近期，深圳大学医学部生物医学工程学院汪天富教授团队的研究成果《Dual Attention Enhancement Feature Fusion Network for Segmentation and Quantitative Analysis of Paediatric Echocardiography》在顶级期刊Medical Image Analysis（2020年IF：11.148）上发表。论文通讯作者是汪天富教授和夏焙主任，第一作者是硕士研究生郭力宝（导师：汪天富）和雷柏英副教授，深圳大学为第一署名单位，深圳市儿童医院为合作单位。

先天性心脏病（Congenital heart disease，CHD，简称先心病），是一种复杂的疾病，诊断过程也是繁琐的，一些功能型先心病在诊断过程中需要测量心脏的生物学参数，目前测量心脏的生物学参数需要医生手动勾画出解剖区域或者点出关键点，该过程耗时、低效筛查先天性，重复性高，结果依赖医生本身的专业水平。小儿超声心动图是筛查先心病常用的方法，小儿超声心动图的分割与生物学参数的测量对先天性心脏病的诊断和后续的治疗计划都有重要意义。小儿超声心动图的自动分割与测量，能够简化先心病诊断过程，提高诊断效率，为此提出一种小儿超声心动图自动分割测量方法。

该研究提出一种分割算法，命名为双注意力增强特征融合网络，用于小儿超声心动图左心室、左心房和心尖三角形区域自动分割。为了增强编码器的特征提取能力，首先提出一个带有通道注意力的双路径特征提取模块。考虑到卷积神经网络中，低层网络的特征图中含有丰富的空间信息，高层网络的特征图含有丰富的语义信息。为有效融合网络的高级特征和低级特征，基于空间注意力设计了一个高级-低级特征融合模块。另外，还设计了一个混合损失函数，能够在像素级修正分割目标的边界，以更好的分割目标的边缘。并根据分割结果定位到关键点，实现生物学参数的自动测量。通过分割在不同的分割任务中，网络性能都取得了很优秀的性能，在左心室分割任务中Dice系数最高达到0.9547，左心房0.9130，心尖三角形0.9100。通过两个分割任务对小儿超声心动图左心室容积的测量，结果皮尔森系数最高达到0.9636，平均绝对距离为4.0967，表明了我们提出方法的有效性。

该研究获得了国家自然科学基金、广东省自然科学基金、深圳市重点基础研究发展计划等项目资助。

提出自动分割测量方法框架