SAID-Net：基于隐式解码增强的Segment Anything模型在超声心动图序列分割中的应用

来自国内的研究人员针对超声心动图序列分割中复杂心脏解剖结构和微弱超声边界的挑战，创新性地提出SAID框架，将隐式神经表征(INR)与Segment Anything模型(SAM)结合，通过Hiera编码器和Mask Unit Attention解码器提升分割精度。在CAMUS和EchoNet-Dynamics数据集上分别实现93.2% DSC和5.02mm HD95的优异性能，为心脏影像分析提供新范式。

　　

这项突破性研究将计算机视觉领域的Segment Anything模型(SAM)与隐式神经表征(INR)巧妙融合，打造出专攻超声心动图序列分割的SAID-Net框架。面对跳动心脏的复杂三维结构和超声图像特有的噪声干扰，研究团队创新设计了Hiera架构的多尺度特征编码器，配合能捕捉细微边界的Mask Unit Attention解码器。通过正交化处理增强特征多样性，独创的I²Net模块有效解决了特征错位问题。在权威的CAMUS和EchoNet-Dynamics测试中，该系统以93.2%的Dice相似系数(DSC)和5.02毫米豪斯多夫距离(HD₉₅)的优异表现刷新纪录，标志着人工智能在心脏超声分析领域取得重要突破。