基于统一多任务学习框架的超声心动图左心室结构与收缩功能自动评估新方法

《Scientific Reports》：A unified multi-task learning framework for automated assessment of left ventricular structure and its systolic function from echocardiography

本研究针对超声心动图手动评估左心室（LV）结构与功能存在耗时、主观性强的问题，提出了一种新颖的统一多任务学习（MTL）框架。该框架通过共享编码器同时执行LV分割（用于射血分数EF评估）和关键点检测（用于室壁厚度测量），在CAMUS、EchoNet-Dynamic和EchoNet-LVH三个大型公开数据集上验证表明，其分割Dice相似系数（DSC）最高达0.951，关键点检测平均绝对误差（MAE）低至~1.13像素，性能优于单任务模型。该研究为心血管疾病的自动化、精准化诊断提供了高效可靠的解决方案。

　　

心血管疾病是全球健康的头号杀手，准确评估心脏功能已成为现代心脏病学的基石。左心室（LV）作为心脏的主要泵血腔室，其健康状况通过两个核心指标来反映：一是衡量泵血效率的射血分数（EF），二是表征结构完整性的左心室壁厚度。超声心动图因其无创、实时、成本低等优势，成为评估这些参数的常规影像学手段。

然而，尽管超声心动图应用广泛，其手动判读却给临床医生带来了诸多严峻挑战。这个过程本身耗时费力，需要医生仔细勾画心腔边界，不仅效率低下，还深受个人判断的主观影响。这种主观性可能导致观察者间差异，即不同专家对同一患者的测量结果不尽相同。此外，实时成像序列中心脏的动态特性使测量易受人为误差影响，而图像伪影（如噪声）进一步模糊解剖边界，使准确评估难上加霜。

在此背景下，基于人工智能（AI）的自动化系统为克服这些障碍提供了强有力的解决方案。通过自动完成左心室分割和识别关键解剖点，这些技术能快速提供客观、可重复的测量结果，有望优化临床工作流程，减轻超声医师负担，并为常规患者护理和大规模临床研究提供一致可靠的数据。尽管已有进展，当前AI方法对心脏健康的分析往往是碎片化的。大多数模型针对孤立任务进行训练，例如用于功能评估的分割或用于结构测量的关键点检测。这种“孤岛”式方法未能利用心脏功能与结构之间的内在生理联系，忽略了模型学习更鲁棒、更具协同性特征的潜力。

为了填补这些空白，Khodaverdian Z.、Kozegar E.、Sadr H.等人在《Scientific Reports》上发表了一项研究，引入了一种新颖的混合型多任务学习（MTL）框架。该研究特别强调其方法与更简单的多任务范式（例如，组合多个分类任务）不同，设计了一个能同时共同学习两种根本不同类型任务的模型：（1）密集的像素级分割任务和（2）稀疏的基于热图的关键点定位任务。这种方法鼓励模型学习心脏解剖的共享、协同表征，因为从分割中获得的知识可以指导关键点定位，反之亦然。

研究人员为开展此项研究，主要应用了以下几项关键技术方法：首先，构建了一个有效的预处理流程，从超声心动图视频中提取用于分析的关键帧（收缩末期和舒张末期）。其次，提出了一种基于共享EfficientNet编码器的多任务学习模型架构，该编码器连接到两个并行的专用头部：一个用于LV分割的U-Net风格解码器，以及一个用于基于热图的解剖关键点定位的卷积头部。模型在三个大型公共数据集（CAMUS, EchoNet-Dynamic, EchoNet-LVH）上进行了训练和验证，采用结合Dice损失与二元交叉熵（BCE）的分割损失和基于热图的均方误差（MSE）关键点损失进行联合优化。

模型架构与性能

本研究提出的多任务学习（MTL）框架核心是一个共享编码器-解码器设计。其主干网络采用预训练的EfficientNet-B0作为共享编码器，该网络以其复合缩放方法和高效的Mobile Inverted Bottleneck Blocks（MBConv）结合Squeeze-and-Excitation（SE）注意力机制而著称，能在计算效率和特征提取性能之间取得良好平衡。编码器提取的特征随后输入两个并行的专用任务头：

分割头设计为U-Net风格的解码器，通过上采样和与编码器的跳跃连接融合浅层高分辨率细节与深层语义信息，最终通过1x1卷积和Sigmoid激活函数输出与输入图像同分辨率的LV腔二值分割掩码。

关键点检测头则是一个轻量级卷积网络，其输出不是直接回归关键点坐标，而是预测一个堆叠的2D热图，每个热图对应一个解剖关键点的空间概率分布，最终通过寻找每个热图中最大强度值的位置（argmax操作）来确定关键点坐标。这种热图方法比直接坐标回归更鲁棒。

模型通过加权总损失函数（L_total= α ? L_segmentation+ (1-α) ? L_keypoint）进行端到端训练，其中α为可训练的超参数，用于平衡两项任务的损失。

分割任务性能

分割头的性能在CAMUS和EchoNet-Dynamic数据集上使用DSC、IoU和Hausdorff距离（HD）进行评估。

在以其异质性和包含挑战性临床病例而闻名的CAMUS数据集上，模型表现出卓越的鲁棒性。对于舒张末期（ED）帧，其DSC达到0.951，IoU达到0.912。对于腔室尺寸更小、更具挑战性的收缩末期（ES）帧，模型性能依然强劲，DSC达到0.938。此外，较低的Hausdorff距离（ED帧为3.24毫米）表明预测轮廓与真实边界高度吻合。

在大型EchoNet-Dynamic数据集上，模型同样表现优异，ED帧DSC为0.931，ES帧DSC为0.909。一个关键发现是该数据集的HD极低（ED帧1.02毫米，ES帧1.07毫米），表明预测边界与真实边界对齐精度极高，这对于准确的容积计算至关重要。这种在不同采集协议和患者群体的数据集上产生可靠分割的一致性，突显了该框架的泛化能力。

数据集

帧类别

DSC

IoU

HD

CAMUS

ED

0.951

0.912

3.24mm

ES

0.938

0.895

4.46mm

总体（合并）

0.944

0.903

3.85mm

EchoNet-Dynamic

ED

0.931

0.872

1.02mm

ES

0.909

0.833

1.07mm

总体（合并）

0.920

0.852

1.04mm

关键点检测任务性能

该框架评估其执行精确解剖关键点检测的能力，这对于测量左心室壁厚度和评估如肥厚等结构异常至关重要。评估在EchoNet-LVH数据集上进行，使用平均绝对误差（MAE）量化关键点检测头的准确性。

模型在所有结构测量上（合并舒张末期和收缩末期相位）实现了约1.13像素的整体平均MAE。值得注意的是，它在测量左心室内径（LVID）方面表现出极高的精度，在ES相位MAE仅为0.3446像素。这种亚像素精度至关重要，因为即使标志点放置的微小误差也可能导致壁厚和尺寸测量的显著不准确。

测量指标

ED

ES

总体（合并）

左心室内径（LVID）

0.6124

0.3446

0.4785

室间隔（IVS）

1.5155

1.7911

1.6533

左心室后壁（LVPW）

1.3953

1.1006

1.2479

定性与可视化结果

定性分析通过视觉比较模型的预测与真实标注来进行。

分割结果表明，模型能够为左心室腔生成精确且解剖学上合理的轮廓，在CAMUS和EchoNet-Dynamic数据集上与真实标注高度吻合。值得注意的是，即使在存在成像伪影和低对比度的病例中（临床实践中的常见挑战），模型仍能保持高性能。

EchoNet-LVH数据集上的预测标志点与真实坐标显示出高度对齐。视觉证据证实了定量分析中报告的低MAE，说明了模型在定位测量壁厚和内径所需特定点方面的准确性。

消融研究

为验证统一多任务学习框架相对于孤立单任务方法的协同优势，研究进行了全面的消融实验。比较对象为两个基线模型：仅使用分割损失函数训练的分割专用模型，以及仅使用关键点损失函数训练的关键点检测专用模型。

结果表明，完整的MTL模型不仅在分割准确性上（获得更高的平均DSC分数）优于“分割专用”基线，而且在定位精度上（获得更低的平均MAE）也超过了“关键点专用”模型。这种跨任务的改进证实了模型从学习共享的、协同的心脏解剖表征中受益。从理解左心室整体形状（通过分割任务）中获得的情境信息作为一种强大的正则化器，提高了定位特定解剖标志点的准确性。反之，从关键点任务中学到的精确特征定位有助于细化分割边界。Wilcoxon符号秩检验表明，MTL框架在分割（平均DSC增加，p=0.006）和关键点检测（平均MAE降低，p=0.002）方面的改进具有统计学显著性。

模型

任务

指标

测试数据集

分数

分割专用

分割

DSC (平均)

CAMUS+EchoNet-Dynamic

0.931

关键点专用

关键点检测

MAE (平均)

EchoNet-LVH

1.85

提出的 MTL (完整模型)

分割

DSC (平均)

CAMUS+EchoNet-Dynamic

0.945

关键点检测

MAE (平均)

EchoNet-LVH

1.13

研究结论与意义

该研究成功验证了一个新颖的多任务学习框架，用于从超声心动图图像中对左心室进行综合、自动化的评估。该框架将左心室分割（用于收缩功能评估）和关键点检测（用于室壁厚度测量）这两个关键临床任务集成到一个统一的模型中。实验结果表明，该方法在两项任务上均达到了先进的性能。更重要的是，消融研究证明，由于协同学习，同时学习这两项任务可导致两个领域的性能提升。

此项研究提出了一种新颖的集成解决方案，统一了左心室功能（通过分割）和结构（通过关键点检测）的几何评估。与其他使用回归或全心外膜分割进行联合评估的综合系统相比，该轻量级MTL框架是首个验证这种特定且可解释的任务配对（分割+关键点热图）的研究。这种方法有望优化临床工作流程，减轻心脏病专家的工作负担，并通过提供快速、准确和可重复的测量，为心血管疾病的早期诊断和更好管理做出重要贡献。

研究也指出了当前工作的局限性，包括需要在具有不同成像协议的多中心临床数据上进行进一步验证、框架目前专注于2D静态关键帧而缺乏对完整心动周期时间信息的利用、以及需要将自动输出结果与专家得出的临床参数进行直接相关性和一致性验证等。未来的工作将集中于扩展该框架以纳入整个视频序列的时间信息，从而能够分析诸如节段性室壁运动异常等动态特征，并使其适应3D超声心动图以提供更完整的几何和容积评估。在大型、多中心临床数据集上验证此扩展框架将是确保其鲁棒性和泛化能力以用于临床采纳的关键下一步。