當(dāng)前視頻總幀數(shù)為58，標(biāo)記的ED 幀索引為20、66，ES幀索引為-1、43，生成ED、ES概率曲線（圖3）。

圖3 每一幀為ED幀或ES幀的概率Figure 3 The probability of each frame being an ED frame or and ES frame

1.2.2 ResNet+VST模型

本研究提出的超聲心動圖關(guān)鍵幀智能檢測模型ResNet+VST，其整體框架見圖4，該模型采用CNN與視頻旋轉(zhuǎn)變壓器VST的混合架構(gòu)，旨在分析心臟超聲視頻并提取其時空特征。首先使用CNN捕獲輸入視頻幀的空間特征，然后結(jié)合VST 提取視頻中的時間動態(tài)信息，將這些特征整合到全連接層中，最終輸出各幀為ED 或ES 幀的預(yù)測概率（圖4A）。利用滑動窗口對任意長度超聲序列推理（圖4B），首先使用滑動窗口對超聲視頻進行分割，生成固定長度、重疊、分塊的超聲序列片段，其次將各序列片段輸入到神經(jīng)網(wǎng)絡(luò)以生成各幀為關(guān)鍵幀的概率，將所有幀在關(guān)聯(lián)窗口下預(yù)測值的均值作為最終結(jié)果。

圖4 超聲心動圖關(guān)鍵幀智能檢測方法框架Figure 4 Framework of intelligent detection method for key frames of echocardiography

神經(jīng)網(wǎng)絡(luò)架構(gòu)：為充分提取超聲心動圖的時空信息，采用深度神經(jīng)網(wǎng)絡(luò)架構(gòu)ResNet 作為編碼器，對超聲序列中每一幀的空間特征進行編碼，然后將獲取的空間特征傳遞給VST，以捕獲這些空間特征之間的時間依賴關(guān)系。

空間特征提取：首先，使用ResNet 編碼器從每幀圖像中捕獲空間特征。ResNet 網(wǎng)絡(luò)由一系列的殘差塊堆疊而成，每個塊包含多個卷積層，通過跨層連接構(gòu)造本體映射x和殘差映射F（x），最終學(xué)習(xí)的結(jié)果為H（x）=F（x）+x，這種結(jié)構(gòu)有效地解決了深層網(wǎng)絡(luò)訓(xùn)練時可能存在的梯度彌散問題，利于網(wǎng)絡(luò)提取圖像深層特征。

時間特征提?。簡螏瑘D像空間特征被傳遞到VST，以進行輸入序列片段各幀之間的關(guān)聯(lián)信息提取。VST由模型階段和頭2個部分組成。模型階段由多個重復(fù)的階段組成，每個階段包括VST 塊和融合塊。VST模塊引入了視頻窗口多頭自注意力機制（video windows multi-head self-attention，video WMSA）和視頻位移窗口多頭自注意力機制（video shifted windows multi-head self-attention，video SWMSA），允許在局部窗口內(nèi)并行計算，以捕獲視頻序列中的長程時空依賴關(guān)系。融合塊類似于最大池化，用于降采樣、增加通道數(shù)，同時保持視頻幀數(shù)不變。經(jīng)過模型階段之后，獲得多幀數(shù)據(jù)的高維特征，最后使用頭進行特征融合。完整的VST塊結(jié)構(gòu)見圖5。

圖5 VST模塊Figure 5 VST module

模型推理：為使模型能夠處理任意長度的二維超聲心動圖視頻，引入滑動窗口技術(shù)，將視頻劃分為多個重疊的序列片段，輸入到神經(jīng)網(wǎng)絡(luò)中，以獲得各序列片段中每一幀被預(yù)測為ED或ES幀的概率值。接著，對原始視頻各幀關(guān)聯(lián)窗口的所有預(yù)測值求均值，從而得到相應(yīng)幀為關(guān)鍵幀的概率。計算見式2，其中為第n個序列片段中第i幀的預(yù)測值，yt為原始視頻中第t幀為關(guān)鍵幀的概率值，N代表原始視頻每幀關(guān)聯(lián)的窗口數(shù)量。最后，通過查找概率的極大值確定網(wǎng)絡(luò)預(yù)測的原始視頻關(guān)鍵幀，曲線極大值用紅色點表示（圖6）。

圖6 網(wǎng)絡(luò)預(yù)測結(jié)果Figure 6 Network prediction result

1.2.3 實驗細節(jié)

實驗環(huán)境：配置見表1。

表1 實驗環(huán)境配置Table 1 Configuration of experimental environment

數(shù)據(jù)增強：為提高模型的泛化能力并減少過擬合，在模型訓(xùn)練階段對數(shù)據(jù)進行了空間和時間兩個維度的增強?？臻g數(shù)據(jù)增強包括：縮放、隨機旋轉(zhuǎn)，值得注意的是，所使用的心臟超聲數(shù)據(jù)MV 結(jié)構(gòu)具有特定的方向和生理特征，因此不宜用翻轉(zhuǎn)操作；時間數(shù)據(jù)增強方面，隨機以1、2、4 的步長對視頻幀進行等間隔采樣，以豐富樣本的時間尺度，強化模型對不同尺度時間特征的提取能力，若采樣至視頻末端，序列幀數(shù)小于采樣大小，則補充零幀。

訓(xùn)練細節(jié)：在南京鼓樓醫(yī)院數(shù)據(jù)集上，網(wǎng)絡(luò)輸入圖像大小為320×320 像素；在EchoNet-Dynamic-Tiny 數(shù)據(jù)集上，網(wǎng)絡(luò)輸入圖像大小為112×112 像素。使用ResNet50作為空間特征編碼器，并使用在ImageNet 數(shù)據(jù)集上經(jīng)過預(yù)訓(xùn)練的模型權(quán)重，以提高訓(xùn)練效率。選用Adam網(wǎng)絡(luò)優(yōu)化器，初始學(xué)習(xí)率設(shè)置為10-5，并采用多步長學(xué)習(xí)率衰減策略，訓(xùn)練輪數(shù)（epoch）設(shè)為500，在現(xiàn)有數(shù)據(jù)集規(guī)模下，批大小（batch size）設(shè)置為4，設(shè)置序列采樣大小為16，以均衡物理顯存與時序感受野，丟棄單元（dropout）概率為0.5，以增強模型泛化性，損失函數(shù)采用均方誤差（mean square error，MSE），以提高對異常值的敏感度并確保關(guān)鍵幀概率值的時間平滑性（式3），其中分別表示為第n個樣本中第t幀的真實標(biāo)簽和網(wǎng)絡(luò)預(yù)測概率值。

測試細節(jié)：在南京鼓樓醫(yī)院數(shù)據(jù)集上，網(wǎng)絡(luò)輸入圖像大小為224×224 像素，在EchoNet-Dynamic-Tiny 數(shù)據(jù)集上，網(wǎng)絡(luò)輸入圖像大小為112×112 像素。幀采樣步長設(shè)置為1，滑動窗口步長統(tǒng)一設(shè)置為1，窗口寬度統(tǒng)一設(shè)置為16幀，在處理每個視頻末端時，若序列長度＜16幀，則在其末尾填充0幀，且計算關(guān)鍵幀概率時，0幀不納入計算范疇。

1.2.4 評估指標(biāo)

使用平均幀差（average frame difference，AFD）［11］衡量所提出方法的預(yù)測結(jié)果與真實標(biāo)簽之間的絕對誤差大?。ㄊ?、5），其中，yi代表ED 或ES 幀的真實標(biāo)簽，表示ED或ES的預(yù)測幀索引，N是測試集內(nèi)ED或ES幀的總數(shù)量。

1.3 統(tǒng)計學(xué)方法

實驗數(shù)據(jù)采用Python 3.8 軟件進行統(tǒng)計學(xué)分析，計量資料以均數(shù)±標(biāo)準(zhǔn)差（）表示，計數(shù)資料以百分數(shù)（%）表示。多組樣本均數(shù)比較采用單因素方差分析（one-way ANOVA），P＜0.05為差異有統(tǒng)計學(xué)意義。

2 結(jié)果

為詳盡分析ResNet+VST 模型的準(zhǔn)確性與魯棒性，本研究分別在南京鼓樓醫(yī)院數(shù)據(jù)集與EchoNet-Dynamic-Tiny 數(shù)據(jù)集上進行實驗，使用1.2.4 節(jié)評估指標(biāo)衡量模型在測試集上的準(zhǔn)確性。

本研究在南京鼓樓醫(yī)院數(shù)據(jù)集上，分析了ResNet+VST模型預(yù)測結(jié)果與真實標(biāo)簽的差異，表明其準(zhǔn)確性（2.1.1），并將其與現(xiàn)階段較為先進的3D CNN+LSTM［10］與ResNet+LSTM［11］模型進行對比，表明其先進性（2.1.2）；進一步地，本研究基于公開數(shù)據(jù)集EchoNet-Dynamic 構(gòu)建的EchoNet-Dynamic-Tiny 子數(shù)據(jù)集上，分析了前述3 種模型相應(yīng)的性能表現(xiàn)（2.2），更充分地衡量ResNet+VST 模型的泛化性，便于后續(xù)研究者對該模型性能表現(xiàn)進行更客觀詳盡的評估。

2.1 南京鼓樓醫(yī)院數(shù)據(jù)集

2.1.1 模型預(yù)測結(jié)果與真實標(biāo)簽對比

在A2C、A3C、A4C 切面上，ResNet+VST 模型的心動周期檢出率均高于97%，ED、ES的AFD均小于1.65（表2），且模型預(yù)測值與真實標(biāo)簽之間顯示出高度一致性（圖7）。

表2 3類切面模型心動周期檢出率與關(guān)鍵幀檢測平均幀差情況Table 2 Detection rate of cardiac cycle and average frame difference of key frame detection in three types of view models

圖7 ED和ES模型預(yù)測與真實標(biāo)簽一致性對比Figure 7 Comparison of consistency between ED and ES model prediction and label

在A2C、A3C 和A4C 切面中各隨機挑選1 個視頻，將ResNet+VST模型的關(guān)鍵幀檢測結(jié)果與視頻幀進行匹配。對于A2C 的ED、ES 幀，以及A3C 的ED幀，預(yù)測結(jié)果均與人工標(biāo)注僅相差1幀，且預(yù)測幀與真實標(biāo)簽幀的圖像內(nèi)容較為接近（圖8A、B）；對于A3C的ES幀與A4C的ED、ES幀，預(yù)測結(jié)果與人工標(biāo)注完全一致（圖8B、C）。

圖8 A2C、A3C和A4C切面上ResNet+VST模型關(guān)鍵幀檢測結(jié)果與真實標(biāo)簽對應(yīng)視頻幀示例Figure 8 Examples of video frames corresponding to the detection results of key frames of ResNet+VST model and labels on A2C，A3C and A4C views

2.1.2 不同模型對比

在相同的預(yù)處理、數(shù)據(jù)增強和超參數(shù)設(shè)置下，將所提出的模型與3D CNN+LSTM［10］和ResNet+LSTM［11］關(guān)鍵幀檢測模型在臨床應(yīng)用場景更多的A4C切面上進行比較（表3）。ResNet+VST模型在檢測精度、推理時間方面均優(yōu)于其他兩個模型。單因素方差分析結(jié)果顯示，3 種模型之間存在顯著性差異（P＜0.05）。Tukey檢驗結(jié)果進一步證明，ResNet+VST 模型與3D CNN+LSTM 以及ResNet+LSTM 模型之間均存在顯著性差異（P＜0.05）。

表3 南京鼓樓醫(yī)院數(shù)據(jù)集A4C切面不同模型ED、ES幀檢測誤差與推理時間對比Table 3 Comparison of detection error and inferencing time of ED and ES frames of different models on A4C view of Nanjing Drum Tower Hospital dataset（）

表3 南京鼓樓醫(yī)院數(shù)據(jù)集A4C切面不同模型ED、ES幀檢測誤差與推理時間對比Table 3 Comparison of detection error and inferencing time of ED and ES frames of different models on A4C view of Nanjing Drum Tower Hospital dataset（）

A：ResNet+VST model.B：3D CNN+LSTM model.C：ResNet+LSTM model.Compared with B，*P ＜0.05；Compared with C，#P ＜0.05.

2.2 EchoNet-Dynamic-Tiny數(shù)據(jù)集

從EchoNet-Dynamic-Tiny 數(shù)據(jù)集中隨機挑選1個視頻，將ResNet+VST模型的關(guān)鍵幀檢測結(jié)果與視頻幀進行匹配。結(jié)果顯示模型的ES 預(yù)測幀與真實標(biāo)簽完全一致，而ED 預(yù)測幀與真實標(biāo)簽幀非常接近且圖像內(nèi)容相似度較高（圖9）。

圖9 EchoNet-Dynamic-Tiny數(shù)據(jù)集ResNet+VST模型關(guān)鍵幀檢測結(jié)果與真實標(biāo)簽對應(yīng)視頻幀示例Figure 9 Example of video frames corresponding to the keyframe detection results of the EchoNet-Dynamic-Tiny dataset ResNet+VST model and label

使用EchoNet-Dynamic-Tiny 數(shù)據(jù)集，將所提出的ResNet+VST 模型與3D CNN+LSTM［10］、ResNet+LSTM［11］模型進行比較（表4）。針對公開的超聲心動圖數(shù)據(jù)集，所提出的ResNet+VST模型在關(guān)鍵幀檢測任務(wù)中的預(yù)測結(jié)果與真實標(biāo)簽更為接近，表現(xiàn)出更高的準(zhǔn)確性與更快的推理速度。單因素方差分析結(jié)果顯示，3 種模型之間存在顯著性差異（P＜0.05）。Tukey檢驗結(jié)果進一步證明，ResNet+VST 模型與3D CNN+LSTM 以及ResNet+LSTM 模型之間均存在顯著性差異（P＜0.05）。

表4 EchoNet-Dynamic-Tiny數(shù)據(jù)集A4C切面不同模型ED、ES幀檢測誤差與推理時間對比Table 4 Comparison of detection error and inferencing time of ED and ES frames of different models on A4C view of Echo-Net-Dynamic-Tiny dataset（）

表4 EchoNet-Dynamic-Tiny數(shù)據(jù)集A4C切面不同模型ED、ES幀檢測誤差與推理時間對比Table 4 Comparison of detection error and inferencing time of ED and ES frames of different models on A4C view of Echo-Net-Dynamic-Tiny dataset（）

A：ResNet+VST model.B：3D CNN+LSTM model.C：ResNet+LSTM model.Compared with B，*P ＜0.05；Compared with C，#P ＜0.05.

3 討論

超聲心動圖憑借無創(chuàng)、無輻射、安全等特點，成為心臟疾病診斷的主要醫(yī)學(xué)影像手段。其中，ED和ES 幀檢測對于評估超聲心動圖圖像質(zhì)量和測量心臟參數(shù)至關(guān)重要。臨床上ED和ES幀的選定主要依靠醫(yī)師借助ECG或目測LV的容積，可重復(fù)性差，相比之下，自動檢測快速、高效、可重復(fù)性好。目前已有一些基于DL 的超聲心動圖關(guān)鍵幀智能檢測方法［6-7，11-14，16-18］，但它們主要關(guān)注A4C切面，并且無法同時滿足檢測精度和推理耗時的要求。為解決這些問題，本研究提出了一種新的關(guān)鍵幀檢測模型ResNet+VST，該模型結(jié)合了帶有跨層連接的ResNet和帶有自注意力機制的VST，能夠有效提取超聲序列圖像的復(fù)雜時空信息，并結(jié)合曲線回歸策略，將網(wǎng)絡(luò)輸出回歸為關(guān)鍵幀的概率，將復(fù)雜的關(guān)鍵幀檢測問題轉(zhuǎn)化為概率曲線回歸問題。

本研究結(jié)果表明，ResNet+VST模型在南京鼓樓醫(yī)院數(shù)據(jù)集和EchoNet-Dynamic-Tiny 數(shù)據(jù)集上表現(xiàn)良好。在南京鼓樓醫(yī)院數(shù)據(jù)集A2C、A3C、A4C 3 類切面上，模型預(yù)測的心動周期數(shù)量與真實數(shù)量均較為接近，證明了所提出方法的有效性，模型預(yù)測的ED 和ES 幀與真實標(biāo)簽之間的AFD 均小于1.65，表明模型擁有較高的準(zhǔn)確率且預(yù)測值與真實標(biāo)簽之間顯示出高度一致性；在EchoNet-Dynamic-Tiny數(shù)據(jù)集A4C切面上，模型預(yù)測的ED和ES幀的AFD均小于1.75，且相比3D CNN+LSTM［10］、ResNet+LSTM［11］模型，ResNet+VST 模型在2個數(shù)據(jù)集上的預(yù)測結(jié)果更接近真實標(biāo)簽，各模型預(yù)測結(jié)果之間均存在顯著性差異。此外，與利用LSTM 進行時序建模的相關(guān)研究［10-11］相比，ResNet+VST 模型計算上高度并行，減少了推理時間的消耗，在Intel（R）Core（TM）i5-12600KF CPU與NVIDIA GeForce?GTX 3090Ti GPU的硬件條件下，在南京鼓樓醫(yī)院數(shù)據(jù)集上，當(dāng)輸入圖像大小設(shè)置為224×224像素時，16幀的超聲序列片段推理平均耗時僅為21 ms，而在EchoNet-Dynamic-Tiny數(shù)據(jù)集上，當(dāng)圖像大小設(shè)置為112×112像素時，推理耗時更短，僅為10 ms，基本滿足臨床需求。

然而，本研究仍存在不足之處：①數(shù)據(jù)量較少，ResNet+VST 模型檢測性能的更全面、充分評估，需要更大規(guī)模的數(shù)據(jù)集支持；②數(shù)據(jù)來源較為單一，僅在兩個數(shù)據(jù)集上進行實驗，對模型泛化性的評估能效不足；③部分數(shù)據(jù)中關(guān)鍵幀位置位于超聲動態(tài)圖像的起止端，ResNet+VST模型在這類問題上表現(xiàn)欠佳，后續(xù)考慮結(jié)合時序建模領(lǐng)域的最新研究，如新型RNN架構(gòu)［22］；④部分樣本的射血階段持續(xù)時間較短，與ED之間的時間間隔較小，這容易導(dǎo)致標(biāo)注者之間、標(biāo)注者內(nèi)部的標(biāo)注結(jié)果存在分歧，自然地，模型同樣可能將射血階段幀誤判為ED 幀，與真實標(biāo)簽存在較大偏差（圖10）。因此，進一步研究標(biāo)注者之間和標(biāo)注者內(nèi)部的差異是必要的。

圖10 ResNet+VST模型預(yù)測異常示例Figure 10 Example of abnormal prediction by ResNet+VST model

綜上所述，本研究所提出的基于DL 的超聲心動圖關(guān)鍵幀智能檢測模型ResNet+VST，適用任意長度且包含多個心動周期不同切面的超聲心動圖。與目前常用的方法相比，該模型在檢測精度和速度方面均具有顯著的優(yōu)勢，基本滿足臨床及實際應(yīng)用需求，具有良好的應(yīng)用價值。未來該模型有望作為超聲心動圖圖像質(zhì)量自動評估以及腔室容積、射血分數(shù)等心臟參數(shù)自動測量的預(yù)處理步驟，以實現(xiàn)更準(zhǔn)確和快速的心臟圖像分析。