Figure 1. OSA 框架概览。上：无约束线性循环模型在严重散斑噪声下遭受秩崩溃。中：OSU 机制将状态演化约束在 Stiefel 流形上，防止奇异值衰减。下：APFE 模块通过物理驱动分解将解剖结构与散斑噪声解耦，为时序跟踪提供抗噪声的结构线索。
摘要
从心超视频中准确且时序一致地分割左心室，对于估计射血分数和评估心脏功能至关重要。然而，由于严重的散斑噪声和快速的非刚性形变，时空动态建模仍然十分困难。
现有的线性循环模型为时序跟踪提供了高效的上下文联想记忆，但依赖于无约束的状态更新，这会导致状态矩阵中的奇异值逐渐衰减——一种称为秩崩溃的现象——最终使解剖细节被噪声淹没。
为解决这一问题，我们提出了 OSA，一个将状态演化约束在 Stiefel 流形上的框架。我们引入了正交状态更新（OSU）机制，将记忆演化建模为 Stiefel 流形上的欧几里得投影梯度下降，以防止秩崩溃并保持稳定的时序过渡。
此外，解剖先验感知特征增强（APFE）模块通过物理驱动过程将解剖结构与散斑噪声显式分离，为时序跟踪器提供抗噪声的结构线索。在 CAMUS 和 EchoNet-Dynamic 数据集上的综合实验表明，OSA 达到了最先进的分割精度和时序稳定性，同时保持了临床部署所需的实时推理效率。
研究动机
超声心动图视频分割面临严峻挑战：散斑噪声严重、对比度低、心脏快速非刚性形变，以及临床标注稀疏。现有方法难以同时满足精度、时序一致性和实时效率的要求。
Figure 2. 超声心动图视频分割的挑战。(a) 严重散斑噪声模糊了解剖边界。(b) 心肌与血池之间对比度低。(c) 收缩期与舒张期之间的快速非刚性形变。(d) 深度相关的声衰减。(e) 稀疏标注（仅 ED/ES）。(f) 实时临床需求。
方法
正交状态更新（OSU）
OSU 通过正交化更新将记忆演化约束在 Stiefel 流形上。通过强制严格正交性，状态的 Frobenius 范数保持恒定，防止奇异值衰减和秩崩溃。参数化的高阶 Newton-Schulz 迭代实现了高效的投影，无需显式 SVD，将计算成本从 O(Cv·Ck²) 降低到固定次数的矩阵乘法。
Figure 3. 正交状态更新（OSU）机制架构。左：标准欧几里得递推允许状态偏离流形，导致秩崩溃。右：OSU 将无约束状态显式投影回 Stiefel 流形，保持正交性并防止奇异值衰减。
解剖先验感知特征增强（APFE）
APFE 将空间特征提取重新建模为物理驱动的解耦过程。它通过大核平均池化将特征图分解为低频声偏置场和高频结构残差。双路 Conv-BN-ReLU 通路分别处理结构几何和区域级语义，通过自适应门控机制融合。这为时序跟踪器提供了抗噪声的结构锚点。
Figure 4. 解剖先验感知特征增强（APFE）模块架构。大核平均池化将特征图分解为低频声偏置场与高频结构残差。双路 Conv-BN-ReLU 通路分别处理结构几何与区域级语义，经自适应门控机制融合，为时序跟踪提供抗噪声的结构锚点。
实验结果
OSA 在 CAMUS 和 EchoNet-Dynamic 数据集上达到了最先进的性能，mDice 达 94.82，实时推理速度为 35 fps。
Table 1. 与现有最先进方法的定量比较。
Table 2. 消融实验结果。
Figure 5. 在 CAMUS 和 EchoNet-Dynamic 数据集上的定性分割结果。OSA 在不同成像质量、声影和模糊边界等真实临床挑战下始终保持更准确的轮廓。
BibTeX
@InProceedings{Wang_2026_CVPR,
author = {Wang, Rui and Wu, Huisi and Qin, Jing},
title = {{OSA}: Echocardiography Video Segmentation via Orthogonalized State Update and Anatomical Prior-aware Feature Enhancement},
booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
month = {June},
year = {2026},
pages = {1428-1438}
}