基于块匹配的斑点追踪超声心动图技术：临床应用及深度学习背景下的研究前景

《Journal of Imaging Informatics in Medicine》：Block Matching Based Speckle Tracking Echocardiography: Clinical Applications and Research Outlook in a Deep Learning Context

超声斑点追踪技术评估心脏功能中存在标注数据依赖性问题，本文提出双向块匹配（BiDiBM）方法提升传统BM算法的跟踪精度与鲁棒性。通过合成数据集验证，BiDiBM心肌纵向应变（MLS）评估的均方根误差（RMSE）在1.06%-1.28%之间，零滞后点（ZERO-LAG）达0.89-0.95，较传统BM和深度学习模型表现更优。小样本真实场景验证显示其应变曲线生理形态一致，证实BiDiBM适用于临床STE应用，并为深度学习方法临床部署提供实践基础。

　　

摘要

斑点追踪超声心动图（Speckle Tracking Echocardiography, STE）在评估高风险人群的心脏功能障碍方面非常有效，这些人群容易发生心力衰竭。作为一项基础性的STE技术，斑点追踪方法已经研究了近二十年。在过去十年中，人工智能（AI）的快速发展使得基于深度学习的斑点追踪方法越来越受到关注，但这些方法需要大量的标注数据集来进行训练。然而，手动标注超声心动图中的斑点区域这一挑战阻碍了这些深度学习方法的临床应用，因此传统斑点追踪方法仍然不可或缺。本文提出了一种具有临床应用价值的斑点追踪方法——双向块匹配（Bidirectional Block Matching, BiDiBM），该方法引入了几种新机制来提高传统块匹配（Block Matching, BM）方法的追踪准确性和鲁棒性。我们在一个开源的合成超声心动图数据集上，针对四种不同场景评估了BiDiBM在心肌纵向应变（Myocardial Longitudinal Strain, MLS）测量方面的性能，并使用均方根误差（Root Mean Square Error, RMSE）和互相关函数的零滞后点（Zero-Lag Point, ZERO-LAG）来与金标准进行比较。不同场景下的平均RMSE值范围为1.0576?±?0.2734%至1.2812?±?0.4703%，相应的ZERO-LAG值范围为0.8889?±?0.1534至0.9484?±?0.0399。对比实验表明，BiDiBM在准确性和效率上均优于传统的BM方法和深度学习方法。此外，我们还进行了一个小规模的真实世界验证实验，结果发现BiDiBM能够准确追踪斑点位置，所获得的MLS曲线在专家评审下显示出与生理学一致的形态和趋势。总体而言，实验结果证明了BiDiBM方法的准确性和可靠性，从而证实了其在临床STE应用中的适用性，并为在临床环境中部署基于深度学习的方法奠定了实践基础。