摘要：在心臟疾病診斷中，左心室結(jié)構(gòu)的精確分析至關(guān)重要。傳統(tǒng)方法在圖像分割和配準(zhǔn)環(huán)節(jié)存在局限性，而深度學(xué)習(xí)方法顯著提升了性能。UNet3+網(wǎng)絡(luò)通過多層次特征融合和強大的特征提取能力，能夠高精度分割左心室邊界，為醫(yī)生提供更可靠的診斷依據(jù)，尤其在評估左心室容積和射血分?jǐn)?shù)時表現(xiàn)優(yōu)異。此外，VoxelMorph網(wǎng)絡(luò)通過無監(jiān)督學(xué)習(xí)實現(xiàn)高效圖像配準(zhǔn)，消除不同時間點或設(shè)備采集的圖像差異，支持疾病進展的精準(zhǔn)追蹤。實驗結(jié)果顯示，結(jié)合UNet3+與Vox?elMorph網(wǎng)絡(luò)聯(lián)合應(yīng)用，不僅提升了分割與配準(zhǔn)精度，還保證了多模態(tài)圖像分析結(jié)果的一致性，為臨床診斷提供更可靠的支持。深度學(xué)習(xí)方法用于優(yōu)化心臟疾病的早期診斷、病情評估和療效跟蹤，具有重要的臨床應(yīng)用價值。

關(guān)鍵詞：運動狀態(tài)估計；圖像分割；圖像配準(zhǔn)；UNet3+網(wǎng)絡(luò)；VoxelMorph網(wǎng)絡(luò)

中圖分類號：TP391文獻標(biāo)識碼：A

文章編號：1009-3044（2025）20-0035-03

0引言

心血管疾病是全球范圍內(nèi)導(dǎo)致死亡和殘疾的主要原因之一，尤其在中國，其高發(fā)率和嚴(yán)峻形勢已成為公共健康的重大挑戰(zhàn)?！吨袊难芙】蹬c疾病報告2022》概要顯示，我國心血管病患者數(shù)量高達3.3億，占全國總?cè)丝诮姆种?。這一數(shù)據(jù)不僅揭示了心血管疾病的廣泛流行，也凸顯了其在公共衛(wèi)生領(lǐng)域帶來的沉重負(fù)擔(dān)。心血管疾病的早期診斷和精準(zhǔn)治療對于改善患者預(yù)后、降低醫(yī)療成本具有重要意義。在這一背景下，醫(yī)學(xué)影像技術(shù)作為心血管疾病診斷的核心工具，正發(fā)揮著越來越重要的作用。

醫(yī)學(xué)影像能夠為醫(yī)生提供直觀且信息豐富的診斷依據(jù)，尤其是在心臟疾病的評估中，左心室的結(jié)構(gòu)和功能分析至關(guān)重要。左心室作為心臟的主要泵血腔室，其形態(tài)和運動狀態(tài)的準(zhǔn)確評估對于診斷心肌梗死、心力衰竭等疾病具有重要價值。然而，心臟解剖結(jié)構(gòu)和生理功能的個體差異顯著，傳統(tǒng)方法在處理復(fù)雜病例時往往面臨精度不足和效率低下的問題。因此，利用深度學(xué)習(xí)方法對左心室圖像進行精確分割與有效配準(zhǔn)是重要的研究目標(biāo)。

近年來，深度學(xué)習(xí)技術(shù)在醫(yī)學(xué)圖像處理領(lǐng)域取得了突破性進展，為心臟圖像的分割與配準(zhǔn)提供了新的解決方案。深度學(xué)習(xí)憑借其強大的數(shù)據(jù)建模和分析能力，能夠從海量醫(yī)學(xué)圖像中自動提取特征，并實現(xiàn)對復(fù)雜解剖結(jié)構(gòu)的高精度分割。例如，基于卷積神經(jīng)網(wǎng)絡(luò)的U-Net模型在醫(yī)學(xué)圖像分割中表現(xiàn)出色[1]。此外，深度學(xué)習(xí)在圖像配準(zhǔn)中的應(yīng)用也顯著提升了多幅圖像對齊的精度和效率，為左心室運動狀態(tài)的準(zhǔn)確估計奠定了基礎(chǔ)。

心臟圖像分割是心血管疾病診斷的關(guān)鍵步驟。

通過精確分割左心室區(qū)域，醫(yī)生可以定量評估心腔容積、射血分?jǐn)?shù)等重要參數(shù)，從而判斷心臟功能是否正常。傳統(tǒng)分割方法通常依賴于手工特征提取和規(guī)則設(shè)計，不僅耗時耗力，而且在處理復(fù)雜病例時容易受到噪聲和個體差異的影響。相比之下，深度學(xué)習(xí)方法能夠自動學(xué)習(xí)圖像特征，適應(yīng)不同的解剖結(jié)構(gòu)和成像條件，顯著提高了分割的準(zhǔn)確性和魯棒性[2]。

心臟圖像配準(zhǔn)則是左心室運動估計的重要組成部分。配準(zhǔn)的目標(biāo)是通過特定的空間變換，將多幅心臟圖像對齊到同一坐標(biāo)系，以便進行比較和分析。傳統(tǒng)的配準(zhǔn)方法通常基于優(yōu)化算法，計算復(fù)雜度高且難以處理大形變情況。而基于深度學(xué)習(xí)的配準(zhǔn)方法能夠通過學(xué)習(xí)圖像間的非線性映射關(guān)系，實現(xiàn)高效且精確的配準(zhǔn)，為左心室運動分析提供了可靠的技術(shù)支持。

左心室運動估計對于評估心臟健康狀況和診斷心臟疾病具有重要意義。通過分析左心室的收縮和舒張運動，醫(yī)生可以了解心臟的泵血功能是否正常，從而制訂個性化的治療方案。然而，由于心臟運動的復(fù)雜性和個體差異，傳統(tǒng)方法在運動估計中往往面臨精度不足的問題。深度學(xué)習(xí)技術(shù)的引入為這一領(lǐng)域帶來了新的機遇，通過結(jié)合分割和配準(zhǔn)結(jié)果，可以構(gòu)建更加精確的左心室運動估計模型，為臨床診斷和治療提供有力支持。

本研究旨在利用深度學(xué)習(xí)方法，實現(xiàn)對心臟左心室圖像的精確分割與配準(zhǔn)，進而準(zhǔn)確估計其運動狀態(tài)。這一方法不僅有望提高心血管疾病的診斷準(zhǔn)確率，還能為臨床治療和預(yù)后評估提供科學(xué)依據(jù)，推動醫(yī)學(xué)影像技術(shù)在心血管領(lǐng)域的深入應(yīng)用。

1心臟左心室運動狀態(tài)估計

心臟左心室運動狀態(tài)估計的準(zhǔn)確性同時依賴于圖像分割和圖像配準(zhǔn)兩大模塊。圖像分割提供左心室的結(jié)構(gòu)信息，圖像配準(zhǔn)則捕捉其動態(tài)運動軌跡。二者既相互獨立，又緊密關(guān)聯(lián)。分割為配準(zhǔn)提供基礎(chǔ)輸入，而配準(zhǔn)的結(jié)果可以進一步優(yōu)化分割的精度。只有通過二者的協(xié)同作用，才能保證后續(xù)運動狀態(tài)參數(shù)的準(zhǔn)確計算，從而為心臟功能的評估提供可靠依據(jù)。

1.1基于UNet3+的圖像分割

本文采用UNet3+網(wǎng)絡(luò)[3]實現(xiàn)心臟左心室圖像分割。UNet網(wǎng)絡(luò)[4]的核心是編碼器—解碼器的U形結(jié)構(gòu)和跳躍連接，但其跳躍連接僅限于同層特征融合，未能充分利用多尺度信息。UNet++網(wǎng)絡(luò)[5]通過引入嵌套和稠密跳躍連接，增強了編碼器與解碼器之間的多尺度特征融合，但仍存在全尺度特征融合不足的問題。

UNet3+網(wǎng)絡(luò)在此基礎(chǔ)上進一步改進，引入全尺度跳躍連接和深度監(jiān)督機制，顯著提升了多尺度特征的利用效率，彌補了UNet++的不足。UNet3+的網(wǎng)絡(luò)結(jié)構(gòu)可以看作一個多層次的U型架構(gòu)，包含多個編碼器和解碼器層。全尺度跳躍連接模塊（如圖1）的關(guān)鍵在于，解碼器的每一層不僅接收來自同層的編碼器特征，還接收來自其他所有層的特征，從而實現(xiàn)全尺度的特征融合。圖1中，XiEe為第i（i=1，2，...，5）層編碼器（En?coder）輸出的特征圖，XiDe為第i（i=1，2，3，4）層解碼器（Decoder）輸出的特征圖，虛線表示全尺度跳躍連接，每層解碼器的輸出都是由每層編碼器的輸出特征圖融合得到，Sup表示深度監(jiān)督（DeepSupervision）。

1.2基于VoxelMorph的圖像配準(zhǔn)

VoxelMorph網(wǎng)絡(luò)[6]是一種專門針對醫(yī)學(xué)圖像配準(zhǔn)設(shè)計的深度學(xué)習(xí)框架，其核心優(yōu)勢在于結(jié)合了無監(jiān)督學(xué)習(xí)與3D卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)的優(yōu)點，實現(xiàn)高效且精準(zhǔn)的圖像配準(zhǔn)。通過無監(jiān)督學(xué)習(xí)，VoxelMorph無須依賴成對的標(biāo)注數(shù)據(jù)，而是通過優(yōu)化固定圖像與待配準(zhǔn)圖像之間的相似性度量來驅(qū)動模型訓(xùn)練，顯著降低了數(shù)據(jù)標(biāo)注成本并增強模型的泛化能力。同時，其采用的3D卷積神經(jīng)網(wǎng)絡(luò)能夠充分捕捉三維醫(yī)學(xué)圖像的空間信息，精確建模復(fù)雜的形變場，避免了傳統(tǒng)2D方法中切片間信息丟失的問題。通過這種結(jié)合，Voxel?Morph能夠在無須標(biāo)注數(shù)據(jù)的情況下，快速生成高質(zhì)量的形變場，并利用STN[7]對圖像進行像素級重塑，最終實現(xiàn)圖像配準(zhǔn)。VoxelMorph網(wǎng)絡(luò)的結(jié)構(gòu)如圖2所示。該網(wǎng)絡(luò)具有高效、靈活且不需要大量標(biāo)簽數(shù)據(jù)的特點，在醫(yī)學(xué)影像分析等領(lǐng)域具有廣泛應(yīng)用前景。

2心臟運動估計的實驗數(shù)據(jù)集及評價指標(biāo)

2.1實驗數(shù)據(jù)集

ACDC（AutomaticCardiacDiagnosisChallenge）數(shù)據(jù)集[8]是MICCAI2017挑戰(zhàn)賽所采用的數(shù)據(jù)集，數(shù)據(jù)集中每個病例都包含一個心臟周期的4DNIfTI格式圖像，并標(biāo)注了舒張期與收縮期幀，所有數(shù)據(jù)和標(biāo)注均公開。該數(shù)據(jù)集主要用于心臟動態(tài)磁共振成像（cine-MRI）中的左心室（LV）、右心室（RV）和心?。∕yo）分割任務(wù)。ACDC數(shù)據(jù)集共包含150個病例，通常被劃分為100例的訓(xùn)練集和50例的測試集。數(shù)據(jù)集中，這些病例被劃分為5個子類，分別是正常（NOR）、心肌梗死伴隨收縮性心力衰竭（MINF）、擴張型心肌病（DCM）、肥厚型心肌?。℉CM）和右室異常（ARV），每類各有30例。具體來說，每個子類在訓(xùn)練集中有20例，在測試集中有10例。本文使用ACDC數(shù)據(jù)集的左心室部分。

2.2評價指標(biāo)

在醫(yī)學(xué)圖像分割領(lǐng)域，特別是在心臟MRI圖像分割研究中，準(zhǔn)確的分割評價指標(biāo)是衡量算法性能不可或缺的關(guān)鍵。本文利用混淆矩陣定義分割中出現(xiàn)的四種結(jié)果，其中，網(wǎng)絡(luò)正確預(yù)測為正樣本的像素數(shù)記作TP，正確預(yù)測為負(fù)樣本的像素數(shù)記作TN，錯誤地將負(fù)樣本預(yù)測為正樣本的像素數(shù)記作FP，錯誤地將正樣本預(yù)測為負(fù)樣本的像素數(shù)記作FN。本文采用Dice系數(shù)和MIoU作為分割的評價指標(biāo)，式（1）和式（2）為對應(yīng)評價指標(biāo)的定義。

Dice系數(shù)反映了預(yù)測分割區(qū)域與真實分割區(qū)域的重疊程度，取值范圍為0到1，其值越接近1，表示預(yù)測結(jié)果與真實標(biāo)注越相似。MIoU為交并比（IoU）的平均值，用于衡量多個類別分割結(jié)果的平均性能，其值越接近1，表示所有類別的分割質(zhì)量越高。

3心臟左心室運動狀態(tài)估計實驗結(jié)果

3.1基于UNet3+的圖像分割結(jié)果

本文采用UNet3+網(wǎng)絡(luò)對心臟左心室圖像進行分割，并通過Dice系數(shù)與IoU兩個關(guān)鍵指標(biāo)量化分割性能。實驗結(jié)果表明，UNet3+網(wǎng)絡(luò)在測試集上實現(xiàn)了Dice系數(shù)0.90788和IoU值0.84432，表明其分割結(jié)果具有高度的準(zhǔn)確性和可靠性。Dice系數(shù)0.90788意味著預(yù)測的左心室區(qū)域與真實標(biāo)注的重疊率超過90%，僅存在約9.21%的偏差。這一精度可確保左心室容積計算的誤差低于5%，從而顯著提升心臟功能評估的準(zhǔn)確性，對于心肌病等疾病的早期診斷具有重要價值。IoU值0.84432進一步驗證了網(wǎng)絡(luò)在區(qū)分左心室與其他結(jié)構(gòu)方面的優(yōu)異性能。IoU值超過0.84的分割結(jié)果可顯著降低誤判風(fēng)險，確保分割結(jié)果在臨床應(yīng)用中的可信度。這兩個評估指標(biāo)均處于較高水平，充分證明了UNet3+網(wǎng)絡(luò)在心臟左心室精確分割方面的卓越性能，為心血管疾病的精準(zhǔn)診療提供了有力支持。

為了更加直觀地展示分割效果，圖3、圖4和圖5分別給出了心臟的原始圖像、真實標(biāo)簽和采用UNet3+網(wǎng)絡(luò)得到的分割結(jié)果。在圖3的心臟原始核磁共振圖像中，心臟左心室與周圍組織（如心肌、血管）邊界模糊，左心室邊界難以直接分辨。圖4顯示的心臟左心室分割標(biāo)簽依賴于人工標(biāo)注，清晰界定了左心室區(qū)域。從圖5基于UNet3+網(wǎng)絡(luò)的分割結(jié)果中可觀察到，分割出的左心室邊緣整體貼合真實標(biāo)簽，但在一些細微彎曲處或與周圍組織接壤的位置仍與真實標(biāo)簽存在細微差異。如在第一列中，左心室心尖部的真實標(biāo)簽更加平滑連續(xù)，而分割結(jié)果則出現(xiàn)鋸齒狀。此外，在厚度測量上也存在一些細小差別，例如第二列中分割結(jié)果顯示的心肌厚度比真實標(biāo)簽略厚。但總體分割結(jié)果處于可接受的合理范圍內(nèi)，不影響對心臟左心室結(jié)構(gòu)輪廓的界定與判斷。通過網(wǎng)絡(luò)對左心室位置與形態(tài)的捕捉，可進行心臟功能評估，臨床醫(yī)生可依此評估心臟收縮與舒張功能，進而判斷是否存在心肌病變、心力衰竭等心臟功能異常情況。此外，該方法還可用于冠心病、心肌病等心血管疾病的診斷。通過精準(zhǔn)分割左心室，能夠幫助醫(yī)生及時發(fā)現(xiàn)左心室在形態(tài)、大小、心壁厚度等方面的細微變化，在臨床應(yīng)用中輔助診斷，具有重要的價值和意義。

3.2基于VoxelMorph的圖像配準(zhǔn)結(jié)果

圖6左側(cè)為原始圖像，中間圖顯示運動效應(yīng)，右側(cè)圖為基于VoxelMorph生成的形變場，直觀反映了圖像間的位移情況。左側(cè)的原始圖像展示了物體或場景在某一時刻的靜態(tài)狀態(tài)，作為參考圖，用于與后續(xù)圖像進行對比，以觀察形變或運動的效果。中間的運動后圖像給出了物體或場景經(jīng)歷某種運動或形變后的狀態(tài)。與原圖相比，運動后圖像可能發(fā)生了位移、旋轉(zhuǎn)、縮放等變化，這些變化反映出物體或場景在時間和空間上的動態(tài)特性。右側(cè)的形變圖像則是Voxel?Morph網(wǎng)絡(luò)根據(jù)原圖和運動后圖像計算得到的，展示了從原圖到運動后圖像所需的形變場，其核心優(yōu)勢在于對小位移和細微旋轉(zhuǎn)等復(fù)雜變形的精準(zhǔn)處理。

VoxelMorph網(wǎng)絡(luò)通過多尺度特征融合與空間變換模塊，顯著提升了形變場的穩(wěn)定性與精度。在處理小位移時，其端到端的深度學(xué)習(xí)框架能夠捕捉亞像素級位移，避免了傳統(tǒng)方法因梯度消失或噪聲干擾導(dǎo)致的精度損失。針對局部旋轉(zhuǎn)（如心臟瓣膜的微小扭轉(zhuǎn)），VoxelMorph網(wǎng)絡(luò)能夠通過學(xué)習(xí)全局與局部形變場的聯(lián)合表示，確保旋轉(zhuǎn)形變的高魯棒性，即使旋轉(zhuǎn)角度極小，也能保持高精度。此外，網(wǎng)絡(luò)引入正則化約束，在平衡形變場平滑性與細節(jié)保留能力方面表現(xiàn)優(yōu)異，即便面對復(fù)雜的非剛性形變，仍能保持局部一致性。形變圖像中的像素值代表對應(yīng)位置的位移量或形變程度，通過可視化可以直觀觀察形變細節(jié)。這一特性在心臟運動狀態(tài)估計等醫(yī)學(xué)圖像分析領(lǐng)域具有重要意義，為相關(guān)研究提供了可靠的技術(shù)支撐。

4結(jié)論

本文圍繞心臟左心室運動狀態(tài)估計任務(wù)，提出了一種基于深度學(xué)習(xí)的醫(yī)學(xué)影像分析框架，核心創(chuàng)新體現(xiàn)在心臟左心室圖像分割與配準(zhǔn)兩個環(huán)節(jié)。在圖像分割方面，采用UNet3+網(wǎng)絡(luò)，通過全尺度跳躍連接與深度監(jiān)督機制，有效融合多尺度特征信息，顯著提升了分割精度；在圖像配準(zhǔn)方面，基于VoxelMorph網(wǎng)絡(luò)，借助優(yōu)化后的3D卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，實現(xiàn)了無須大量標(biāo)注數(shù)據(jù)的高效、精準(zhǔn)形變場生成。ACDC數(shù)據(jù)集的實驗結(jié)果表明，UNet3+網(wǎng)絡(luò)在心臟左心室分割任務(wù)中，Dice系數(shù)與IoU均達到較高水平，說明其對心臟功能評估、心血管疾病診斷及制定治療方案具有重要意義；VoxelMorph網(wǎng)絡(luò)的表現(xiàn)進一步證明其形變場生成能力能夠為心臟功能評估與疾病診斷提供可靠支持。該方法在未來的臨床推廣、樣本擴展以及算法優(yōu)化等方面進一步優(yōu)化空間。

參考文獻：

[1]2郁02華4，鑫27，（1何0）利：50文-5.3基.于UNet的圖像分割研究[J].軟件工程，

[2]譚健權(quán)，伊力亞爾·加爾木哈買提.基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分割綜述[J].電腦知識與技術(shù)，2024，20（18）：97-99.

[3]cHoUnnAeNctGedHUMN，eLtINforLmF，eTdOicNalGimRaFg，eetseagl.mUeNnetatt3io+n：[aC]f/u/IlCl-AscSaSlPe2S0pe2e0c-h20a2n0dSIiEgnEaElPrIoncteersnsaintigon（IaClACSSoPnf）e.Mreanyce4-o8n，20A20co.Busatricces?，

[4]張lon文a，S悅pa，賈in子.IE彥EE，李，20青2，0等：10.基55于-1R05e9sN.et和UNet的胃癌病理圖像診斷系統(tǒng)[J].河北大學(xué)學(xué)報（自然科學(xué)版），2024，44（4）：433-440.

[5]劉陽洋，耿國華，劉鑫達，等.改進UNet++的瓷器文物顯微氣泡分割[J].西北大學(xué)學(xué)報（自然科學(xué)版），2025，55（1）：129-138.

[6]MBAorLpAh：KaRleISarHnNinAgNfraGm，eZwHoArkOfoAr，dSeAfoBrmUaNbCleUmMedRic，aeltimala.gVeorxeegl??i1s7tr8a8ti-o1n8[J0]0.I.EEETransactionsonMedicalImaging，2019，38（8）：

[7]黨鵬，孟玲，劉勇，等.基于VoxelMorph的可見光和紅外遙感影像配準(zhǔn)[J].智能安全，2023（3）：68-75.

[8]nBiEqRueNsAfRorDaOut，oLmAaLtAicNMDREIAc，aZrOdTiaTcImCu，eltti-als.tDruecetpurleesarsneingmgetenctha??toinonMaenddicadliaIgmnaogsiinsg：i，s20th1e8，3p7ro（1b1le）m：25s1o4lv-e2d5[2J]5..IEEETransactions

【通聯(lián)編輯：唐一東】