超音波影像向來被譽為醫學影像中最具挑戰性的領域——嚴重的斑點雜訊（Speckle Noise）、聲影干擾（Acoustic Shadowing）以及動態心肌壁的低對比度，長年阻礙了自動化量測演算法的普及。數匯健康科技（DHI）AUTO-EF 智慧演算法模組，透過深度神經網路結合心臟解剖幾何約束，成功在邊緣端實現 0.8 秒毫秒級的心內膜動態分割。
一、 超音波 AI 分割的三大技術天險
相較於 CT 或 MRI 等高解析度、高對比度且靜態的三維影像，床邊心臟超音波（POCUS）的即時連續動態影像（Cine-loop）在演算法分割上面臨極端嚴苛的技術挑戰：
- 相干斑點雜訊與側向解析度衰減：超音波物理波束特性造成高頻噪訊，心肌內壁與心室血液腔體之間的邊界往往呈現模糊且不連續的灰階過渡。
- 心尖截斷（Apex Foreshortening）與解剖結構干擾：急重症病患常無法配合標準左側臥姿，心尖切面常伴隨乳頭肌（Papillary Muscles）與小梁肌（Trabeculae）的強反射假影。
- 心跳與呼吸動態形變：在急重症心搏過速（Tachycardia > 120 bpm）情境下，幀與幀（Frame-to-Frame）之間的形變量極大，傳統光流法（Optical Flow）容易失真脫靶。
🛠️ DHI AUTO-EF 核心演算法管線（Pipeline）
Step 1. 切面品質評估
自動檢測 A4C/A2C 切面標準度與心尖完整度，低品質幀即時預警提示。
Step 2. 時空特徵動態追蹤
多尺度卷積與時序注意力機制，跨心動週期像素級追蹤心室內壁輪廓。
Step 3. 解剖幾何約束修正
排除乳頭肌內凸干擾，依循 Simpson 雙平面圓盤堆疊法輸出 EDV/ESV/LVEF。
二、 演算法突破：時空注意力機制與解剖幾何約束
為了在保有高泛化性的同時兼顧極致推論效率，DHI 研發團隊採用了兩大核心技術創新：
- 時空多尺度特徵融合（Spatio-Temporal Feature Fusion）：模型不僅學習單一影格的空間邊界特徵，更將連續心搏的時間維度向量納入考量，藉由時序相關性自動「補全」因肋骨陰影瞬間遮蔽的心肌壁。
- 解剖學拓撲幾何先驗（Anatomical Topological Priors）：將左心室幾何連續性與瓣膜環（Mitral Annulus）解剖基準點引入損失函數（Loss Function），從根源杜絕了傳統 CNN 容易將乳頭肌誤判為心壁的「鋸齒狀內陷」問題。
三、 邊緣端極致最佳化：零延遲、地端資安閉環
在急重症救護車、急診第一線與手術室，網路頻寬往往不穩定或受限於院內封閉資安規範。DHI AUTO-EF 透過 ONNX Runtime 與 TensorRT 深度量化（INT8/FP16 Precision Calibration），將龐大的神經網路壓縮至能在院內微型邊緣伺服器或便攜式超音波主機上順暢運行。
「地端運算、數據零出院」 不僅徹底消除了傳輸雲端的資安個資外洩風險，更能提供 30 fps 的即時動態回饋，讓醫師在探頭掃查的當下即可獲得即時量測數值。