编辑推荐：
医学影像标注数据匮乏制约 AI 在心力衰竭预测的应用。本研究针对此，探索自监督学习（SSL）在心脏超声分析的潜力，采用 DINO+STEGO 网络生成 “分割块”（parcels）。结果显示该方法鲁棒、可解释，为解决标注难题提供新路径。
心脏超声检查是评估心功能的重要手段，但传统 AI 模型依赖大量标注数据，而医学影像标注需专业医师耗时完成，尤其罕见病数据稀缺。同时，模型可解释性不足阻碍临床信任，如何在少标注甚至无标注情况下实现精准分析成为领域难题。为突破这一困境，国外研究团队开展了自监督学习在心脏超声领域的探索，相关成果发表于《Computers in Biology and Medicine》。
研究团队采用视觉 Transformer（ViT）架构的 DINO（self-DIstillation with NO labels）模型作为主干网络，结合改进的 STEGO（Self-supervised Transformer with Energy-based Graph Optimisation）网络，构建 STRAPTOR 模型。利用 EchoNet-Dynamic 和 CAMUS 数据集，通过自监督学习生成 “分割块”（parcels），即心脏解剖子区域的自分割输出，并验证其在不同患者和心动周期的鲁棒性与可解释性。
关键技术方法
- 主干网络与分割头：使用 DINO 预训练 ViT 提取特征，结合 RAPTOR（改进 STEGO）生成 parcels，通过对比学习优化特征空间，无需人工标注。
- 数据与评估：采用 EchoNet-Dynamic（10,030 例心尖四腔观序列）和 CAMUS（450 例心尖四腔 / 二腔观序列），以 Dice 系数评估分割性能，加权 kNN 分类心脏视图。
- ** parcel-to-segment 转换 **：通过重叠阈值、种群分数等参数筛选 parcels，结合主动轮廓模型优化分割边缘，实现解剖结构的精准界定。
研究结果
5.1 分割块稳定性
对比 k-means 聚类，RAPTOR 生成的 parcels 在不同患者和心动周期中位置稳定，89% 的左心室区域 parcels 保持固定，且与解剖标志（如心尖、瓣膜）高度吻合。临床专家验证其可解释性，为白盒模型设计提供基础。
5.2 超声图像分割
- DINO 训练策略：在 EchoNet-Dynamic 上预训练的 DINO+RAPTOR（K=64）表现最佳，左心室 Dice 分数达 80.11±8.53（ES 期）和 81.81±6.58（ED 期），接近半监督模型性能。
- 跨模态泛化：ImageNet 预训练 DINO 在心脏超声中展现一定泛化能力，但域内训练（EchoNet-Dynamic）仍为最优，提示结合通用与专用数据的潜力。
- 变换敏感性：EchoNet 训练模型对旋转、翻转敏感，而 ImageNet 训练模型更鲁棒，揭示性能与鲁棒性的权衡。
5.3 逐帧视图分类
基于 parcels 归一化面积的 5-kNN 分类器在 CAMUS 数据集实现 88.5% 总体准确率，其中心尖四腔观（A4C）达 93%，表明 parcels 特征可有效区分心脏视图。
结论与讨论
本研究通过自监督学习生成可解释的心脏 parcels，突破传统监督学习对标注数据的依赖，为罕见病分析和小数据集任务提供新范式。STRAPTOR 模型结合 ViT 和对比学习，不仅实现媲美半监督模型的分割性能，且 parcels 可直观反映解剖结构，增强临床信任。尽管在小结构分割和极端变换下仍有提升空间，但该方法为 AI 在医学影像的可解释性、鲁棒性和泛化性提供新方向，有望推动精准医疗和跨中心研究的发展。未来可探索结合更多模态数据、优化模型架构以捕捉细微结构，并深化 parcels 在下游任务的应用潜力。
