TRUST: Efficient Abdominal Trauma Recognition via Image-to-Ultrasound-Video Transfer Learning

📄 arXiv: 2606.27777v1 📥 PDF

作者: Enguang Wang, Hao Zhou, Shuo Gao, Tuo Liu, Guangquan Zhou

分类: cs.CV

发布日期: 2026-06-26

备注: Accepted to MICCAI 2026, 11 pages, 5 figures

💡 一句话要点

提出TRUST框架以解决腹部创伤超声视频理解问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 超声视频分析 迁移学习 时空建模 多模态融合 动态特征提取 医疗影像 创伤评估

📋 核心要点

  1. 现有方法在腹部超声视频分析中面临时空和语义变化的挑战，导致理解的有效性和普适性不足。
  2. TRUST框架通过引入CFCA、MGMA和VQSA模块，显式建模细粒度时空变化，提升超声视频理解的可靠性。
  3. 实验结果显示，TRUST在内部超声创伤数据集上相较于最先进的方法提升了9.63%的性能，并具备更高的计算效率。

📝 摘要（中文）

腹部超声在快速、非侵入性创伤分诊中至关重要。然而，解读连续扫描中细微的动态线索耗时且依赖操作者。参数高效的图像到视频迁移学习（PEIVTL）通过视觉-文本对齐有效适应预训练图像模型到视频领域，但由于医生依赖的扫描实践导致的时空和语义变化，限制了其有效性和普适性。我们提出了TRUST框架，显式建模细粒度时空变化以实现可靠的超声视频理解。通过引入跨频协作适配器（CFCA）和多粒度运动感知模块（MGMA），以及视觉查询语义聚合模块（VQSA），我们在内部超声创伤数据集上的实验表明，TRUST在计算效率上优于现有方法9.63%。

🔬 方法详解

问题定义：本论文旨在解决腹部创伤超声视频理解中的时空和语义变化问题。现有的PEIVTL方法在医生依赖的扫描实践中表现出有效性不足，限制了其在实际应用中的普适性。

核心思路：TRUST框架通过显式建模细粒度的时空变化，结合多种模块来增强超声视频的理解能力。设计的思路是通过不同频率的特征协作和运动感知来捕捉复杂的扫描动态。

技术框架：TRUST框架主要包括三个模块：跨频协作适配器（CFCA）、多粒度运动感知模块（MGMA）和视觉查询语义聚合模块（VQSA）。CFCA用于增强特征提取，MGMA结合局部时间卷积与全局自注意力捕捉动态，VQSA则实现视觉与文本的自适应对齐。

关键创新：TRUST的关键创新在于引入CFCA和MGMA模块，显著提升了在重噪声环境下的特征提取能力，并通过VQSA实现了对不同扫描条件下的自适应视觉-文本对齐。与现有方法相比，TRUST在处理复杂动态时表现出更高的鲁棒性。

关键设计：在CFCA中，设计了低频和高频特征之间的互约束机制，以增强特征的区分性；MGMA模块结合了运动先验引导的全局自注意力，能够有效捕捉稳定的视图模式和突发的视图转变；VQSA模块动态生成基于视觉特征的文本原型，以适应不同的扫描条件。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，TRUST在内部超声创伤数据集上相较于最先进的方法提升了9.63%的性能，且在计算效率上表现优越，显示出该框架在实际应用中的潜力。

🎯 应用场景

该研究的潜在应用领域包括医疗影像分析、创伤评估和急救医学等。TRUST框架能够提高超声视频分析的效率和准确性，具有重要的实际价值，未来可在临床实践中广泛应用，提升创伤患者的救治效率。

📄 摘要（原文）

Abdominal ultrasound is indispensable for rapid, noninvasive trauma triage. However, interpreting the subtle dynamic cues embedded in continuous scanning is time-intensive and operator-dependent. Parameter-Efficient Image-to-Video Transfer Learning (PEIVTL), which efficiently adapts pre-trained image models to the video domain, notably through visual-textual alignment, offers a promising paradigm for ultrasound video analysis. Nevertheless, substantial spatiotemporal and semantic variations arising from physician-dependent scanning practices continue to limit the effectiveness and generalizability of this framework. We propose TRUST, a scan-aware PEIVTL framework that explicitly models fine-grained spatiotemporal variations to enable reliable ultrasound video understanding. First, we introduce a Cross-Frequency Collaborative Adapter (CFCA) that establishes mutual constraints between low- and high-frequency components, enhancing discriminative spatial feature extraction under heavy speckle corruption. Second, we design a Multi-Granularity Motion-Aware (MGMA) module that integrates local temporal convolutions with motion-prior-guided global self-attention, jointly capturing stable intra-view patterns and abrupt inter-view transitions to characterize complex scanning dynamics. Third, a Visual Query Semantic Aggregation (VQSA) module dynamically generates text prototypes conditioned on visual features, enabling adaptive visual-textual alignment robust to intra-class variability under diverse scanning conditions. Experiments on in-house ultrasound trauma datasets demonstrate that TRUST outperforms state-of-the-art methods by 9.63% with superior computational efficiency.