用于二维超声心动图中左心室分割的双边轻量级网络

《Biomedical Signal Processing and Control》：Bilateral lightweight network for left ventricle segmentation in two-dimensional echocardiography

自动左心室分割在超声心电图诊断中至关重要，但现有模型在精度与效率间存在平衡难题。本文提出双向轻量网络BLNet-DFEF，通过多样化特征提取（ Dilated Convolution、Depthwise Separable Convolution、Window Shift）与多尺度注意力融合机制，在保证DSC达0.932和HD为3.63的同时，仅需7.53秒完成360张图像分割。相较于BiseNetV2、FCN、UNeXt等模型，在CAMUS数据集上实现了更优的自动化分割效果及心室容积计算精度。

　　自动分割心脏超声图像中的左心室是诊断心血管疾病的重要步骤。近年来，深度学习技术在医学领域得到了广泛应用，并在左心室的自动分割中取得了高精度的结果。然而，现有的模型在左心室自动分割过程中仍面临一些挑战，例如分割精度与效率之间的平衡问题。为了解决这一问题，本研究提出了一种双通道轻量级网络，结合了多样化特征提取与融合技术（BLNet-DFEF），能够在保证精度的同时提升分割效率。该模型由主干网络、低级细节特征与高级语义特征提取模块、特征融合单元以及分割头组成。通过使用多样化特征提取和融合方法，可以在较低的计算复杂度下获取更丰富的特征信息。该模型在测试集上实现了Dice相似性系数（DSC）为0.932，Hausdorff距离（HD）为3.63，并且仅需7.53秒即可完成360张图像的分割。此外，该模型在计算左心室体积和射血分数方面的准确性也更高。BLNet-DFEF与三种已知模型（BiseNetV2、FCN、UNeXt）进行了比较，结果表明使用BLNet-DFEF可以获得最佳的分割效果。

心血管疾病的发病率和死亡率正在逐年上升。心血管疾病已经成为威胁人类健康的主要杀手之一，且发病年龄呈现年轻化趋势。因此，早期和准确地检测患者心脏结构和功能的异常，对于降低心血管疾病的发病率具有重要意义。目前，心血管疾病的常见诊断方法包括心电图、心脏超声、冠状动脉CT血管造影和心脏磁共振成像。考虑到超声成像具有无创、无辐射、实时成像和成本低廉等优势，心脏超声已成为临床实践中最广泛使用的诊断工具。超声成像的原理主要基于超声波的物理特性和不同组织的反射特性，以图形形式展示超声回波信号。通过心脏超声图像中的左心室分割，可以评估左心室的收缩功能，从而判断心脏的健康状况。

左心室收缩功能的评估与左心室的准确分割密切相关。在获取心脏超声图像后，可以通过分析收缩末期和舒张末期的结构特征，确定左心室的内膜边界。然后，通过计算左心室的体积和射血分数，完成左心室收缩功能的评估。因此，左心室的准确分割至关重要。然而，在早期的临床实践中，左心室的分割是一项具有挑战性的任务，因为它需要由医生手动标注收缩末期和舒张末期的左心室边界，这依赖于医生的专业知识和临床经验，从而影响测量结果的准确性和可靠性。

近年来，越来越多的研究人员提出了不同的左心室分割方法，使得左心室分割从手动转向半自动。2010年，Li提出了一种双曲率流模型，该模型通过水平集函数，能够自适应地关注图像的细节部分，从而实现图像分割。2013年，Prashant团队发表了一种利用加权径向滤波检测边缘的算法，该算法使用加权径向边缘滤波器来识别心脏腔室区域的边缘，从而完成特定区域的心脏腔室分割。2015年，Belous等人提出了一种随机森林分类器，用于心脏超声图像中的左心室分割。该方法首先使用主动形状模型来初始化关键点，然后使用随机森林模型完成左心室分割任务。2019年，Bersvendsen等人采用耦合表面几何模型，并结合卡尔曼滤波，对心脏超声图像中的左右心室内膜和外膜进行分割。这些半自动分割方法的实施不仅提高了结果的准确性和可重复性，还节省了大量的人力成本。然而，这些算法需要手动设置参数，这意味着需要大量的特征工程知识和先验知识才能获得满意的分割结果。

与上述传统方法相比，基于深度学习的模型通常具有强大的自适应特征提取能力、端到端学习、鲁棒性和高泛化能力。因此，越来越多的深度学习模型被应用于左心室分割任务，并取得了良好的效果。Liu等人提出的深度金字塔局部注意力神经网络（PLANet）通过监督学习和金字塔局部注意力模块实现了左心室的自动分割。Ali等人结合了ResNet和U-Net的优势，提出了一种Res-U网络，该网络在左心室的自动分割中取得了可靠的结果。Amer等人提出的ResDUnet网络利用扩张卷积提取不同尺度的特征，并进行融合，同时部署带有挤压和激励单元的残差模块，以实现自适应特征重校准，从而完成左心室的自动分割。这些深度学习模型相较于传统方法大大提高了自动化程度，但在追求更高精度的同时，往往牺牲了分割效率。因此，轻量级模型逐渐被应用于心脏超声图像中的左心室分割，以满足实时分割的需求。

Deng等人提出了一种轻量级的TransBridge网络，该网络结合了卷积神经网络的编码-解码结构和Transformer结构，并使用密集块划分和洗牌组卷积来减少参数数量，提高左心室分割效率。Awasthi等人提出了一种轻量级的左心室分割模型（LVNet），该模型在参数数量和分割性能之间实现了更好的平衡。然而，这些轻量级模型在左心室自动分割中仍然面临准确性和效率之间的平衡问题。

为了解决这一问题，本文提出了一种双通道轻量级网络，结合了多样化特征提取与融合技术（BLNet-DFEF）。本文的贡献主要体现在以下几个方面：

首先，本文提出了一种双通道轻量级网络结构，该结构结合了扩张卷积、深度可分离卷积以及基于Transformer思想的窗口移动操作。该网络不仅能够扩大模型的感受野，从而捕捉更广泛范围的特征，还能够减少参数数量，增强模型的非线性能力和并行性，并通过综合应用各种卷积操作提升模型的泛化性能。

其次，本文提出了一种基于注意力机制的低级细节特征与高级语义特征融合方法。在融合过程中，通过自适应加权学习每张特征图中每个像素的重要性，从而提升模型的性能。

最后，本文提出了一种多尺度融合特征图的方法。多尺度特征融合能够提供更全面的特征信息，有效避免超声图像中噪声和伪影的干扰，更好地理解语义信息，并增强网络的可解释性。

在方法部分，双通道轻量级网络通常由两个分支组成，每个分支分别提取特征，然后进行合并。本文提出的双通道轻量级网络结合了多样化特征提取与融合技术，如图1所示。在数据增强之后，超声图像和由医生标注的标签被输入到训练模型中。首先，通过主干网络获取初步的特征图，然后进入特征提取模块。该模块通过一系列轻量级的卷积操作和注意力机制，进一步提取和融合不同层次的特征信息，以提升分割的准确性和效率。

在实验部分，本文详细介绍了用于模型训练和测试的数据集。此外，还介绍了用于分析深度学习模型性能的硬件配置和评估指标。实验数据集包含了大量心脏超声图像，并经过标准化处理，以确保模型的训练效果。硬件配置方面，本文采用了高性能计算设备，包括GPU加速和多核处理器，以满足模型训练和推理的需求。评估指标方面，除了Dice相似性系数和Hausdorff距离外，还使用了其他常见的分割性能评估指标，如平均交并比（mIoU）和分割时间。这些指标能够全面衡量模型在分割任务中的表现。

在结果部分，本文基于上述20%的测试集对模型性能进行了验证，并与其他深度学习模型（如BiseNetV2、FCN、UNeXt和SAMed）进行了比较。结果表明，本文提出的BLNet-DFEF模型在左心室自动分割任务中表现优异，不仅在分割精度上优于其他模型，同时在分割效率上也具有显著优势。通过对比实验，可以发现BLNet-DFEF在DSC和HD指标上均优于其他模型，同时在处理速度上也更快，能够满足实际临床应用中对实时分割的需求。

在讨论部分，本文进一步探讨了BLNet-DFEF模型在左心室自动分割中的优势和潜在应用。通过四层主干网络对心脏超声图像进行初步的特征提取，然后通过两层上采样层提取低级细节特征。为了提取更丰富的特征信息并加快网络训练过程，本文在网络层中嵌入了诸如扩张卷积、深度可分离卷积和多层感知机（MLP）等模块。这些模块不仅能够增强模型的特征提取和融合能力，还能够减少计算复杂度，提高模型的泛化性能。此外，本文还采用了基于注意力机制的特征融合方法，以提升模型在分割任务中的表现。

在结论部分，本文提出了一种结合多种轻量级卷积和窗口移动操作的双通道轻量级网络架构，以实现更快的运行速度和更丰富的特征信息提取。该模型还采用了多尺度特征融合和基于注意力机制的融合方法，以提高分割的准确性和效率。通过在CAMUS数据集上的实验，结果表明本文提出的模型在左心室自动分割任务中表现优于其他模型，不仅在分割精度上取得了显著提升，同时在分割速度上也具有明显优势。这表明BLNet-DFEF在实际应用中具有较高的可行性，能够为心血管疾病的早期诊断提供可靠的技术支持。

此外，本文还对作者的贡献进行了说明。YaQi Zhu负责撰写、审阅和编辑论文，参与了模型的验证、方法设计、数据整理和概念设计。ChangChun Xiong负责撰写和审阅论文，参与了方法设计。DingCheng Tian负责撰写和审阅论文，参与了方法设计、数据分析和概念设计。Like Qian负责撰写和审阅论文，参与了方法设计和数据整理。Heng Zhao负责撰写和审阅论文，参与了方法设计。YuDong Yao负责撰写和审阅论文，参与了论文的撰写、方法设计和监督工作。所有作者均声明不存在已知的财务利益或个人关系，这些关系可能会影响本文的研究成果。

综上所述，本文提出了一种新型的双通道轻量级网络结构，通过结合多种轻量级卷积操作和窗口移动技术，实现了左心室自动分割的高精度与高效率。该模型不仅在分割性能上优于现有方法，同时在计算资源消耗和处理速度上也具有显著优势。这一成果对于推动心脏超声图像分析的自动化和智能化具有重要意义，能够为临床医生提供更加便捷和准确的诊断工具。此外，本文的研究也为未来的心脏超声图像分割技术提供了新的思路和方法，有助于进一步提升心血管疾病的诊断水平。