基于Mamba架构与光流特征的3D自由手超声重建网络UltrasOM研究

为解决自由手超声扫描中因缺乏追踪设备导致的运动估计不准确问题，天津大学团队提出了一种结合Mamba架构与光流特征的3D超声重建网络UltrasOM。该研究通过多帧序列建模和动态特征融合，显著降低了长序列重建的累积误差（FDR降至10.24%），为无标记医学影像重建提供了新范式。

　　

超声成像因其安全、便携和实时性优势，已成为临床诊断的重要工具。然而，传统二维（2D）超声依赖医生经验进行三维（3D）结构重建，而现有3D超声系统又面临探头成本高、机械扫描笨重或依赖外部追踪设备等问题。自由手扫描虽灵活，但缺乏空间位姿信息会导致重建体积变形或伪影。针对这一挑战，天津大学团队在《Computer Methods and Programs in Biomedicine》发表研究，提出基于Mamba架构的UltrasOM网络，通过融合光流动态特征与序列建模能力，实现高精度无标记3D超声重建。

研究采用三项关键技术：1）融合多帧光流与原始图像的视频嵌入模块，增强运动特征表达；2）基于Mamba的时空注意力模块（Space-Time Blocks），捕捉长序列全局依赖；3）引入运动速度损失（L_speed）和相关损失（L_corr）提升泛化性。实验使用200例志愿者前臂超声视频（58,011帧）验证性能。

主要结果

1. 性能对比：UltrasOM在漂移率（FDR, 10.24%）、帧间距离误差（DE, 7.34 mm）等指标上均超越现有方法（如DC²-Net）13%以上，证明长序列建模的有效性。
2. 序列长度分析：输入帧数从2增至8时，重建误差显著降低，证实多帧上下文信息可抑制累积误差。
3. 消融实验：光学流与Mamba模块的协同作用使HD（Hausdorff距离）降低3.57%，凸显动态特征与时空建模的互补性。

结论与意义
该研究首次将Mamba架构引入超声重建领域，通过光学流与序列建模的深度融合，解决了自由手扫描中长序列依赖建模的难题。UltrasOM无需外部追踪设备即可实现亚毫米级精度重建，为低成本、高灵活性的3D超声诊断提供了新方案。未来可扩展至心脏、胎儿等动态器官成像，推动智能超声设备的临床应用。