在一家动画工作室里，师傅把一台高速摄影机和一支数位笔交到你手上：拍一段“水球被机械手反复挤压”的视频，然后逐帧描出轮廓。你熬夜描完，发现最鼓那帧面积最大、最瘪那帧面积最小，两者一对比，就能算出每次挤压挤出了多少水——心功能评估的全部逻辑，就藏在这个画面里。 心脏超声分割做的正是这件事：超声探头像摄影机录下心脏跳动，AI 模型像自动描线员逐帧把左心室轮廓勾出来，这就是“分割”；接着用辛普森法把轮廓面积换算成容积，画出容积-时间曲线；曲线最高点叫舒张末期容积（EDV），最低点叫收缩末期容积（ESV），由此算出心内科最看重的射血分数（EF）。EchoNet 是这条流水线的经典代表，把一段超声视频变成逐帧轮廓和 EF 数值，精度逼近资深医生。真正的考验在“换场地”：从飞利浦机器换到 GE 机器，图像风格大变，模型还能不能稳住？这就要靠归一化、数据增强和域适应这些“适应新环境”的本事。

岗位关联

对 AI 从业者而言，心脏超声分割是“医学影像 + 时序视频理解”的典型落地样板：从像素级分割到临床级指标 EF 的完整链路，值得每个想进入医疗 AI 的人完整走一遍。

目录
  1. 可视化演示
  2. 视频分割任务
  3. EchoNet结构
  4. 心腔标注方案
  5. 容积曲线构建
  6. 射血分数EF
  7. 跨设备泛化
  8. 设计权衡抉择
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

演示EchoNet视频分割左心室轮廓追踪、EF射血分数计算与跨设备泛化域适应，交互切换查看心脏超声AI分析全流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

左心室视频分割追踪 逐帧分割左心室轮廓追踪收缩舒张周期 时序一致性约束保证相邻帧轮廓平滑 mask_t = SegNet(frame_t, mask_{t-1}) 视频分割结合时序信息提升轮廓稳定性

视频分割任务

师傅交办的第一件事，不是拿笔就描，而是先搞清楚“拍什么”。他要求：水球被机械手反复挤压的整个过程都要录下来，不能只拍一张照片；描线时必须跟着视频一帧一帧描，因为水球每时每刻都在变。心脏超声分割的任务定义与此完全同构：输入是一段覆盖完整心动周期的超声视频，输出是每一帧画面里左心室的轮廓掩码。

所谓“分割”，在医学影像里就是给每个像素贴标签：属于左心室的前景像素标 1，背景标 0。视频分割则更进一步，要求“逐帧分割 + 时间一致”：相邻两帧之间心脏的位置和形状只发生微小的连续变化，模型必须利用这种帧间关系，而不是把每一帧当独立图片处理。这就像动画师描线时总会瞄一眼上一帧的轮廓再落笔，手腕才不会抖出锯齿。

EchoNet 的视频分割以 U-Net 类结构为骨干，输入连续的超声帧，输出逐帧二值掩码。评价分割质量最常用的指标是 Dice 系数，它衡量预测掩码与专家金标准掩码的像素重叠程度。

对动画师来说，Dice 就是师傅手里的打分卡：描出的线越贴近红笔标准线，分数越高；而“逐帧分割”的时空连续性要求，就像描线时手腕的惯性——轮廓不是每帧重新乱画，而是顺着上一帧的走势稳稳滑过去。

Dice(P,G)=2∣P∩G∣∣P∣+∣G∣\text{Dice}(P,G) = \displaystyle\frac{2|P \cap G|}{|P| + |G|}
Dice 越高，说明模型描出的左心室轮廓与专家金标准的重合度越高；0 表示完全没重合，1 表示完美重合。
  1. 分子含义预测掩码 P 与金标准 G 重叠的像素数量翻倍，让“共同覆盖的区域”成为分数的核心。
    分子=2∣P∩G∣\text{分子} = 2|P \cap G|
  2. 分母含义两个掩码的总像素数相加，把范围归一到统一尺度，避免不同大小的心脏因面积不同而不可比。
    分母=∣P∣+∣G∣\text{分母} = |P| + |G|
  3. 比值含义分子除以分母得到 0 到 1 的重叠率，数值越接近 1，说明描线越贴近师傅的标准线。
    Dice=2∣P∩G∣∣P∣+∣G∣∈[0,1]\text{Dice} = \frac{2|P \cap G|}{|P| + |G|} \in [0, 1]

EchoNet结构

师傅决定做一个“自动描线机器人”，流水线分三段：首先一台扫描仪把高清视频压缩成“核心线条稿”，再由一台带记忆的缝纫机把一帧帧线条稿按时间顺序缝合起来，最后放大绘制机把缝合结果还原成精细轮廓。EchoNet 正是这样的三段式架构。

前端是编码器，基于 U-Net 的卷积下采样结构，把每帧超声图压缩成空间特征网格；中间是 ConvLSTM（卷积长短期记忆网络），在时间维度上传递信息，让模型“记得”上一帧心脏在哪、正在往哪个方向运动；后端是解码器，把特征图上采样回原尺寸，逐像素输出左心室的前景概率。

EchoNet-Dynamic 的典型设置是：输入下采样后的 32 帧左右超声视频，输出 112×112 的逐帧掩码。训练时用 Dice 损失与交叉熵损失联合优化——Dice 负责“整体形状像不像”，交叉熵负责“每个像素分得准不准”：

这台流水线的灵魂是“记忆缝纫机”ConvLSTM：它让描边不抖动、不跳帧，即使某一帧画面因声窗遮挡而模糊，模型也能凭前几帧的“手感”推断轮廓的位置。动画师熬夜描线时依赖的正是这种“上一帧在哪，这一帧大概也在哪”的经验。

L=LDice+λ LCEL = L_{\text{Dice}} + \lambda \, L_{\text{CE}}
总损失是两项的加权和，λ 控制“形状”与“逐像素”哪个更重要，通常取 1 附近的平衡值。
  1. 形状损失Dice 损失由 1 减去 Dice 系数得到，专门应对“左心室只占画面一小块”的类别不平衡。
    LDice=1−Dice(P,G)L_{\text{Dice}} = 1 - \text{Dice}(P, G)
  2. 逐像素损失交叉熵损失对每个像素的预测概率独立打分，鼓励模型输出接近 0 或 1 的确定答案。
    LCE=−∑(x,y)Gx,ylog⁡Px,yL_{\text{CE}} = -\sum_{(x,y)} G_{x,y} \log P_{x,y}
  3. 加权合成用超参数 λ 把两项损失加权求和，一起反向传播训练整条流水线。
    L=LDice+λLCEL = L_{\text{Dice}} + \lambda L_{\text{CE}}

心腔标注方案

机器人上线前，需要一本“标准答案集”。师傅请来资深动画师，用红笔在关键帧上描好水球轮廓，作为验收基准。在 AI 里，这份基准叫“金标准标注”，解决的是“轮廓究竟应该画在哪里”的约定问题。

EchoNet 的数据集中，专家只在舒张末期和收缩末期两个关键帧上手动描左心室心内膜边界，中间帧不标注，训练时模型从这两帧学习收缩与舒张的形态变化。标注形式是一张二值掩码：位于心内膜边界内的像素为 1，其余为 0；采集切面通常选心尖四腔或两腔切面，因为只有这两个切面能完整暴露左心室长轴。

这份“红笔标准线”不能乱画：必须描水球那层带弹性的外皮（心内膜），不能把周边的水渍和噪点算进去。标注切面同样讲究——不从能拍全左心室长轴的角度架摄像机，容积就算不准，就像从正面拍水球，量不出它真实的“鼓胀程度”。

Mx,y={1,(x,y)∈心内膜内0,其他M_{x,y} = \begin{cases} 1, & (x,y) \in \text{心内膜内} \\ 0, & \text{其他} \end{cases}
二值掩码把“轮廓线”翻译成机器能读的像素矩阵：1 是左心室，0 是背景，整张图就是左心室的形状剪影。
  1. 坐标遍历对图像中每一个像素位置 (x, y)，依次询问它是否位于心内膜内部。
    ∀(x,y)∈图像像素\forall (x,y) \in \text{图像像素}
  2. 区域判断位于心内膜以内的像素标记为 1，其余标记为 0，形成黑白分明的掩码。
    Mx,y=1  ⟺  (x,y) 在心室内部M_{x,y} = 1 \iff (x,y) \text{ 在心室内部}
  3. 掩码本质所有为 1 的像素集合，恰好构成左心室逐帧的“剪影”，等价于红笔描出的封闭轮廓内部。
    掩码={(x,y)∣Mx,y=1}\text{掩码} = \{(x,y) \mid M_{x,y} = 1\}

容积曲线构建

轮廓描出来了，怎么知道这一帧水球装了多少水？动画师的办法是数格子：把封闭轮廓里的方格数一遍，乘以每个格子的实际面积，得到截面面积；把所有帧的面积连成一条曲线，水球的“呼吸”就一目了然。

从二维掩码到三维容积，临床上最常用的是辛普森法（改良辛普森法）：把左心室沿长轴切成 n 片近似椭圆的“圆饼”，每一帧掩码都能量出每个切片的短径 a_i 和长径 b_i，单切片的形状用椭圆近似，累加所有切片体积即得总容积。逐帧算完后，以时间为横轴、容积为纵轴画出曲线，就是容积-时间曲线。

这条曲线就是动画师的“充气记录表”：水球从瘪到鼓再到瘪，曲线一上一下，完整描绘一个心动周期。曲线最高点告诉你“哪一帧装得最满”，最低点告诉你“哪一帧挤得最干”——接下来要算的射血分数，全靠这两个端点。

V≈π4×Ln∑i=1naibiV \approx \displaystyle\frac{\pi}{4} \times \frac{L}{n} \sum_{i=1}^{n} a_i b_i
切片越薄（n 越大），椭圆柱近似越接近真实心室形状；这条公式把“数格子”升级成了几何积分。
  1. 切片厚度心室长轴总长 L，切成 n 片，每片厚度是 L/n，相当于把水球切成 n 片薄圆饼。
    Δh=Ln\Delta h = \frac{L}{n}
  2. 椭圆截面每个切片截面用椭圆近似，面积等于 π/4 乘以两个直径 a_i 与 b_i。
    Ai=π4aibiA_i = \frac{\pi}{4} a_i b_i
  3. 累加求积每片体积等于截面积乘以厚度，全部累加就是左心室总容积。
    V=∑i=1nAi ΔhV = \sum_{i=1}^{n} A_i \, \Delta h

射血分数EF

数完格子、画完曲线，动画师终于可以回答师傅的灵魂提问：“这只水球每次被挤压，能挤出多少比例的水？”答案很简单：挤出量（最鼓时水量减最瘪时水量）除以最鼓时水量。

对应到心脏，最鼓的一帧叫舒张末期，容积记为 EDV；最瘪的一帧叫收缩末期，容积记为 ESV。射血分数 EF 定义为两者之差占 EDV 的比例，衡量左心室每次收缩泵出多少比例的血液。临床上，正常成人 EF 约 55%–70%；40%–55% 为轻度减低；低于 40% 提示收缩性心衰，需要医学干预。

师傅看着结果满意地点头：EF 就像水球的“泵水效率”，看的不是挤出的绝对水量，而是比例。每个人心脏大小不同，绝对容积没有可比性，EF 这个比例才能成为跨人群通用的健康标尺。EchoNet 的价值，正在于把医生肉眼估 EF（误差可达 ±10%）变成像素级测量的客观数值。

EF=EDV−ESVEDV×100%\text{EF} = \displaystyle\frac{\text{EDV} - \text{ESV}}{\text{EDV}} \times 100\%
例如 EDV=120ml、ESV=50ml 时，EF=(120−50)/120≈58%，属于正常范围。
  1. 舒张末期心脏舒张到极限、即将收缩的瞬间，左心室容积最大，记为 EDV。
    EDV≈120 ml\text{EDV} \approx 120\,\text{ml}
  2. 收缩末期心脏收缩到极限、即将舒张的瞬间，容积最小，记为 ESV。
    ESV≈50 ml\text{ESV} \approx 50\,\text{ml}
  3. 归一化相除挤出量除以装满量得到比例，乘以 100% 转为百分数，方便跨人群比较。
    EF=120−50120×100%≈58%\text{EF} = \frac{120 - 50}{120} \times 100\% \approx 58\%

跨设备泛化

描线机器人终于上线，可师傅把它搬到隔壁摄影棚一试，它罢工了——那边的灯光昏黄、摄像机型号不同、画面噪点更多。这就是“跨设备泛化”问题：医院里飞利浦、GE、西门子等厂商的超声机器图像风格差异巨大。

训练集来自设备 A，测试换到设备 B，像素分布一变，Dice 和 EF 精度往往明显下降。对策有三板斧：第一是输入归一化，每幅图减去均值、除以标准差，把不同设备的灰度拉到同一统计标尺；第二是数据增强，训练时随机扰动亮度、对比度和噪声，让模型见过足够多的“环境变化”；第三是域适应，用少量目标域数据微调，或让特征分布在域间对齐。

这就像培训动画师时，故意让他练习在亮棚、暗棚、雨天、雪地里描线；见惯了“长得不一样”的水球，换到新棚才不慌。EchoNet 论文专门做跨设备验证，把模型放到没见过设备采集的数据上测 Dice 与 EF，证明它“换个摄影棚也能干活”。

x~=x−μσ\tilde{x} = \displaystyle\frac{x - \mu}{\sigma}
z-score 归一化让每台机器的图像灰度均值归 0、方差归 1，相当于给所有画面换上统一的“灰度校服”。
  1. 统计特征先算单幅图的像素均值 μ 与标准差 σ，刻画该设备的灰度风格。
    μ=1N∑i=1Nxi,σ=1N∑i=1N(xi−μ)2\mu = \frac{1}{N}\sum_{i=1}^{N} x_i, \quad \sigma = \sqrt{\frac{1}{N}\sum_{i=1}^{N}(x_i - \mu)^2}
  2. 平移缩放每个像素减去均值再除以标准差，灰度分布被拉到标准位置，设备差异被抹平一部分。
    x~=x−μσ\tilde{x} = \frac{x - \mu}{\sigma}

设计权衡抉择

最后，师傅抛出终极难题：想让机器人描线更精细，就得换更细的笔、算得更久；想让它出图更快，就得牺牲线条复杂度。精度和速度不可兼得——这就是深度学习落地中的“设计权衡”。

医疗场景对精度要求苛刻，误分割可能误导诊断；但速度同样关键，超声检查时医生期望接近实时的反馈。真正可用的模型要在三个维度间找平衡：精度（Dice 与 EF 误差）、延迟（单帧推理毫秒数）、算力（FLOPs 与显存）。常用轻量化手段包括：削减卷积通道数、用深度可分离卷积替换标准卷积、精简 ConvLSTM 的隐藏维度、用知识蒸馏把大模型压成小模型。

聪明的团队不会盲目堆参数，而是先算这笔账：先试粗线条，发现精度达标就收工，不达标再细化。在“师傅验收标准”与“赶稿速度”之间找到平衡点，才是把心功能评估模型真正送进诊室的智慧。

Gain=ΔDiceΔFLOPs\text{Gain} = \displaystyle\frac{\Delta \text{Dice}}{\Delta \text{FLOPs}}
收益比等于单位算力增长换来的精度提升。它提醒团队：多花的每一分算力，都要看见切切实实的精度回报。
  1. 精度增量把模型换大后 Dice 提升多少，代表收益。
    ΔDice=Dice新−Dice旧\Delta \text{Dice} = \text{Dice}_{\text{新}} - \text{Dice}_{\text{旧}}
  2. 算力增量把模型换大后浮点运算量多了多少，代表成本。
    ΔFLOPs=FLOPs新−FLOPs旧\Delta \text{FLOPs} = \text{FLOPs}_{\text{新}} - \text{FLOPs}_{\text{旧}}
  3. 收益比两者相除，值越大说明方案越划算；收益比低时，不如把算力花在更多数据上。
    Gain=ΔDice/ΔFLOPs\text{Gain} = \Delta \text{Dice} / \Delta \text{FLOPs}

AI 应用场景

心衰筛查：秒级 EF 自动评估

阶段：模型推理与临床决策支持

解决的问题：传统超声 EF 依赖医生肉眼估算，误差可达 ±10%，基层医院缺乏心内科专家；EchoNet 把“扫完即得指标”变成现实——技师完成标准切面扫查后，系统自动完成逐帧分割、容积曲线和 EF 计算，把主观经验变成客观数值。

具体案例：某三甲医院超声科在飞利浦超声机上部署 EchoNet 自动 EF 模块，心尖四腔切面视频输入后 30 秒内输出 EDV、ESV 与 EF，与两位专家独立标注结果的 Dice 达 0.92，EF 误差控制在 5% 以内，复核工作量减少六成。

多中心临床研究：跨设备统一模型

阶段：模型部署与域适应

解决的问题：多中心研究中各医院设备型号差异导致同一模型精度骤降；通过统一灰度归一化与少量目标域微调，让一套模型兼容多家设备，研究数据不再需要重复标注。

具体案例：某医疗 AI 公司与三家分别使用飞利浦、GE、西门子设备的医院合作，先用 z-score 归一化统一输入，再用每家 50 例标注数据做域适应微调，EF 误差从 11% 降到 6% 以内，顺利通过多中心验证。

Python 演示

python50 行
import numpy as np  def make_left_ventricle(phase, noise=True, seed=0):    """生成一帧模拟超声图:亮椭圆即左心室,相位控制收缩舒张"""    y, x = np.mgrid[0:128, 0:128]    cx = cy = 64    rx = 18 + 8 * np.sin(phase)    ry = 24 + 12 * np.sin(phase)    dist = ((x - cx) / rx) ** 2 + ((y - cy) / ry) ** 2    img = np.exp(-dist * 2.5)    if noise:        rng = np.random.default_rng(seed + int(phase * 10))        img = img + rng.normal(0, 0.05, img.shape)    return np.clip(img, 0, 1)  def threshold_segment(img, thresh=0.4):    """简化版EchoNet推理:亮度超过阈值者视为左心室像素"""    return img > thresh  def dice(pred, truth):    inter = (pred & truth).sum()    return 2 * inter / (pred.sum() + truth.sum() + 1e-9)  def estimate_ef(areas):    edv = areas.max()    esv = areas.min()    return edv, esv, (edv - esv) / edv * 100.0  def main():    phases = np.arange(0, 2 * np.pi, np.pi / 30)    areas = []    dices = []    for ph in phases:        img = make_left_ventricle(ph, noise=True)        truth = make_left_ventricle(ph, noise=False) > 0.25        pred = threshold_segment(img)        areas.append(pred.sum())        dices.append(dice(pred, truth))    edv, esv, ef = estimate_ef(np.array(areas))    print("EDV=%.0fpx  ESV=%.0fpx  EF=%.1f%%" % (edv, esv, ef))    print("平均Dice=%.3f" % np.mean(dices))  if __name__ == "__main__":    main()
目的：用 numpy 模拟一段超声视频，用阈值法扮演简化版 EchoNet，完成逐帧分割、容积曲线构建和 EF 计算，并报告平均 Dice。
  1. rx = 18 + 8 * np.sin(phase)心室“半径”随心动相位正弦变化，模拟收缩与舒张。
  2. dist = ((x - cx) / rx) ** 2 + ((y - cy) / ry) ** 2椭圆距离场，描述“离心室中心多远”。
  3. img = np.exp(-dist * 2.5)距离越近越亮，模拟超声中血流腔的高回声。
  4. pred = threshold_segment(img)阈值分割充当简化版 EchoNet 的逐帧推理。
  5. truth = make_left_ventricle(ph, noise=False) > 0.25无噪声的干净椭圆作为人工金标准。
  6. areas.append(pred.sum())每帧掩码像素数，相当于辛普森法里切片的截面积。
  7. edv, esv, ef = estimate_ef(np.array(areas))面积最大/最小帧即 EDV/ESV，相除得到射血分数。

常见误区

误区模型 Dice 都到 0.95 了，EF 肯定也算得准，可以直接上临床了吧？

正解Dice 衡量的是像素级重叠，而 EF 只依赖容积-时间曲线上的两个端点（EDV、ESV 所在帧）。如果模型在这两帧上存在系统性边界偏移——比如总是把心内膜向外扩一格——逐帧 Dice 损失很小，EF 却可能偏差 10% 以上。就像动画师的线条整体粗了一圈，单帧相似度很高，但量出的水球体积系统性偏大。正确做法是把 EF 误差作为独立指标一起评估，而不是只看 Dice。

为何常见：训练目标就是 Dice，人们本能地把“训练指标好”等同于“临床指标好”，忽略了 EF 由极值点决定这一事实。

误区视频不就是一堆图片吗？把每一帧单独送进 U-Net 分割不就行了？

正解逐帧独立分割完全忽略了帧间时间相关性。超声图像噪声大、边界模糊，单帧偶尔会“认错”轮廓，导致分割结果在相邻帧之间闪烁跳动，容积曲线毛刺多。视频分割利用时空连续性，相当于描线时参考上一帧的轮廓位置。EchoNet 用 ConvLSTM 建模时序后，EF 误差显著低于逐帧独立模型。

为何常见：图像分割的教程太多，人们容易把“视频”简单理解为“多张独立图片”。

误区容积曲线的最高点和最低点就是 EDV 和 ESV，随便截一段曲线取极值就行。

正解前提是曲线必须覆盖一个完整的心动周期。如果只录了半个周期，取到的“最高点”可能只是半路膨胀，并非真正的舒张末期。心律失常患者每次心跳的容积变化都不同，单周期 EF 不能代表整体功能，临床上通常取 3–5 个连续周期平均。这就像量水球只拍了半次挤压就算出“最大水量”，结果自然不可靠。

为何常见：数学上的“取最大/最小”看起来很简单，容易忽略背后的生理周期性假设。

误区把不同设备的图像都归一化到统一范围之后，分布就一样了，模型就能直接迁移。

正解归一化只对齐了一阶统计量（均值、方差），无法消除纹理、斑点噪声模式、分辨率等更高阶差异。飞利浦与 GE 的超声图像即使灰度范围相同，细节纹理仍然不同，Dice 照样下滑。要真正解决跨设备泛化，还需数据增强让模型见过更多“风格”，以及用少量目标域数据做域适应微调。归一化只是统一校服，改变不了长相。

为何常见：“像素值范围相同”很容易被误认为“图像分布相同”，忽略了图像统计特征的多层次性。

面试题

Q1. EchoNet 这类视频分割模型的输入是什么？

单选题 · easy

  • A.单张二维超声图像
  • B.一段超声视频帧序列← 正确答案
  • C.单个心肌细胞图像
  • D.三维心脏体素数据

答案：B。水球任务是“视频里逐帧描线”，单张照片给不出收缩舒张的动态信息；EchoNet 输入是一段覆盖心动周期的超声视频帧。C 的细胞图像和 D 的三维体素分别属于显微图像与 CT/三维重建领域，与超声视频分割不符。

Q2. 与逐帧独立分割相比，视频分割的核心优势是？

单选题 · easy

  • A.模型参数量更少
  • B.利用帧间时空连续性← 正确答案
  • C.完全不需要训练数据
  • D.推理速度一定更快

答案：B。视频分割的核心是让模型“看着上一帧落笔”，利用时空连续性让轮廓稳定不闪烁；参数量和速度取决于具体架构设计，与是否用视频无关；“完全不需要训练数据”更是不切实际。

Q3. 左室容积-时间曲线的最高点对应哪个时相？

单选题 · easy

  • A.舒张末期← 正确答案
  • B.收缩末期
  • C.等容舒张期
  • D.快速充盈期

答案：A。曲线最高点代表水球装得最满的时刻，即心脏舒张到极限、刚要收缩的舒张末期，对应 EDV；收缩末期是最低点，对应 ESV。其余两个时期都不是容积曲线的极值点。

Q4. 健康成人的左室射血分数 EF，正常范围约为？

单选题 · mid

  • A.55%–70%← 正确答案
  • B.20%–30%
  • C.90%–100%
  • D.10%–15%

答案：A。EF 相当于水球的“泵水效率”，正常心脏每次收缩泵出超过一半的血，故正常范围约 55%–70%；低于 40% 提示收缩性心衰，而 EF 接近 90% 意味着收缩末期容积趋近于零，生理上几乎不可能出现。

Q5. 射血分数 EF 的定义公式是？

单选题 · mid

  • A.泵出量除以舒张末期容积← 正确答案
  • B.泵出量除以收缩末期容积
  • C.心率乘以每搏输出量
  • D.每搏输出量除以体表面积

答案：A。EF=(EDV−ESV)/EDV，分子是泵出量，分母是装满时的容积 EDV，回答的是“每次挤出了多少比例”；B 用 ESV 做分母方向反了，C 是心输出量的定义，D 是心指数概念，均与 EF 不符。

Q6. 用改良辛普森法估算左室容积时，主要输入是？

单选题 · mid

  • A.各切片直径与切片厚度← 正确答案
  • B.心率与收缩压数值
  • C.患者年龄与身高体重
  • D.心电图各波段幅值

答案：A。辛普森法把左心室沿长轴切成 n 片“圆饼”，每片需要直径 a_i、b_i 和厚度 L/n，累加得到容积；心率血压、年龄体重和心电图幅值都与几何容积计算无关。

Q7. 模型跨设备测试时 EF 误差明显增大，最不可能的原因是？

单选题 · hard

  • A.不同设备的灰度分布差异大
  • B.斑点噪声纹理风格显著不同
  • C.超声医生的操作习惯发生改变← 正确答案
  • D.探头频率和分辨率存在差异

答案：C。面对已经采集好的测试图像，“医生操作习惯改变”不再影响这批样本的像素分布——它影响的是未来数据的采集，而不是当前测试掉点的直接原因；A/B/D 都直接改变图像像素分布，是跨设备掉点的典型来源。

Q8. 关于左心室心腔的专家标注（金标准），下列说法正确的有？

多选题 · mid

  • A.标注目标是心内膜边界← 正确答案
  • B.标注结果是二值掩码← 正确答案
  • C.每个视频帧都必须人工标注
  • D.常用心尖四腔或两腔切面← 正确答案

答案：ABD。专家只标注舒张末期和收缩末期等关键帧，其余帧由模型学习推理，C 的“逐帧人工标注”成本过高且不必要；A 对应标注对象，B 对应标注形式，D 对应标准切面，均符合 EchoNet 数据集的真实做法。

Q9. 下列哪些手段可以改善模型的跨设备泛化能力？

多选题 · hard

  • A.输入图像做灰度归一化← 正确答案
  • B.训练时加入亮度噪声增强← 正确答案
  • C.用少量目标域数据微调← 正确答案
  • D.把学习率直接设置为零

答案：ABC。归一化对齐灰度标尺，数据增强模拟设备差异，目标域微调把模型“拉向”新设备，三者都有效；学习率设为零意味着模型不再更新，只会原地冻结，无法改善泛化。

Q10. 关于分割精度与 EF 评估的关系，下列说法正确的有？

多选题 · extreme

  • A.Dice 越高则 EF 一定越精确
  • B.EF 对 EDV 与 ESV 两帧的误差最敏感← 正确答案
  • C.系统性边界偏移可能反向抵消 EF 误差← 正确答案
  • D.容积曲线必须覆盖完整心动周期← 正确答案

答案：BCD。Dice 高只说明平均重叠好，但如果边界系统性外扩，EDV 与 ESV 被同步高估，EF 可能不变甚至变差，故 A 错、C 对；EF 只由容积曲线两个极值决定，这两帧的误差被放大，B 对；曲线不覆盖完整周期就取不到真实极值，D 对。