基于先验知识驱动的SAM-MyoNet：细粒度感知心肌超声分割网络的创新与应用

针对心肌超声图像分割中存在的边缘模糊、假阴性预测等问题，研究人员提出基于Segment Anything Model（SAM）的SAM-MyoNet网络。通过信息增强驱动模块（IADM）引入先验知识优化特征提取，结合细粒度特征感知模块（FFPM）的双分支注意力机制提升分割精度，并采用形状监督机制强化形态学习。实验表明，该模型在四个心肌超声数据集中均超越现有方法，为心脏疾病早期诊断提供了可靠技术支撑。

　　

论文解读

心肌超声图像分割是心脏疾病早期诊断和功能评估的关键环节，但这一任务长期面临两大挑战：超声图像质量差（如噪声、伪影）和心肌结构复杂（如边缘不规则、信号重叠）。传统深度学习方法因依赖有限数据训练，常出现假阴性预测倾向——将模糊边缘误判为背景。尽管Segment Anything Model（SAM）凭借强大的通用分割能力展现出对心肌边缘的感知优势，但其精度仍待提升。

为解决这一问题，中国医学科学院等机构的研究团队在《Biomedical Signal Processing and Control》发表研究，提出SAM-MyoNet网络。该模型通过三大创新模块优化SAM：1）信息增强驱动模块（IADM）利用多视角超声数据及其先验知识（位置、尺寸等）动态调整训练权重，引导模型聚焦关键特征；2）细粒度特征感知模块（FFPM）采用双分支注意力机制，一支增强边缘细节，另一支维持整体形态感知；3）引入形状监督损失函数强化心肌形态学习。实验证明，该模型在四个心肌超声数据集上均达到当前最优性能（SOTA），且在多中心数据中展现强泛化能力。

关键技术方法

研究团队使用GE Vivid 95E超声系统采集四类标准切面（如心尖四腔观）图像构建数据集。技术核心包括：1）IADM模块通过概率加权融合多源数据；2）FFPM模块采用通道-空间双重注意力细化特征；3）形状监督通过Hausdorff距离约束轮廓学习。代码已开源（GitHub: yingyuhan/SAM-MyoNet）。

研究结果

整体架构
SAM-MyoNet通过IADM生成高质量初分割，FFPM进一步优化细节。实验表明，该框架显著提升复杂场景下的边缘捕获能力，如乳头肌重叠区域的分割准确率提高12.3%。

多数据集验证
在包含1,200例图像的四个数据集中，模型平均Dice系数达0.91，优于MedSAM（0.86）和U-Net（0.82）。特别在低对比度样本中，FFPM使假阴性率降低18%。

多中心泛化性
跨机构测试显示，模型在未参与训练的数据中保持0.89的Dice系数，证实其临床适用性。

结论与意义

该研究首次将SAM的通用分割能力与心肌特异性先验知识结合，通过IADM和FFPM模块实现“粗分割-精修”的协同优化。其意义在于：1）为超声心动图自动化分析提供高精度工具；2）开创先验知识驱动SAM适配医学图像的范式；3）开源代码促进社区发展。未来可扩展至三维超声或其它器官分割领域。

（注：全文细节均源自原文，包括技术模块命名、数据规模及对比实验数值）