本期导读
心功能的精确评估在心血管疾病的检测和监测中至关重要。尽管二维超声心动图（2DE）已广泛应用于临床，但由于缺乏完整的三维信息，其使用过程高度依赖于医生的专业技能和经验来获取合适的观测角度，使得不同医生在心血管评估中可能产生显著偏差。
鉴于此，来自南京大学、复旦大学及亚利桑那大学的研究人员提出了一种基于2DE探头实现心脏三维重建的计算超声心动图系统CardiacField。通过在心尖区域使用2DE探头进行简单的环扫，及利用隐式神经表示网络表征，可完成心脏的三维重建，能够自动估算左心室和右心室的体积及射血分数，尤其适合基层医护人员使用。该研究评估了CardiacField的可用性，特别是在初学者群体中的表现，并将其射血分数的预测结果与专家解读以及最新深度学习方法进行了系统性比较。该研究成果近期发表在国际心血管期刊European Heart Journal的子刊《Digital Health》上。
技术路线
CardiacField的核心是一个隐式神经表示网络，利用超声成像物理过程启发的损失函数进行优化，可将心脏容积的三维坐标映射为对应的强度值。首先，使用多层感知器（MLP）结合多分辨率哈希表构建心脏的隐式神经表示（如图1a）。
图1. CardiacField工作流程与射血分数计算。
二维超声成像的物理过程建模：CardiacField通过一组多角度的二维超声图像来重建三维心脏（如图1b）。每张二维超声图像代表心脏的一个特定的横截面，其成像过程可建模为从三维心脏中切割出的二维平面（切片）。切片的位置和角度用一个位置参数来定义，对应于超声探头的空间位置和方向。CardiacField利用每张图片粗略估计的位置参数作为初始输入，生成虚拟的二维超声图像。通过比较虚拟切片与真实采集的二维超声图像之间的“差异”，计算物理启发的损失（如图1a），并利用该损失优化隐式神经表示的网络和位置参数。
CardiacField的训练不依赖大规模数据集，仅需对每位患者进行简单的心尖环扫即可采集多角度的二维超声图像，从而重建其三维心脏（如图1b,1c）。CardiacField可集成到现有的深度学习模型中以进一步进行心功能评估。该研究通过借鉴EchoNet提出的分割模型，实现了左心室（LV）和右心室（RV）区域的精确自动分割。具体而言，CardiacField对三维心脏容积进行均匀采样，生成约20至30张厚度为3mm的二维切片，并使用上述分割模型对切片中的LV/RV区域进行分类，以计算每张切片的腔体面积（如图1d,1e）。通过累积所有切片的腔体面积，可以精准地计算容积大小，并进一步准确估算射血分数。
超声图像位置估计的准确性：
三维心脏重建准确性分析：
射血分数估算：
图5a对比了左心室射血分数（LVEF）与EchoNet的结果，而图5b对比了右心室射血分数（RVEF）与RVENet的结果。在这些对比中，以飞利浦三维超声软件得出的射血分数作为基准真实值。图中展示的两条线分别表示模型预测值与真实值之间的最小二乘回归线，用以评估计算结果的准确性。可以看出，该方法预测的左心室射血分数平均绝对误差（MAE）为2.48%，而右心室射血分数的MAE为2.65%。这些射血分数误差均小于上述方法，表明该方法具有较高准确性。
Chengkang Shen, Hao Zhu, You Zhou, Yu Liu, Si Yi, Lili Dong, Weipeng Zhao, David J Brady, Xun Cao, Zhan Ma, Yi Lin, CardiacField: computational echocardiography for automated heart function estimation using 2D echocardiography probes, European Heart Journal - Digital Health, 2024
回顾与预告
上期回顾：显示专题 | 基于视觉曼巴的高质量计算全息（OLEN）欢迎点击查阅
Contact: intelligent.optics.sharing@gmail.com
