基于距离图和记忆网络的半监督心脏视频运动流与心肌应变估计算法

研究人员针对心脏MRI序列中仅有少量帧具有分割标签的问题，提出了一种新型半监督运动估计算法。该研究通过利用舒张末期距离图加权损失函数，结合记忆网络架构迭代聚合运动信息，在271例患者数据集上实现了0.95mm的终点误差（EPE），较RAFT方法提升20.2%。研究创新性地将Transformer层与卷积网络结合，在左心室径向应变（Sr）和圆周应变（SCt）计算中分别达到0.83和0.90的相关系数，为心脏功能评估提供了更精准的量化工具。

　　

心脏疾病诊断领域长期面临一个关键挑战：如何在仅有个别标注帧的心脏MRI序列中，准确量化心肌运动与形变。传统方法要么依赖大量标注数据导致临床应用受限，要么因缺乏监督而精度不足。特别在评估心肌应变（Myocardial Strain）——这个反映心肌收缩功能的核心指标时，现有技术往往难以兼顾时序连续性和边界准确性。

上海交通大学医学院附属瑞金医院的研究团队在《Computers in Biology and Medicine》发表的研究中，创新性地将距离图（Distance Map）与记忆网络（Memory Network）相结合，开发出半监督运动估计算法。该研究利用临床常见的1.5T MRI数据，仅需舒张末期（ED）和收缩末期（ES）的分割标签，就能实现全周期运动追踪，在271例包含健康人、家族性高胆固醇血症和主动脉瓣狭窄患者的多中心数据集中验证了有效性。

研究采用三项关键技术：1）通过距离图加权损失函数强化心肌边界特征学习；2）构建双编码器（查询编码器enc_Q和记忆编码器enc_M）架构迭代更新运动流；3）引入Transformer层处理低分辨率特征实现跨帧信息融合。主要发现包括：1）在运动追踪方面，终点误差（EPE）达1.02±0.20mm，显著优于RAFT的1.19mm（p<0.0001）；2）应变分析显示，左心室整体径向应变（S_r）和圆周应变（SC_t）相关系数分别达0.83和0.90；3）距离图指数k的优化使心肌边界区域的跟踪精度提升37%。

【方法创新】研究团队设计了独特的迭代运动聚合机制：每个时间步t，网络基于前一帧运动F_1,t-1计算残差运动，通过ConvGRU模块保持时序一致性。距离图δ^k通过sigmoid导数变换（公式11）生成权重矩阵，重点优化心内膜边界区域。

【结果验证】1）在ED-ES相位追踪中，F1-all指标较传统方法提升15.6%；2）应变曲线相关性分析显示，该方法在右心室圆周应变（RV SC_t）计算中达到0.91的相关系数；3）消融实验证实，结合ED距离图可使EPE从1.02mm进一步降至0.95mm。

这项研究的临床价值主要体现在三个方面：首先，通过半监督策略大幅降低对标注数据的依赖，使算法更适应实际临床场景；其次，创新的运动流聚合机制为心脏力学分析提供了时序连贯的量化工具；最后，距离图加权方法为医学图像处理中的关键区域优化提供了新思路。该成果尤其对心肌梗死和心力衰竭患者的早期心功能评估具有重要应用前景。