Unsupervised 4D Cardiac Motion Tracking with Spatiotemporal Optical Flow Networks

心脏超声心动图的心脏运动跟踪可用于估计和量化心肌在心脏周期内的运动。这是一种成本效益高且有效的评估心肌功能的方法。然而，超声成像具有空间低分辨率和时间随机噪声的固有特性，这导致难以获得可靠的注释。因此，对于运动跟踪来说，进行监督学习是困难的。此外，目前文献中没有端到端的无监督方法。本文提出了一种运动跟踪方法，其中设计了具有空间重建损失和时间一致性损失的无监督光流网络。我们提出的损失函数利用成对和时间相关性来估计从噪声背景中的心脏运动。使用合成的4D超声心动图数据集的实验表明了我们方法的有效性，并且在准确性和运行速度上优于现有方法。据我们所知，这是首次使用无监督端到端深度学习光流网络进行4D心脏运动跟踪的工作。

使用无监督的端到端深度学习光流网络实现4D心脏运动跟踪。

使用空间重构损失和时间一致性损失设计无监督光流网络，利用对偶和时间相关性估计噪声背景下的心脏运动。

实验使用合成的4D心脏超声数据集验证了方法的有效性和优越性。该论文是第一个使用无监督端到端深度学习光流网络实现4D心脏运动跟踪的工作。

在该领域最近的相关研究包括使用传统方法和监督学习方法进行心脏运动跟踪的研究，如“Cardiac Motion Tracking Using Temporal and Spatial Information”，“Deep Learning for Cardiac Motion Tracking and Segmentation: A Review”等。