编辑推荐：
心脏超声中的心腔分割与测量至关重要却困难重重，手动标注问题诸多。研究人员开展自监督分割研究，构建相关管道。结果显示该方法表现良好，与临床测量相当。这为心脏超声分割提供了新方法，具有重要临床意义。
在医学领域，心脏超声是一项关键的心脏成像技术，对心腔大小、质量和功能的量化，在心脏病的诊断、预后和管理中发挥着不可或缺的作用。然而，当前的量化过程犹如一座难以攀登的高山。一方面，它需要人工进行大量繁琐的标注工作，每一次检查都需要多个手动标注，耗费了医护人员大量的时间和精力。另一方面，由于超声成像本身存在空间分辨率低、易产生伪影等问题，即使是经验丰富的专家进行手动标注，也难以避免出现观察者间和观察者内的差异。这种差异会进一步影响后续基于这些标注的测量结果，例如在计算心腔体积和功能时，误差会不断累积。此外，在实际操作中，右心和左心房的测量常常被忽视，这是因为额外的标注工作过于繁重，这无疑为全面准确地评估心脏状况带来了巨大挑战。
为了攻克这些难题，来自美国加利福尼亚大学旧金山分校（University of California, San Francisco）的研究人员踏上了探索之旅。他们开展了一项关于心脏超声无标记分割的研究，旨在利用自监督学习（Self - supervised learning，SSL）技术，构建一个无需手动标注的分割管道，为心脏超声的精准量化提供新的解决方案。最终，他们的研究成果发表在《Nature Communications》上，这一成果犹如一道曙光，为该领域带来了新的希望。
在研究过程中，研究人员主要运用了以下几种关键技术方法：
- 数据处理与弱标签提取：从大量的超声心动图（echocardiogram）图像中，通过计算机视觉技术结合临床知识，提取出初始的弱标签。同时，对图像进行标准化处理，调整图像的像素大小和强度，使其满足后续分析的要求。
- 神经网络模型：采用 UNet 神经网络进行图像分割，针对医学图像的特点对其进行了优化，例如调整激活函数、优化器参数等。此外，还运用了整体嵌套边缘检测（holistically nested edge detection，HED）网络来加强对超声图像中模糊边界的识别能力。
- 模型训练策略：在训练过程中，利用早期学习和自我学习策略。通过监测验证数据集的软 Dice 损失曲线，确定早期学习阶段的结束点，及时停止训练，避免模型过度拟合。之后，利用早期学习得到的模型对所有数据进行推理，筛选出更多高质量的标注数据，用于下一轮训练，不断提升模型性能。
研究结果主要体现在以下几个方面：
- 自监督管道的分割能力：研究人员利用 93,000 张图像进行训练和验证，4,476,266 张图像进行测试，涵盖了各种图像质量、病理情况和患者特征。通过逐步优化，该自监督管道能够有效学习分割超声图像，即使面对不同质量和病理的图像，也能不断纠正初始错误，提升分割效果。
- 测量结果的准确性：将管道得出的测量结果与临床超声心动图测量结果进行对比，发现二者具有高度的一致性。在左心室方面，对于左心室舒张末期容积（LV end - diastolic volume，LVEDV）、左心室收缩末期容积（LV end - systolic volume，LVESV）和左心室射血分数（LV ejection fraction，LVEF）的测量，与临床测量的皮尔逊相关系数（Pearson correlations）分别达到 0.84、0.9 和 0.81，决定系数（r2）分别为 0.70、0.82 和 0.65，且偏差（Bias）和一致性界限（limits of agreement，LOA）与临床医生之间的差异相当。右心室和心房的测量结果同样显示出强相关性，如右心室舒张末期面积（RV end - diastolic area，RVEDA）的 r2为 0.69，左心房容积的 r2为 0.84。
- 与金标准的对比：选取 553 例有心脏磁共振成像（cardiac MRI，CMR）的患者作为子集进行对比。尽管 CMR 和超声心动图在测量方法和适用范围上存在差异，但自监督学习得出的测量结果与 CMR 的相关性，与临床超声心动图和 CMR 的相关性相似。在某些指标上，如 LVEDV、LVESV、LVEF 和 LV 质量，自监督学习管道的测量结果在准确性和敏感性上甚至优于临床超声心动图。
- 外部数据测试表现：在外部数据集测试中，该管道对左心室分割的平均 Dice 分数达到 0.89，表明其与手动追踪的一致性良好。对于左心室功能的评估，如 LVEF，准确性也达到了 0.79。
研究结论和讨论部分指出，这项研究成功构建了一个无需手动标注的心脏超声自监督分割管道，为心脏超声的量化分析提供了一种高效、可靠且可扩展的方法。与传统的手动标注和监督学习方法相比，该方法不仅避免了手动标注的繁琐和误差，还在大规模数据集上展现出良好的性能。它能够处理各种复杂的心脏病理情况，为临床诊断和研究提供了有力支持。尽管该管道还存在一些局限性，如理想情况下的一致性界限可以更窄，实际应用中图像帧选择可能会带来误差，某些临床测量本身的可变性也会影响结果，但这一研究成果无疑为心脏超声领域的发展开辟了新的道路，有望推动心脏病诊断和治疗技术的进一步提升，让更多患者受益于精准的医疗服务。
