编辑推荐：
心脏病严重威胁健康，心脏超声意义重大，LVEF 是评估心功能关键指标。研究人员基于 SAM 开发 EchoSAM 框架，用于超声心动图结构分割和 LVEF 计算。其在多数据集表现优异，能精准分割、计算，为临床诊断提供有力支持。
在当今社会，心脏病已然成为全球范围内严重威胁人类健康的常见疾病之一。心脏超声作为心血管疾病早期筛查、治疗指导、鉴别诊断以及预后评估的重要手段，凭借实时成像、无创操作和床边检查等优势，在临床诊疗中占据着关键地位。而左心室射血分数（LVEF）作为反映心脏收缩功能的核心指标，其精准计算对于临床医生准确判断患者病情、制定科学治疗方案意义非凡。
以往，深度学习技术在获取 LVEF 方面主要有两类方法。一类是直接端到端预测 LVEF，这种方法虽简单直接，但计算过程缺乏可解释性，医生面对异常结果时难以有效干预。另一类则是依据辛普森（Simpson）方法，通过定位心脏关键部位，如心尖和二尖瓣环，再结合左心室（LV）掩码计算 LVEF。不过，这些方法也存在各自的局限。
与此同时，Segment Anything Model（SAM）在自然图像领域展现出强大的零样本分割能力，其卓越的鲁棒性令人瞩目。然而，由于自然图像与医学影像之间存在巨大的领域差异，未经有效适配的 SAM 在医学影像任务中表现欠佳。尽管已有研究尝试对 SAM 进行微调以用于医学图像分割，但针对超声心动图的专项优化仍有待提升。
为突破这些困境，来自国内的研究人员积极开展探索。他们聚焦于超声心动图结构分割与 LVEF 计算这一前沿领域，基于 SAM 创新开发出统一框架 EchoSAM，并将研究成果发表于《Biomedical Signal Processing and Control》 。这一研究成果意义重大，为心脏功能评估提供了更为精准、高效的新途径，有望推动心血管疾病临床诊疗的巨大进步。
研究人员在构建 EchoSAM 模型时，运用了一系列关键技术方法。首先，为从模糊、低对比度的超声图像中提取更具价值的特征，他们解冻了图像编码器，并创新设计了基于浅层特征引导的深度特征提取策略。其次，添加新的关键点解码器用于识别心尖和二尖瓣环位置，同时将掩码解码器输出的 LV 掩码作为辅助特征融入关键点解码器，增强任务间的关联性。此外，考虑到 SAM 对分割对象缺乏类别感知，研究人员采用添加文本提示的方式来识别特定组织结构。在研究过程中，使用了 CAMUS、EchoNet - Dynamic 和 EchoDUT 三个数据集，其中在 CAMUS 数据集按 9:1 划分训练集和测试集，EchoNet - Dynamic 数据集按原规定划分，EchoDUT 数据集仅用于推理，并采用 10 折交叉验证法确保结果可靠性。
下面详细介绍研究结果：
- 模型架构与任务协同：EchoSAM 的基本架构包含结构分割和关键点定位两大任务，二者共享图像编码器模块。在图像编码器中，研究人员着重促进浅层结构特征与深层特征的逐步多层次协作，以此有效捕捉因超声心动图的低对比度、噪声、运动模糊等因素导致变形的组织结构轮廓。
- 数据集评估结果：研究人员利用三个数据集对 EchoSAM 进行评估。在 CAMUS 数据集上，训练集和测试集按 9:1 划分，EchoNet - Dynamic 数据集保持原划分，EchoDUT 数据集用于推理，并采用 10 折交叉验证。结果显示，EchoSAM 在左心室（LV）分割上的 Dice 系数达到 94.03%，在心肌（MYO）分割上的 Dice 系数为 88.48% ，均优于其他先进方法。在 LVEF 计算方面，平均绝对误差（MAE）为 6.39%，均方根误差（RMSE）为 8.56%。
在研究结论与讨论部分，EchoSAM 作为一个创新的统一框架，成功实现了基于 SAM 的超声心动图结构分割与 LVEF 计算一体化。通过自适应特征融合的 U 型特征提取策略，有效丰富了可能缺乏清晰结构边界的超声心动图图像特征，为后续结构分割和功能量化的高精度实现奠定了坚实基础。同时，新设计的关键点解码器显著提升了关键点定位与分割之间的协同性。研究结果表明，EchoSAM 在多个数据集上的表现超越现有方法，展现出良好的临床应用潜力。不过，研究也存在一定的局限性，未来可进一步探索更优化的模型结构和特征提取方式，以提升模型在复杂临床场景下的适应性和准确性，推动超声心动图在心血管疾病诊疗中的更广泛应用。
