基于神经常微分方程动态建模的超声心动图视频时序一致性分割方法Echo-ODE

这篇研究提出了一种创新框架Echo-ODE，通过神经常微分方程（NODE）将心脏建模为动态系统，实现了超声心动图视频的时序一致性分割。该方法在Echo-Dynamic、CAMUS和私有数据集上验证了其准确性，并显著提升了时间稳定性（Temporal Consistency, TC），为心律失常等复杂场景下的心脏功能评估（如LVEF计算）提供了可靠的全自动化分析工具。

　　

引言

超声心动图分割在临床诊断中具有关键作用，但传统方法面临时序一致性的挑战。现有主流CNN模型虽能实现单帧精准分割，却难以保证视频连续帧的稳定性。Echo-ODE创新性地将心脏视为动态系统，利用神经常微分方程（NODE）建模时空关系，输出连续预测，解决了这一瓶颈问题。

方法与模型架构

神经常微分方程基础

NODE通过状态变量ξ(t)的微分方程?ξ/?t = f_θ(ξ(t), t)描述系统演化，结合ODESolver实现任意时间点的状态计算。Echo-ODE采用编码器-解码器结构：

1. 1.

   编码器：卷积网络提取空间特征，结合GRU-ODE模块捕获时序依赖；

2. 2.

   动态建模：通过反向时间积分获取初始状态h_s0，融合心脏整体动态信息D；

3. 3.

   解码器：NODE生成连续隐藏状态，通过目标解码器输出分割结果，并引入自监督重建分支增强表征学习。

关键技术突破

• •

  动态自适应导数函数：将心脏动态信息D嵌入导数计算，实现视频特异性建模；

• •

  密集输出：利用ODESolver的插值特性，支持稀疏输入下的连续预测；

• •

  跳跃连接：重建解码器与目标解码器间的跨路径连接保留高分辨率特征。

实验结果

私有数据集验证

• •

  分割性能：在LV、LA等6个心脏结构上，Echo-ODE平均Dice达0.730，与UNet（0.736）相当，但RVAW分割显著优于传统方法（Dice提升0.12）；

• •

  时序一致性：TC指标较UNet降低20.28%，相邻帧分割波动显著减少（图3）；

• •

  下游任务：相位检测（ED/ES帧识别）误差仅1.21帧，优于ConvLSTM（1.56帧）；

• •

  抗干扰能力：对心律失常病例的Dice下降幅度最小（0.011 vs. ConvLSTM的0.026）。

公共数据集测试

在CAMUS上，Echo-ODE的Temporal Dice一致性指标（TCD）接近人工标注水平（0.083 vs. 0.081），且分布更集中（图6）。

讨论与展望

Echo-ODE的创新性体现为：

1. 1.

   生物动力学建模：将心脏收缩/舒张过程转化为微分方程，增强可解释性；

2. 2.

   计算效率：通过稀疏采样和密集输出减少资源消耗；

3. 3.

   多任务扩展：成功应用于心室维度测量（LVID误差2.4mm）。

未来需解决低层特征丢失问题，并探索ODESolver优化对性能的影响。该框架为心脏超声分析提供了新范式，其动态建模思想可延伸至其他医学时序数据领域。

（注：全文严格依据原文实验数据与结论，未添加主观推断）