1.基于双向时空上下文策略的经食道超声心动图分割方法研究

经食道超声心动图是评估心脏结构和功能的重要检查手段，其中左心耳的精准识别对于血栓风险评估、房颤患者治疗决策等具有重要意义。然而，由于超声图像存在边界模糊、噪声干扰以及心脏持续运动等特点，左心耳的精准分割一直是临床智能分析中的难点。

针对这一问题，西安交通大学第二附属医院超声医学科姜珏主任、王娟副研究员联合西安交通大学人工智能与机器人研究所杜少毅教授团队，开展医学与人工智能交叉研究，提出了一种面向经食道超声心动图的智能分割模型BiSTC-SAM。

BiSTC‑SAM模型框架图

该模型能够综合分析超声图像在不同时间点的动态变化信息，在复杂运动状态下更准确地识别左心耳边界，从而提升分割精度与连续性，为超声心动图的智能化分析提供了更加稳定可靠的技术支持。

研究团队在自建经食道超声心动图数据集以及两个公开超声数据集上进行了验证，结果显示，该方法在分割准确性和时序稳定性方面均优于现有主流方法。未来有望辅助医生开展更高效、精准的超声评估，提高复杂心脏疾病的诊疗效率。

相关成果于2025年9月发表于信息科学领域国际顶级期刊《Information Fusion》（影响因子15.5）。王明豪博士为第一作者，杜少毅教授和姜珏主任为通讯作者。

2.基于运动感知引导的超声心动图分割及量化方法研究

心房颤动是临床最常见的心律失常之一，具有患病率高、并发症风险高及预后不佳等特点，已成为全球性的重大公共卫生问题。对左心室及左心耳结构和功能进行精准评估，对于血栓风险判断、心功能评价以及治疗方案制定具有重要意义。

然而，超声心动图存在边界模糊、心脏运动复杂、图像噪声干扰等问题，传统人工测量耗时且存在一定主观差异，给智能化精准评估带来了较大挑战。

针对上述临床难点，西安交通大学第二附属医院超声医学科姜珏主任、王娟副研究员联合西安交通大学人工智能与机器人研究所杜少毅教授团队，开展医学与人工智能交叉研究，提出了一种基于运动感知引导的超声心动图智能分割与量化模型KG-STS。

KG-STS模型框架图

该模型能够结合心脏动态运动信息，更准确地识别左心室与左心耳边界，并实现连续稳定的时序分析。在提升分割精度的同时，还可完成射血分数、心肌厚度、左心耳开口孔径及深度等多项关键临床指标的自动测量。

研究团队在自建经食道超声心动图数据集以及两个公开超声数据集上进行了验证，结果显示，该方法在时序分割及多项临床量化任务中均优于现有主流方法，可为心脏泵血功能评估、心肌肥厚性病变筛查以及左心耳封堵器选型提供更加精准可靠的量化依据。

相关成果于2026年3月发表于医工交叉领域国际顶级期刊《IEEE Transactions on Medical Imaging》（影响因子9.8）。王明豪博士为第一作者，杜少毅教授和王娟副研究员为通讯作者。

此次医工交叉的系列突破，为心脏超声智能化诊疗创新路径。团队立足临床难点，以人工智能技术破解心脏动态影像分割与量化的行业难题，不仅实现了方法学的创新与性能的提升，更为心血管疾病的精准影像评估和高效诊疗提供了坚实技术支撑。未来，团队将持续推动技术落地与临床转化，以医工融合之力赋能精准医疗。