基于深度學習的心臟左心室運動狀態估計

摘要：在心臟疾病診斷中，左心室結構的精確分析至關重要。傳統方法在圖像分割和配準環節存在局限性，而深度學習方法顯著提升了性能。UNet3+網絡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，為醫生提供更可靠的診斷依據，尤其在評估左心室容積和射血分數時表現優異。此外，VoxelMorph網絡通過無監督學習實現高效圖像配準，消除不同時間點或設備采集的圖像差異，支持疾病進展的精準追蹤。實驗結果顯示，結合UNet3+與Vox?elMorph網絡聯合應用，不僅提升了分割與配準精度，還保證了多模態圖像分析結果的一致性，為臨床診斷提供更可靠的支持。深度學習方法用于優化心臟疾病的早期診斷、病情評估和療效跟蹤，具有重要的臨床應用價值。

關鍵詞：運動狀態估計；圖像分割；圖像配準；UNet3+網絡；VoxelMorph網絡

中圖分類號：TP391文獻標識碼：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導致死亡和殘疾的主要原因之一，尤其在中國，其高發率和嚴峻形勢已成為公共健康的重大挑戰。《中國心血管健康與疾病報告2022》概要顯示，我國心血管病患者數量高達3.3億，占全國總人口近四分之一。這一數據不僅揭示了心血管疾病的廣泛流行，也凸顯了其在公共衛生領域帶來的沉重負擔。心血管疾病的早期診斷和精準治療對于改善患者預后、降低醫療成本具有重要意義。在這一背景下，醫學影像技術作為心血管疾病診斷的核心工具，正發揮著越來越重要的作用。

醫學影像能夠為醫生提供直觀且信息豐富的診斷依據，尤其是在心臟疾病的評估中，左心室的結構和功能分析至關重要。左心室作為心臟的主要泵血腔室，其形態和運動狀態的準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，心臟解剖結構和生理功能的個體差異顯著，傳統方法在處理復雜病例時往往面臨精度不足和效率低下的問題。因此，利用深度學習方法對左心室圖像進行精確分割與有效配準是重要的研究目標。

近年來，深度學習技術在醫學圖像處理領域取得了突破性進展，為心臟圖像的分割與配準提供了新的解決方案。深度學習憑借其強大的數據建模和分析能力，能夠從海量醫學圖像中自動提取特征，并實現對復雜解剖結構的高精度分割。例如，基于卷積神經網絡的U-Net模型在醫學圖像分割中表現出色[1]。此外，深度學習在圖像配準中的應用也顯著提升了多幅圖像對齊的精度和效率，為左心室運動狀態的準確估計奠定了基礎。

心臟圖像分割是心血管疾病診斷的關鍵步驟。

通過精確分割左心室區域，醫生可以定量評估心腔容積、射血分數等重要參數，從而判斷心臟功能是否正常。傳統分割方法通常依賴于手工特征提取和規則設計，不僅耗時耗力，而且在處理復雜病例時容易受到噪聲和個體差異的影響。相比之下，深度學習方法能夠自動學習圖像特征，適應不同的解剖結構和成像條件，顯著提高了分割的準確性和魯棒性[2]。

心臟圖像配準則是左心室運動估計的重要組成部分。配準的目標是通過特定的空間變換，將多幅心臟圖像對齊到同一坐標系，以便進行比較和分析。傳統的配準方法通常基于優化算法，計算復雜度高且難以處理大形變情況。而基于深度學習的配準方法能夠通過學習圖像間的非線性映射關系，實現高效且精確的配準，為左心室運動分析提供了可靠的技術支持。

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，由于心臟運動的復雜性和個體差異，傳統方法在運動估計中往往面臨精度不足的問題。深度學習技術的引入為這一領域帶來了新的機遇，通過結合分割和配準結果，可以構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習方法，實現對心臟左心室圖像的精確分割與配準，進而準確估計其運動狀態。這一方法不僅有望提高心血管疾病的診斷準確率，還能為臨床治療和預后評估提供科學依據，推動醫學影像技術在心血管領域的深入應用。

1心臟左心室運動狀態估計

心臟左心室運動狀態估計的準確性同時依賴于圖像分割和圖像配準兩大模塊。圖像分割提供左心室的結構信息，圖像配準則捕捉其動態運動軌跡。二者既相互獨立，又緊密關聯。分割為配準提供基礎輸入，而配準的結果可以進一步優化分割的精度。只有通過二者的協同作用，才能保證后續運動狀態參數的準確計算，從而為心臟功能的評估提供可靠依據。

1.1基于UNet3+的圖像分割

本文采用UNet3+網絡[3]實現心臟左心室圖像分割。UNet網絡[4]的核心是編碼器—解碼器的U形結構和跳躍連接，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++網絡[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+網絡在此基礎上進一步改進，引入全尺度跳躍連接和深度監督機制，顯著提升了多尺度特征的利用效率，彌補了UNet++的不足。UNet3+的網絡結構可以看作一個多層次的U型架構，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表示深度監督（DeepSupervision）。

1.2基于VoxelMorph的圖像配準

VoxelMorph網絡[6]是一種專門針對醫學圖像配準設計的深度學習框架，其核心優勢在于結合了無監督學習與3D卷積神經網絡架構的優點，實現高效且精準的圖像配準。通過無監督學習，VoxelMorph無須依賴成對的標注數據，而是通過優化固定圖像與待配準圖像之間的相似性度量來驅動模型訓練，顯著降低了數據標注成本并增強模型的泛化能力。同時，其采用的3D卷積神經網絡能夠充分捕捉三維醫學圖像的空間信息，精確建模復雜的形變場，避免了傳統2D方法中切片間信息丟失的問題。通過這種結合，Voxel?Morph能夠在無須標注數據的情況下，快速生成高質量的形變場，并利用STN[7]對圖像進行像素級重塑，最終實現圖像配準。VoxelMorph網絡的結構如圖2所示。該網絡具有高效、靈活且不需要大量標簽數據的特點，在醫學影像分析等領域具有廣泛應用前景。

2心臟運動估計的實驗數據集及評價指標

2.1實驗數據集

ACDC（AutomaticCardiacDiagnosisChallenge）數據集[8]是MICCAI2017挑戰賽所采用的數據集，數據集中每個病例都包含一個心臟周期的4DNIfTI格式圖像，并標注了舒張期與收縮期幀，所有數據和標注均公開。該數據集主要用于心臟動態磁共振成像（cine-MRI）中的左心室（LV）、右心室（RV）和心肌（Myo）分割任務。ACDC數據集共包含150個病例，通常被劃分為100例的訓練集和50例的測試集。數據集中，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）、肥厚型心肌病（HCM）和右室異常（ARV），每類各有30例。具體來說，每個子類在訓練集中有20例，在測試集中有10例。本文使用ACDC數據集的左心室部分。

2.2評價指標

在醫學圖像分割領域，特別是在心臟MRI圖像分割研究中，準確的分割評價指標是衡量算法性能不可或缺的關鍵。本文利用混淆矩陣定義分割中出現的四種結果，其中，網絡正確預測為正樣本的像素數記作TP，正確預測為負樣本的像素數記作TN，錯誤地將負樣本預測為正樣本的像素數記作FP，錯誤地將正樣本預測為負樣本的像素數記作FN。本文采用Dice系數和MIoU作為分割的評價指標，式（1）和式（2）為對應評價指標的定義。

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

3心臟左心室運動狀態估計實驗結果

3.1基于UNet3+的圖像分割結果

本文采用UNet3+網絡對心臟左心室圖像進行分割，并通過Dice系數與IoU兩個關鍵指標量化分割性能。實驗結果表明，UNet3+網絡在測試集上實現了Dice系數0.90788和IoU值0.84432，表明其分割結果具有高度的準確性和可靠性。Dice系數0.90788意味著預測的左心室區域與真實標注的重疊率超過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進一步驗證了網絡在區分左心室與其他結構方面的優異性能。IoU值超過0.84的分割結果可顯著降低誤判風險，確保分割結果在臨床應用中的可信度。這兩個評估指標均處于較高水平，充分證明了UNet3+網絡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、真實標簽和采用UNet3+網絡得到的分割結果。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簽依賴于人工標注，清晰界定了左心室區域。從圖5基于UNet3+網絡的分割結果中可觀察到，分割出的左心室邊緣整體貼合真實標簽，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簽存在細微差異。如在第一列中，左心室心尖部的真實標簽更加平滑連續，而分割結果則出現鋸齒狀。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果顯示的心肌厚度比真實標簽略厚。但總體分割結果處于可接受的合理范圍內，不影響對心臟左心室結構輪廓的界定與判斷。通過網絡對左心室位置與形態的捕捉，可進行心臟功能評估，臨床醫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。通過精準分割左心室，能夠幫助醫生及時發現左心室在形態、大小、心壁厚度等方面的細微變化，在臨床應用中輔助診斷，具有重要的價值和意義。

3.2基于VoxelMorph的圖像配準結果

圖6左側為原始圖像，中間圖顯示運動效應，右側圖為基于VoxelMorph生成的形變場，直觀反映了圖像間的位移情況。左側的原始圖像展示了物體或場景在某一時刻的靜態狀態，作為參考圖，用于與后續圖像進行對比，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歷某種運動或形變后的狀態。與原圖相比，運動后圖像可能發生了位移、旋轉、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特性。右側的形變圖像則是Voxel?Morph網絡根據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，其核心優勢在于對小位移和細微旋轉等復雜變形的精準處理。

VoxelMorph網絡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定性與精度。在處理小位移時，其端到端的深度學習框架能夠捕捉亞像素級位移，避免了傳統方法因梯度消失或噪聲干擾導致的精度損失。針對局部旋轉（如心臟瓣膜的微小扭轉），VoxelMorph網絡能夠通過學習全局與局部形變場的聯合表示，確保旋轉形變的高魯棒性，即使旋轉角度極小，也能保持高精度。此外，網絡引入正則化約束，在平衡形變場平滑性與細節保留能力方面表現優異，即便面對復雜的非剛性形變，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。這一特性在心臟運動狀態估計等醫學圖像分析領域具有重要意義，為相關研究提供了可靠的技術支撐。

4結論

本文圍繞心臟左心室運動狀態估計任務，提出了一種基于深度學習的醫學影像分析框架，核心創新體現在心臟左心室圖像分割與配準兩個環節。在圖像分割方面，采用UNet3+網絡，通過全尺度跳躍連接與深度監督機制，有效融合多尺度特征信息，顯著提升了分割精度；在圖像配準方面，基于VoxelMorph網絡，借助優化后的3D卷積神經網絡架構，實現了無須大量標注數據的高效、精準形變場生成。ACDC數據集的實驗結果表明，UNet3+網絡在心臟左心室分割任務中，Dice系數與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網絡的表現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化等方面進一步優化空間。

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，伊力亞爾·加爾木哈買提.基于深度學習的醫學圖像分割綜述[J].電腦知識與技術，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[J].河北大學學報（自然科學版），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].西北大學學報（自然科學版），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[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

【通聯編輯：唐一東】