DDSB: An Unsupervised and Training-free Method for Phase Detection in Echocardiography

准确识别舒张末期（ED）和收缩末期（ES）帧对于通过超声心动图评估心脏功能至关重要。然而，传统方法面临几个限制：它们需要大量的数据，需要医学专家进行大量注释，需要大量的培训资源，而且通常缺乏鲁棒性。为了解决这些挑战，我们提出了一种无监督和无需训练的方法，我们的新方法利用无监督分割来增强对分割不准确性的容错能力。通过识别锚点并分析方向变形，我们有效地减少了对初始分割图像准确性的依赖，增强了容错能力，同时提高了鲁棒性。在Echo-dynamic和CAMUS数据集上进行测试，我们的方法实现了与基于学习的模型相当的准确性，而没有它们相关的缺点。该代码可在https://github.com/MRUIL/DDSB上获得。

论文旨在解决通过超声心动图进行心功能评估时的ED和ES帧的准确识别问题，传统方法需要大量数据和医学专家的注释，且容易出现不稳定性。

该论文提出了一种无监督、无需训练的方法，利用无监督分割技术提高对分割不准确性的容错性，通过识别锚点和分析方向形变来降低对初始分割图像准确性的依赖性，从而提高鲁棒性。

论文在Echo-dynamic和CAMUS数据集上进行了测试，取得了与基于学习的模型相当的准确性，但避免了它们的相关缺点。提供了开源代码。

在这个领域中，最近的相关研究包括：1. Automatic Detection of Cardiac End-Diastolic and End-Systolic Frames in Echocardiography Using a Multi-Task Fully Convolutional Neural Network；2. A Deep Learning Framework for Automatic Detection of End-Systole and End-Diastole Frames in Echocardiography Videos；3. A New Deep Learning Method for Automatic Detection of End-Diastolic and End-Systolic Frames in Echocardiography Videos。