01 / 特征分解公式驱动 · 合成特征
APFE 究竟分离了什么？
局部平均提取缓慢变化的强度分布；与平均值的正、负偏差分别保留互补的对比度线索。
X = M + X+ − X−
这个分解在代数上精确，但并不等于完美分离解剖结构：高频散斑仍可能保留在残差里。真实网络还会通过可学习的卷积分支和自适应门控融合这些通道。
开发中 · 阅读体验比较 / B / 02
打开模型，追踪信息流。
两种入口，同一篇 OSA 论文。先观察运动示意，再深入模型模块，最后亲手操作数学实验。这里的模拟都不是临床预测。
01 — 认识系统
一帧图像，两类信息。
观察当前帧的空间特征与跨帧传递的记忆。点击任意模块，了解它在整个流程中的职责。
合成运动示意Ft
由程序生成的形状与纹理，不是患者视频、真实标注或模型分割结果。
OSA / 信息流
点击查看模块OSA 内部信息流
St−1 → St · 记忆跨帧传递
正在查看01 / ResNet-50
先把图像变成特征
ResNet-50 把超声帧转换为特征图。特征图是由一组数字组成的网格，并不是原始像素。
再提取与解剖相关的线索
APFE 将特征分为局部均值与正负对比度残差，再由学习得到的卷积分支和自适应门控融合；这不等于完全去除散斑。
然后保持跨帧记忆可用
OSU 使用新帧更新矩阵状态，再将其近似投影到正交状态。状态还会从上一时刻流向下一时刻。
最后输出左心室分割
解码器把跟踪后的特征转成分割掩膜。这里的动画只是教学示例，不是真实解码器的预测。
沿箭头看每帧的处理顺序；下方返回的线表示上一帧的状态会传到下一帧。
02 — 研究问题
边界本来就难看清，记忆还不能越用越不稳定。
心超图像变化快、散斑噪声重。OSA 用 APFE 应对空间信息的不确定性，用 OSU 应对跨帧记忆的退化。
01心脏持续变形
左心室在心动周期中不断改变形状。
02观测受到噪声影响
散斑和低对比度让边界变得模糊。
03记忆方向退化
无约束的循环状态，某些信息方向可能逐渐失去独立性。
03 — 一点必要的数学
一个信息方向消失，究竟意味着什么？
拖动两根单位向量之间的夹角，就能理解 OSU 中的两个术语。这里不要求先学过线性代数。
最小奇异值0.811最弱的方向被压缩多少
条件数1.43强弱方向相差多少
两根箭头方向不同，但这个矩阵的各个方向并不完全均衡。
什么是奇异值？
想象在橡皮布上画个圆，矩阵变换会把圆拉成椭圆。奇异值就是椭圆两个方向被拉伸的倍数。最小奇异值很小，意味着某个方向几乎被压没了。
条件数又是什么？
用最大的拉伸倍数除以最小的。结果是 1，说明各个方向很均匀；数字很大，说明有些方向特别难恢复。最小奇异值为零时，条件数是无穷大。
这和 OSU 有什么关系？
理想正交状态的列向量长度都为 1、彼此垂直，因此奇异值全为 1。论文真正使用的是有限步 Newton–Schulz 近似投影，不是这里的完美二维校正。
箭头与数字来自自定义的 2×2 数学示例，不是 OSA 实测数据，也不是临床结果。
04 — 亲手做实验
进一步拆开两个核心机制。
两版都会展示完全相同的 APFE 与 OSU 教学实验。一次只改变一个参数，再观察发生了什么。
交互式方法导读
亲手操作，理解 OSA 的核心机制
跟随一帧心超特征走完整个 OSA：先观察不同特征线索如何分解，再看记忆状态如何稳定更新。拖动控件即可探索背后的数学过程。
02 / 稳定的时序记忆公式驱动 · 2×2 简化状态
为什么需要正交化记忆？
两侧接受同样的门控更新序列。只有右侧会在每一步将中间状态投影回正交基。
S⊤S = I
状态矩阵的奇异值
σ₁
σ₂
状态矩阵的奇异值
σ₁
σ₂
这个简化实验采用论文的门控递推公式（式 1）与理想二维极分解投影。实际 OSU 使用带缩放、有限步的 Newton–Schulz 近似；这里的柱状条来自示例矩阵，而非真实模型测量。
05 — 回到论文证据
教学示意在哪里结束？
OSA 原论文提供正式的网络结构、数学推导，以及 CAMUS 和 EchoNet-Dynamic 上的实验。这里的交互只解释原理，不代表已经复现实验。
查看论文原始证据 ↗