OSA：基于正交状态更新与解剖先验感知特征增强的超声心动图视频分割

超声心动图左心室分割对心功能评估至关重要，但面临以下挑战：

• 严重散斑噪声与低对比度
• 快速非刚性形变（收缩期 ↔ 舒张期）
• 稀疏标注（仅 ED/ES 帧）

现有视频分割模型忽略了超声特有的噪声统计特性，而时序模型则存在状态退化问题。OSA 同时解决这两个问题：

• 通过物理驱动的解剖解耦实现散斑韧性
• 通过正交化状态更新实现时序稳定性
• 通过ED/ES 帧监督处理稀疏标注

• 首个统一的时序+超声感知架构
• Stiefel 约束防止秩崩溃
• 物理驱动解耦增强噪声韧性
• Stiefel 流形：S_t ∈ V_{Cv, Ck}，满足 S^⊤S = I
• Newton-Schulz 投影：避免精确 SVD，O(1) 固定步数

我们提出 OSA——联合时序稳定与解剖感知增强：

• OSU：Stiefel 流形约束防止秩崩溃
• APFE：物理驱动解耦分离解剖结构与散斑噪声

OSA 使用 ResNet-50 骨干网络分割左心室。

流程：

1. ResNet-50 提取特征 F_t
2. APFE 解耦为键/值
3. OSU 在 Stiefel 流形上维护状态 S_t
4. 查询 Q_t ⊗ S_t
5. 解码器输出掩膜 M_t

线性循环模型遭受秩崩溃：无约束更新导致 S_t 中的奇异值衰减。

OSU 将状态更新投影到 Stiefel 流形上，确保心脏周期中的稳定过渡。

APFE 通过物理驱动分解将解剖结构与散斑噪声解耦，构建稳定的结构锚点。

在 CAMUS 和 EchoNet-Dynamic 数据集上，mDice 和 mHD95 均达到 SOTA。OSA 取得 94.82% mDice 与具有竞争力的 mHD95，反映临床测量所需的卓越边界精度。推理速度达 35 fps，满足临床实时部署需求。

OSA 在散斑密集区域展现出更优的边界保持能力和更少的假阳性。与 SAMed-2、EchoVim 等最先进方法相比，即使在严重声影和低对比度心尖视图下，OSA 仍能在完整心动周期中保持一致的轮廓跟踪。