medRxiv 2026年9月20日该研究构建了 MyoSTAT.AI，一个完全在合成数据上运行、确定性可复现的心脏超声分割与剪切波弹性成像（SWE）速度场稳定化基准框架，通过单变量消融比较四种 U-Net 系架构（2D、2.5D、3D、ConvLSTM）并评估六种稳定化方法，报告 ConvLSTM 分割精度最高（Dice 0.994、IoU 0.987，较 2D 基线 Dice 0.808 提升 18.6 个百分点）、UNet2.5D 在 3 帧时间窗下以更低延迟（433 ms 对 1193 ms）达到 Dice 0.983、TensorRT FP16 部署在 RTX 3060 与 Jetson Orin Nano 上分别达到 341 FPS 与 90.4 FPS，以及 smoothn 惩罚最小二乘稳定该研究构建了 MyoSTAT.AI，一个完全在合成数据上运行、确定性可复现的心脏超声分割与剪切波弹性成像（SWE）速度场稳定化基准框架，通过单变量消融比较四种 U-Net 系架构（2D、2.5D、3D、ConvLSTM）并评估六种稳定化方法，报告 ConvLSTM 分割精度最高（Dice 0.994、IoU 0.987，较 2D 基线 Dice 0.808 提升 18.6 个百分点）、UNet2.5D 在 3 帧时间窗下以更低延迟（433 ms 对 1193 ms）达到 Dice 0.983、TensorRT FP16 部署在 RTX 3060 与 Jetson Orin Nano 上分别达到 341 FPS 与 90.4 FPS，以及 smoothn 惩罚最小二乘稳定MyoSTAT.AI：面向合成数据上时间分割与剪切波速度稳定化的可复现基准测试工具包该研究构建了 MyoSTAT.AI，一个完全在合成数据上运行、确定性可复现的心脏超声分割与剪切波弹性成像（SWE）速度场稳定化基准框架，通过单变量消融比较四种 U-Net 系架构（2D、2.5D、3D、ConvLSTM）并评估六种稳定化方法，报告 ConvLSTM 分割精度最高（Dice 0.994、IoU 0.987，较 2D 基线 Dice 0.808 提升 18.6 个百分点）、UNet2.5D 在 3 帧时间窗下以更低延迟（433 ms 对 1193 ms）达到 Dice 0.983、TensorRT FP16 部署在 RTX 3060 与 Jetson Orin Nano 上分别达到 341 FPS 与 90.4 FPS，以及 smoothn 惩罚最小二乘稳定该研究构建了 MyoSTAT.AI，一个完全在合成数据上运行、确定性可复现的心脏超声分割与剪切波弹性成像（SWE）速度场稳定化基准框架，通过单变量消融比较四种 U-Net 系架构（2D、2.5D、3D、ConvLSTM）并评估六种稳定化方法，报告 ConvLSTM 分割精度最高（Dice 0.994、IoU 0.987，较 2D 基线 Dice 0.808 提升 18.6 个百分点）、UNet2.5D 在 3 帧时间窗下以更低延迟（433 ms 对 1193 ms）达到 Dice 0.983、TensorRT FP16 部署在 RTX 3060 与 Jetson Orin Nano 上分别达到 341 FPS 与 90.4 FPS，以及 smoothn 惩罚最小二乘稳定