基于深度学习的超声追踪中心肌应变漂移校正

超声心动图心肌应变是评估心功能的关键生物标志物。近期深度学习方法在心肌运动追踪上表现优异，但常缺乏生理约束，导致整个心动周期内出现时间漂移，追踪点无法在每个周期结束时回到相对初始位置，从而产生不准确的应变估计，某些情况下甚至发散。我们提出一种在心肌追踪过程中补偿漂移的深度学习框架：在先进的超声心动图追踪方法 TAS-Net 基础上引入持久记忆标记，在完整心动周期的滑动窗口之间共享信息；随后通过真实超声心动图数据上的教师—学生微调策略，在保持追踪精度的同时施加生理一致的周期性运动约束。实验显示全局与区域应变漂移减少，与临床参考的一致性提高，重测可重复性改善，有助于临床上更可靠地估计心肌应变。