DUSTrack：超声视频中的半自动化点追踪

为何追踪体内运动至关重要

现代超声设备能实时显示我们跳动的心脏和工作的肌肉，无需放射或手术。然而，将这些颗粒状、快速变化的图像转化为组织运动的精确测量一直颇为困难。本文介绍了 DUSTrack，一款开源软件工具包，帮助研究人员和临床医生更准确且耗费更少人工追踪超声视频中的微小点位，从而为心脏病学、康复和运动科学带来更丰富的洞见。

观察皮下组织的运动

许多医学和运动学问题归结为一个简单思路：身体的特定部位随时间如何移动？追踪心壁的运动可以帮助诊断疾病或指导治疗。跟踪肌纤维能揭示运动员如何产生力，或患者在受伤后如何恢复。超声非常适合这些任务，因为它安全、便携，且可在每秒数百帧的速度下同时捕捉缓慢的呼吸和快速奔跑。挑战在于超声图像噪声大且缺乏清晰边界，因此即便是专家也难以在数百或数千帧中标记同一精确点位，现有的计算方法要么慢慢偏离真实位置，要么在帧间跳动不稳定。

将人为判断与机器学习结合

DUSTrack 通过将点追踪变成人类、深度学习与一种经典运动估计方法（光流）之间的协作来解决这些问题。流程从一个图形界面开始，用户可以逐帧查看一小段视频并指示关键点的位置——例如心壁上的某个点或肌肉边界。与要求用户标注相隔较远帧的做法不同，DUSTrack 遵循临床人员的自然习惯：他们观看连续帧并在点移动时进行调整。软件利用光流自动填充许多中间帧，让用户有机会快速审阅并修正这些估计。经人工校正的样本随后用于训练深度神经网络，使其能够在剩余视频中识别相同点位。

在不丢失重要细节的前提下平滑运动

尽管训练好的网络能较好地在单帧中找到正确位置，但其预测在帧间仍可能出现轻微抖动。简单的平滑滤波能降低这种噪声，但也有可能抹掉携带重要生理信息的真实快速运动。DUSTrack 引入了一种更聪明的清理步骤，同样利用光流，但在短重叠窗口内执行。围绕每个时间点，软件构建多个以神经网络估计值为锚点的小运动片段，然后对它们求平均以生成单一路径。这种方法在抑制模型不完美造成的随机颤动的同时，保留了诸如突发肌肉收缩等快速、真实的运动。

从跳动的心脏到工作的肌肉

为了展示该方法的广泛适用性，作者将 DUSTrack 应用于三种截然不同的任务。在心脏超声视频中，他们跟踪左心室上的若干点，并将其转化为跨数个心跳的壁厚和腔体尺寸的连续测量，而不仅仅是两个时间点的值。在上臂伸展运动的扫描中，他们跟踪两块肌肉内的点以量化不同方向上形状的变化，揭示肱三头肌与肱肌在变形模式上的差异。在小腿肌肉中，他们沿着称为肌束和结缔片的内部结构追踪点，恢复出既定的肌肉构架测量。在最后一种情况下，DUSTrack 的表现与专门的、最新的肌束追踪程序相当，表明一套通用方法可以匹配定制工具。

对未来超声分析的意义

对非专家而言，DUSTrack 可被视为超声视频的精确“运动高亮器”：它帮助人类和算法随着时间紧密追踪微小的内部标志点，减少猜测并抑制不必要的抖动。通过结合直观界面、可训练的神经网络以及考虑运动的平滑步骤，该工具包实现了接近人类专家在这些图像中可靠可见极限的精度。由于它是开源且以模块化方式设计，DUSTrack 既能改进现有测量，也能生成训练未来全自动超声系统所需的大型可靠数据集。

引用: Namburi, P., Pallarès-López, R., Rosendorf, J. et al. DUSTrack: Semi-automated point tracking in ultrasound videos. Sci Rep 16, 13340 (2026). https://doi.org/10.1038/s41598-026-42795-3

关键词: 超声追踪, 组织运动, 深度学习, 生物力学, 超声心动图