FOAL：心脏运动估计的快速在线自适应学习

在研究环境中签署：所提出的模型是在具有类似分布的数据

上进行训练和测试的。然而，在临床环境中，图像对象可能

呈现不同的解剖结构（异常薄或厚的心肌）和/或动力学（

心脏不规则跳动）以用于不同的疾病。此外，图像处理本身

自不同分布的数据上进行微调也不理想，有时也是不可能的

。换句话说，对于临床适用的深度训练跟踪器，神经网络需

要具备快速适应来自未知分布的新数据的能力。为此，我们

提出了一种用于心脏运动估计的快速在线自适应学习（FOA

L）机制。所提出的框架包括在线自适应阶段和离线元学习

阶段。离线元学习训练模型以获得适应能力，而在线阶段将

使用极少量和未知数据应用此适应来调整模型参数。我们设

计了一个在两个阶段中使用的用于视频跟踪的独特模块来训

练自适应跟踪器。使用所提出的FOAL训练的跟踪器在与强

基线方法相比取得了最先进的结果。我们的工作贡献总结如

•

我们提出的方法不限于基线密集运动估计的网络结构。广

泛的实验证明了我们的方法在准确性上相对于基线模型的

性能改进。

变形图像和参考图像之间的差异。此外，使用具有普查变换

的遮挡感知的前向-后向一致性损失来改善跟踪结果。需要

注意的是，我们的基线模型利用了与[22]类似的自我监督思

想。

心脏运动估计以CMR图像的时间序列（视频）作为输入，并

映射Fθ，使得

Fθ:(I(x,y,tref),I(x,y,t))−→Vx(x,y,t),Vy(

x,y,t)(1)其中Fθ是具有参数θ的映射函数，Vx和Vy

分别是沿x和y方向的运动场。根据Fθ

的不同表达方式，运动跟踪方法可以一般性地分为基于光流

的、基于传统图像配准的和基于深度学习的。基于光流的方

法建立在对图像外观和运动强度的几个假设上，例如亮度一

致性和源帧与参考帧之间的小运动。将基于光流的方法应用

于CMR运动估计的问题在于这些假设在CMR视频中被违反[

6]。图2显示了一些示例图像，说明了CMR的挑战。Wang

除了基于光流的方法，基于图像配准的方法[25,29,4,32,

33,37,15,47]也被应用于解决心脏运动估计问题。