入选CVPR 2025！深圳大学团队等提出EchoONE，可精准分割多切面超声心动图
💡
原文中文，约4000字，阅读约需10分钟。
📝
内容提要
超声心动图是心血管疾病检测的重要工具，但现有模型在多切面图上的泛化能力不足。深圳大学团队提出的EchoONE模型结合自然图像分割技术与心脏超声知识，能够有效进行多切面超声心动图的精准分割，提高临床应用的效率与准确性。
🎯
关键要点
- 超声心动图是心血管疾病检测的重要工具，具有无创、成本低、实时成像等优点。
- 现有分割模型在多切面图上的泛化能力不足，通常需要针对每个特定切面进行单独定制。
- 深圳大学团队提出的EchoONE模型结合自然图像分割技术与心脏超声知识，能够有效进行多切面超声心动图的精准分割。
- EchoONE模型通过先验可组合的掩码学习模块和局部特征融合与适应模块，提高了分割的效率和准确性。
- 该研究的论文入选2025 IEEE/CVF计算机视觉与模式识别会议（CVPR）。
- EchoONE模型在多个切面超声心动图的分割任务中表现优于其他模型，具有较高的Dice值和鲁棒性。
- 研究使用了来自多个中心的多切面超声心动图数据集，包括公开数据集和私有数据集。
- EchoONE模型的架构基于SAM，包含三个主要组件，能够有效处理不同切面超声图像的分割任务。
- 消融实验表明，PC-Mask和LFFA模块对模型性能提升具有显著效果。
- EchoONE模型的创新方法具有推广至其他医学影像模式的潜力，未来将继续提升模型的泛化能力。
➡️
