11、心内超声心动图轮廓分割：知识融合与深度学习的应用

心内超声心动图轮廓分割：知识融合与深度学习的应用

1. 引言

心房颤动（AF）是一种常见的心律失常疾病，影响着欧洲和北美约 2% - 3%的人口。导管消融是治疗 AF 的一种方法，在这个过程中，心内超声心动图（ICE）常被用于引导干预。然而，2D ICE 存在局限性，难以充分观察心脏的 3D 解剖结构，这给电生理学家和自动多组件轮廓分割算法带来了挑战。

2. 现有方法的局限性

目前，2D 超声心动图分割方法主要集中在单个心腔，如左心室或左心房，旨在区分血液组织和心内膜结构。但对于多个心脏组件，由于边界难以清晰识别，这些方法可能失效。直接应用现有的深度卷积神经网络（CNN）模型对 2D ICE 图像进行分割，效果也不尽如人意，尤其是对于观察较少的肺静脉。

3. 提出的方法

3.1 方法概述

提出的方法由三部分组成：
1. 3D 稀疏体积形成 ：利用 3D 几何知识，基于 2D ICE 图像形成 3D 稀疏体积。
2. 3D 稀疏体积分割和完成 ：设计一个多任务 3D 网络，同时进行跨模态体积完成和稀疏体积分割。
3. 2D 轮廓细化 ：结合原始 2D ICE 图像和从生成的 3D 掩码投影得到的 2D 掩码，设计网络细化 2D 分割结果。

3.2 3D 稀疏体积形成

输入一组 2D ICE 图像，每个图像包含部分心脏，并带有来自磁定位系统的 3D 位置信息。使用位置信息将所有 2D ICE 图像映射到 3D 空间，形成稀疏 I