基于分割引导的多尺度超声心脏组织修复框架：实现解剖结构一致性的医学图像重建

针对超声心动图中复杂解剖结构修复的难题，研究人员提出分割引导的医学超声修复框架（SMUI），通过整合分割边缘先验、多尺度混合残差块（MSM-RB）和可变形边缘注意力机制（DEA），显著提升了大面积遮挡区域的修复效果，在CAMUS和EchoNet-Dynamic数据集上PSNR、MAE、SSIM指标全面超越现有方法，为临床诊断一致性提供新工具。

　　

在心血管疾病诊断中，超声心动图因其无创、实时和低成本优势成为首选工具。然而，受成像原理限制，心脏组织常因噪声、伪影或均质区域遮挡出现结构模糊甚至缺失。传统修复方法依赖数学迭代模型，易产生重复纹理；深度学习虽取得进展，但面临边缘信息丢失、大区域修复失真等挑战。尤其当使用Canny/Sobel算子提取边缘时，噪声敏感性和不可见结构捕捉缺陷导致修复结果缺乏解剖合理性。

为解决这些问题，国内某高校团队在《Biomedical Signal Processing and Control》发表研究，提出分割引导的医学超声修复框架（SMUI）。该研究通过分割网络f_θ^seg(·)提取心脏结构s?，生成抗噪边缘图e指导修复；设计多尺度混合残差块（MSM-RB）结合局部卷积与快速傅里叶卷积（FFC）增强大区域修复能力；引入可变形边缘注意力（DEA）机制补偿下采样中的边缘损失。关键技术包括：1）基于CAMUS和EchoNet-Dynamic数据集的超声图像分割；2）边缘先验与掩膜图像的五通道融合；3）DEA模块的动态感受野调整；4）多尺度特征融合的MSM-RB架构。

Learnable image inpainting methods
研究对比了LaMa等先进方法，指出传统频率域转换和Transformer在医学图像特异性修复中的局限性。

Overview
SMUI框架通过算法1实现：输入掩膜图像x⊙m，经分割网络获得s?后提取边缘e，与原始数据拼接为x′。实验显示，分割边缘比直接提取的Canny边缘噪声降低47%。

Dataset
在CAMUS（800例）和EchoNet-Dynamic（10,000帧）数据集上验证，覆盖多种心脏病理状态。

The contributions of individual components
消融实验表明：引入分割边缘使PSNR提升2.1dB；DEA机制减少32%边缘模糊；MSM-RB对大区域（>30%面积）修复的SSIM提高0.15。

Conclusion
该研究突破传统CNN感受野限制，通过解剖结构引导实现心脏组织的生物学合理性修复。DEA机制有效平衡边缘保留与噪声抑制，MSM-RB的频-空域特征融合为医学图像修复提供新范式。临床验证显示，修复结果使不同医师诊断一致性提高28%，对心肌梗死和瓣膜病变的早期识别具有重要价值。

CRediT authorship contribution statement
Honghe Li主导算法设计；Jinzhu Yang负责项目规划；Mei Wei完成可视化验证；Mingjun Qu参与方法优化；Yong Feng提供临床数据支持。

Declaration of competing interest
作者声明无利益冲突。

Acknowledgments
研究受国家自然科学基金（U22A2022）和111计划（B16009）资助。