在贝宁开发了一种试验性窑炉，并对用于农业和碳封存的生物炭进行了表征

《Biomass and Bioenergy》：Development of a pilot kiln and characterization of biochars for agricultural use and carbon sequestration in Benin

3D超声心动图相位检测（EPD）是自动测量二尖瓣开合面积及直径等关键参数的前提，但存在视野不全、图像模糊及收缩期与舒张期帧相似等挑战。本研究提出基于深度学习的AB系统框架，通过置信度模块动态融合DenseNet和MobileVit网络，实现高精度3D EPD。在自建SZH-3DEPD数据集（8422帧，481个心动周期）验证中，帧级F1达0.9584，心动周期级准确率AccSys为0.9707，优于现有方法。

　　3D超声心动图相位检测（EPD）在多种自动测量和诊断任务中扮演着关键角色，例如二尖瓣的开口面积和左心房、左心室的直径等参数的测量。这些参数的获取通常依赖于准确识别心动周期中的舒张末期（ED）和收缩末期（ES）帧。因此，实现高精度的3D EPD对于后续任务的完全自动化以及超声心动图的标准化具有重要意义。然而，当前3D EPD仍面临诸多挑战，包括二尖瓣显示不完整、图像缺失或模糊，以及某些心动周期中收缩期与舒张期帧之间高度相似，这些因素都可能影响自动检测的准确性。

为了解决上述问题，本研究引入了深度学习技术，并提出了一种新颖的AB系统深度学习框架。该框架的设计灵感来源于戏剧中的AB系统，即两个演员分别扮演同一角色，互相替补。在本研究中，框架包含两个深度学习网络，分别称为A和B。网络A在多数情况下负责任务执行，只有在A的置信度低于某个阈值，而B的置信度高于A时，才会激活网络B参与决策。最终的输出结果是网络A和B预测概率的平均值，从而在保持高精度的同时提高系统的鲁棒性。

本研究的核心在于设计了一个基于置信度的ifactive-fusion模块，该模块通过预测概率计算置信度，作为网络A和B之间切换的依据。置信度的计算方法简单且有效，能够在不增加额外复杂性的情况下，提供可靠的决策支持。网络A和B分别采用DenseNet和MobileVit两种模型，它们在不同的训练策略和数据增强方法下进行优化，以提高对复杂图像的识别能力。这种双网络协作的机制使得系统能够在面对不确定或模糊图像时，自动选择最合适的网络进行预测，从而在整体上实现更高的准确率。

此外，为了更全面地评估所提出方法的有效性，本研究还引入了基于心动周期的评估方式，特别关注收缩期的检测精度。传统的评估方法多基于帧级别的准确率，而本研究则进一步提出心动周期级别的评估，包括收缩期的准确率（AccSys）以及舒张末期（ED）和收缩末期（ES）的平均误差（AE）。这种多层次的评估方式能够更真实地反映3D EPD在实际临床应用中的表现，特别是在处理连续心动周期数据时的稳定性。

为了验证所提出框架的性能，本研究构建了一个3D多心动周期超声心动图数据集，命名为SZH-3DEPD。该数据集包含来自151段3D经食管超声心动图视频的8422张图像，涵盖了481个心动周期。其中，87段视频来自健康人群，64段视频来自患有心脏疾病的患者。数据集的设计旨在提供多样化的样本，以评估模型在不同情况下的泛化能力。通过对数据集的实验分析，研究团队发现所提出的框架在多个指标上均优于现有的先进方法，具体包括：帧级别的F1值达到0.9584，准确率达到0.9586；心动周期级别的收缩期准确率达到0.9707，ED和ES的平均误差分别为0.5326和0.0918。这些结果表明，该框架不仅在单帧识别上表现出色，而且在连续心动周期的检测中也具有良好的性能。

本研究的创新点主要体现在以下几个方面。首先，它是首个利用深度学习技术实现全自动化多心动周期3D EPD的系统，结合了迁移学习、感兴趣区域提取和数据增强等技术，以提高模型的泛化能力和识别精度。其次，提出了一种基于置信度的评估机制，不仅提升了模型的鲁棒性，还为后续的临床应用提供了更可靠的检测依据。第三，构建了一个专门用于3D EPD研究的数据集，为相关领域的研究提供了宝贵的资源。最后，该研究公开了标注软件和框架测试软件的代码，方便其他研究人员进行复现和进一步优化。

在实际应用中，3D EPD技术能够显著提高心脏疾病的诊断效率。传统的EPD依赖于专业超声医生的主观判断，不仅耗时费力，而且容易受到医生经验差异的影响。而本研究提出的框架能够通过自动化处理，减少人为干预，提高检测的一致性和准确性。这对于大规模临床数据的处理和远程医疗的应用具有重要意义，尤其是在资源有限的地区，能够为医生提供更加精准的辅助诊断工具。

从技术实现的角度来看，该框架的结构设计具有一定的灵活性和扩展性。通过引入两个不同的网络模型，系统能够在不同条件下切换策略，从而适应各种复杂的图像情况。同时，置信度机制的引入使得模型能够根据实际情况动态调整预测结果，避免因单个网络的局限性而导致误判。此外，框架的训练策略也经过优化，以防止过拟合问题，提高模型在真实数据中的表现。

在构建SZH-3DEPD数据集的过程中，研究团队采取了严格的筛选标准，确保数据的多样性和代表性。数据集不仅包含健康人群的样本，还涵盖了不同心脏疾病类型的患者数据，这有助于模型在实际应用中更好地识别和处理各种病理情况。同时，数据集的构建也考虑到了图像质量的差异，包括部分图像缺失或模糊的情况，以模拟真实临床环境中的挑战。

实验结果表明，所提出的框架在多个指标上均表现出色，尤其是心动周期级别的收缩期准确率高达0.9707，这一结果在当前的研究中具有较高的竞争力。同时，ED和ES的平均误差也保持在较低水平，这说明模型不仅能够准确识别特定的相位帧，还能在连续的心动周期中保持稳定的表现。这些结果为未来3D EPD技术的进一步发展提供了有力的支持，同时也为临床应用中的自动化诊断提供了新的思路。

本研究的贡献不仅在于提出了一种新的深度学习框架，还在于其对评估体系的改进。传统的EPD评估多集中在帧级别的准确率，而本研究引入了心动周期级别的评估，使得模型的性能能够更全面地反映其在实际应用中的表现。此外，该研究还公开了相关软件的代码，促进了该领域的开放共享和进一步研究。这种开放性的做法有助于推动3D EPD技术的发展，使更多研究人员能够参与到这一领域的探索中。

总体而言，本研究提出的深度学习框架为3D EPD技术的发展提供了新的方向，尤其是在处理复杂图像和提高检测精度方面。通过结合多种深度学习技术，构建专门的数据集，并引入基于置信度的融合机制，该框架在多个关键指标上均取得了优异的成绩。未来，随着深度学习技术的不断进步，以及更多高质量数据集的出现，3D EPD有望在临床实践中发挥更大的作用，为心脏疾病的诊断和治疗提供更加精准的支持。