《Bioengineering》：Protect the Brain When Treating the Heart: Feasibility of 2.5D U-Net for Real-Time Gaseous Microemboli Detection
编辑推荐：
气体微栓塞（Gaseous Microemboli，GME）是心脏结构介入手术（包括外科与经导管途径）中常见的并发症。术中经食管超声心动图（Transesophageal Echocardiography，TEE）是监测和可视化循环GME存在的便捷方法。然而，
气体微栓塞（Gaseous Microemboli，GME）是心脏结构介入手术（包括外科与经导管途径）中常见的并发症。术中经食管超声心动图（Transesophageal Echocardiography，TEE）是监测和可视化循环GME存在的便捷方法。然而，由于依赖操作者的切面、高速度以及背景中存在结构相似物体，其检测与量化远非易事。研究人员提出一项基于2.5D U-Net架构的可行性研究，用于在时空连通数据中检测GME。研究人员将此种架构应用于8段TEE记录（60 fps，600×800像素）的试点数据集，这些记录来自8名接受心脏手术的不同患者，相较于经典斑点检测算法和2D U-Net，该架构在运动GME与背景的区分上有所改善，同时相对于更复杂的深度学习架构保持了实时执行速度。在留一患者交叉验证（leave-one-patient-out cross-validation）下，所选模型在三像素半径容差宽限期（radius-tolerant grace-zone）评价中取得较强检测性能，精确率（precision）为92.55%，召回率（recall）为80.54%，对应的半径容差交并比（Intersection over Union，IoU）和Dice系数分别为73.95%和84.13%。作为补充，严格基于像素的分割指标IoU为41.74%，Dice系数为57.98%。所选模型在测试硬件上每批次平均推理时间低于实时阈值。为评估对未见数据的特异性，研究人员还在外部GME阴性TEE数据集上评估了该模型，其产生主要为空或近空掩码，表明虚假检测率低。这些结果支持了实时GME分割的技术可行性，尽管仍需在更大的多患者、多中心数据集上进行更广泛的临床验证。
研究背景方面，心脏结构介入（外科与经导管）因意外引入固体或气体栓塞而伴随显著神经风险，其中由环境空气构成的气体微栓塞（Gaseous Microemboli，GME）再吸收慢，可滞留脑血管导致沉默性梗死与认知缺陷。现有经颅多普勒超声与弥散加权MRI仅能提供术后检测，缺乏术中实时性。经食管超声心动图（Transesophageal Echocardiography，TEE）便于术中监测，但GME体积小、形态不规则、与心肌灰度相似且易混于散斑伪影，纯外观检测不可靠，自动检测软件缺失。为此，研究人员开展技术可行性研究，目标是利用短时时间信息在实时约束下分割GME并估算帧级面积。
关键技术方法上，研究人员构建8例心脏手术患者CPB（Cardiopulmonary Bypass，体外循环）脱机期Philips Epiq TEE录像（60 fps，600×800像素）试点队列，用自研AirCatch工具手动标注并由心脏外科专家审核，辅以事后观察者间一致性分析；采用轻量2.5D U-Net，输入连续两帧灰度图（history length lh=2）以引入运动线索，与2D U-Net、经典Fiji/TrackMate阈值及LoG（Laplacian of Gaussian）对照；训练采用二分类交叉熵、Adam、50 epoch、batch=10；评价除严格像素IoU与Dice外，提出频率偏置指数（Frequency Bias Index，FBI）估面积偏差，并设三像素半径容差宽限期（radius-tolerant grace-zone）评价检测；外部验证用公开SR-TEE阴性队列（4394实采+15825合成帧）；部署端通过USB 3.0采集卡接笔记本，三管线并行（推理、EMA面积估计、可视化），批处理10帧。
研究结果部分，引言指出GME神经危害与术中实时反馈价值，明确贡献为标注工作流、轻量2.5D U-Net、原型监测管线三项。相关工作综述FCN、Mask R-Net、U-Net及2.5D折中动机。数据集构建小节说明运动位移是区分GME与心肌的核心准则，图1红青叠帧示运动线索；自研标注工具支持手动描边与自动选区，30帧事后重标注以5像素质心距匹配得526对匹配、A/B组帧计数强相关（r≈0.98），证明对象级可复现但像素级边界存差异，支撑容差指标必要。神经网络结构小节先以经典LoG/阈值过分割心肌，2D U-Net仍误分背景，2.5D U-Net借双帧运动抑制背景；Algorithm 1描述四象限分批推理再拼回；硬件推荐8GB CUDA GPU+8核CPU，三管线分工保实时；指标小节定义FBI=预测GME像素/真值GME像素×100%，IoU与Dice，以及半径容差邻域Mr=M⊕Dr下重算混淆项。数值结果小节中，5.1节试lh=2/3帧，60 fps下每增一帧约16.7 ms延迟，lh=2已够且loss差<0.01故固定lh=2；5.2节扫ch与lvl，参数>500k后性能平台而时延升，选(8通道,3下采样层)即U-Net(8,3)兼顾FBI≈100%低方差与批时延达标；5.3节留一患者交叉验证显示严格IoU 41.74%/Dice 57.98%，三像素容差下precision 92.55%/recall 80.54%/IoU 73.95%/Dice 84.13%，与更大Attention U-Net、U-Net++差距小，说明瓶颈在独立采集数而非架构；半径敏感分析r=0到r=3跃升最大，r≥3趋稳。5.4节SR-TEE阴性对照中，实采帧50%全空掩码、合成帧29%全空，中位假阳5像素，远超GME阳性子集中位95（预测）/105（真值）像素，证模型不系统误报正常解剖。5.5节实机管线镜像TEE画面，顶部输出物理面积（像素数×单像素物理面积，随探头zoom修正），每10帧EMA（α=0.1）更新，延时<16.7 ms即无堆积。
讨论与结论翻译部分，研究人员指出轻量2.5D U-Net借短时时间上下文改善运动GME与静态心肌判别，且参数量显著少于Attention U-Net与U-Net++而留一交叉验证性能相近，当前低数据下泛化受限主因是独立临床采集少而非架构选择；外部GME阴性集上几乎无假阳，初步证特异性。整体框架朝实时AI辅助栓塞负荷监测推进一步，潜在惠及术中决策与患者安全，但需在更大点多中心GME阳性队列验证。论文发表于《Bioengineering》。
