从超声看到颏舌骨肌：用分割加骨架把发音时的肌肉厚度自动量出来

英文题目：Automated Measurement of Geniohyoid Muscle Thickness During Speech Using Deep Learning and Ultrasound

会议身份：conference:interspeech:2026:conference-paper-id:myrgyyassov26_interspeech

来源为官方会议 PDF；图片依据原页像素，表格数字依据原文引用。PDF 文字层不视为原始 TeX，未可靠恢复的结构不作推断。

会议来源：官方记录 · 官方 PDF

标签：#CNN #发声与构音 #语音 #语音属性识别

评分：6.1/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 1.0/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Alisher Myrgyyassov：机构信息未能从会议 PDF 纯文本可靠映射
• Bruce Xiao Wang：机构信息未能从会议 PDF 纯文本可靠映射
• Yu Sun：机构信息未能从会议 PDF 纯文本可靠映射
• Shuming Huang：机构信息未能从会议 PDF 纯文本可靠映射
• Zhen Song：机构信息未能从会议 PDF 纯文本可靠映射
• Min Ney Wong：机构信息未能从会议 PDF 纯文本可靠映射
• Yongping Zheng：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

输入为颏下中矢状面B超视频帧，输出为颏舌骨肌（geniohyoid，GH）厚度随时间变化曲线，难点在于深部肌肉边界模糊、探头摆位敏感与人工描记主观耗时。所提骨架形态肌肉分析框架（Skeleton-based Morphometric Muscle Analysis，SMMA）先以卷积网络分割肌肉区域，再经形态学后处理与细化提取中轴并计算中段骨架到边界的垂直距离，最后与同步音频的元音事件对齐形成动态测量。与既往舌轮廓追踪及吞咽领域人工横截面测量相比，该链路首次实现深部舌肌厚度在发音过程中的全自动逐帧量化。为解耦评估分割与测厚，试验在11名粤语发音人的按被试划分上对比5种分割网络与3名标注者一致性，并在随机与优选图像上对比超声医师人工厚度。在厚度测量任务下，临床优选图像上SMMA的平均绝对误差指标为0.53 mm，低于随机抽样图像上SMMA的平均绝对误差指标0.88 mm。该结论目前仅适用于受控摆位下的孤立元音与健康成人，连续语流、病理人群与跨语言外推尚未验证。原文未披露训练成本，仅报告推理吞吐。

🔗 开源与复现资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

输入是什么？为什么研究说话时的深层肌肉？

这篇论文的输入是放在颏下正中矢状面的 B 超视频，加上同步录到的语音。目标是在说话过程中逐帧量出颏舌骨肌的厚度。颏舌骨肌是舌头下方较深的一条肌肉，白话说就是连接下颌和舌骨、能拉动舌骨和下颌的一块肌肉，英文是 geniohyoid muscle，后文简称 GH 肌。研究生容易以为语音研究只要看声波或舌面轮廓就够了，但舌体高低前后直接决定元音，而舌体位置又受下颌和舌骨力学影响，所以只跟踪舌面会漏掉深层驱动。

论文要解决的矛盾是：B 超能实时无辐射看深层肌肉，可是 GH 肌在图上边界不如舌面清楚，探头位置一变形态就变，不同人标注位置也不一样，手工 1 帧 1 帧描太慢，做不大规模语音实验。开场必须保留 3 条信息：任务是说话时 GH 肌厚度自动测量；方法是深度分割加骨架几何，框架名叫 SMMA，也就是 Skeleton-based Morphometric Muscle Analysis；最强证据是在显示清晰图上平均绝对误差 0.53 毫米、相关 0.901，主要代价是对图像质量敏感、样本只有 11 人且只有粤语孤立元音。

本文默认从原文独立写作，不引用外部评价，所有数字回到原文核对。

术语小抄：第一次见这些词怎么记？

颏舌骨肌就是下颌到舌骨的深层肌，管张口降下颌和舌骨前移。正中矢状面就是把头从中间切成左右两半的切面，探头放颏下沿前后方向看，左右偏了就不是这个面。B 超是超声亮度成像，亮的是强反射界面，暗的是肌肉实质，斑点是相干噪声不是解剖。Dice 和交并比都是重叠分数，越高表示两块掩膜重得越多；HD95 是边界距离的 95 分位，越小表示轮廓贴得越紧。

平均绝对误差是预测与真值差的绝对值平均，毫米越小越好；相关 r 是两列数同升同降的程度，决定系数是能解释的方差比例。效应量 Cohen’s d 是均值差除以标准差，大于 0.8 算大，大于 1.3 算很大。变异系数是标准差除以均值，越小表示重复越稳。把这些白话先记住，后面读表不会把百分点和百分比、自动指标和人评混在一起。

已有路线卡在哪里？这篇工作补哪一块？

先把同类工作按输入、目标、监督和运行阶段摆清楚。第一条路线是舌轮廓跟踪，输入同样是语言超声，目标是舌面曲线，监督是轮廓标注，运行是逐帧跟踪。这条路线相对成熟，因为舌面在 B 超上是亮带，分割容易，而且能直接讲元音舌位，所以语音文献做得多。第二条路线是吞咽和进食评估以及肌少症厚度测量，输入也是肌肉超声，目标多是横截面积或组织特征，监督是手工卡尺，运行多是静态单帧。

这条路线临床意义明确，但不处理说话时的连续运动，也不解决语音对齐。第 3 条路线是少量尝试用超声量舌肌特性的研究，论文点名它们依赖手工测量，存在较大的评分者间差异，而且集中在生理而非发音。SMMA 补的是中间缺口：输入是说话时的 GH 肌正中矢状视频，目标是逐帧厚度，监督是掩膜加发音员卡尺，运行是全自动无需初始化。同输入同目标下，此前没有经过验证的自动分割工具。

同监督下，此前是单人手工，本文用 3 人标注给出人类区间，再用发音员厚度做第二阶段验证。所以不要把舌轮廓的高精度直接当成肌肉分割也容易，也不要把吞咽静态厚度误差直接当成说话动态误差，对照必须限定在同一肌肉、同一成像切面和同一评价方式下谈。

同输入同目标对照：为什么不直接比舌面跟踪的分数？

初学者最易犯的错是跨任务比分数。舌面跟踪输入也是超声，但目标是亮带曲线，边界对比强，0.95 的 Dice 不代表肌肉也能 0.95。吞咽厚度输入也是肌肉，但目标多是静态横截面积，不处理每秒 30 帧的运动和语音对齐，误差口径不同。肌少症超声输入也是肌肉，但人群是老年人且任务是萎缩判断，与年轻人发音时的动态增厚机制不同。公平对照只能是同一 GH 肌、同一正中矢状切面、同一跨被试测试集上的 5 个分割模型，以及同一发音员卡尺下的随机与优选两档厚度。

论文的对照满足前者，5 个模型同协议 3 次平均；后者用同一 SMMA 流程换图像子集，隔离出质量效应。没有做的对照也要点名：没有和传统无学习 snake 或阈值法比，没有跨超声机型比，没有跨语言比，所以不能说深度方法必然优于传统方法，只能说在本文协议下 UltraUNet 优于所列 4 个深度基线。

要自动量厚，难在哪几个具体动作？

把任务拆成一个样本能走完的动作链，难点就清楚了。第一步是成像：发音员把凸阵探头放在颏下下颌与舌骨之间，保持正中矢状面，以中间腱为解剖标志保证切面一致，被试坐直自然发音。探头一偏，肌肉长短厚薄在图上都会变，这是误差源之一。第二步是找边界：GH 肌呈横向弧形带状，上下边界受斑点噪声、声影和模糊影响，差图上哪几像素就是零点几毫米。第 3 步是定位置：手工卡尺点选哪里算厚度，不同人理解不同，这是评分者差异的来源。

第四步是连时间：孤立元音要取发音中点稳态帧，连续说话要处理协同发音和快速过渡，单帧准不等于曲线稳。论文因此把验证拆成两段：先验证分割是否找对区域，再验证厚度数字是否与发音员卡尺一致，最后才拿元音差异做应用演示。教学例子：可以把 GH 肌想象成一根横放的香蕉，分割是把香蕉从背景果盘里抠出来，骨架是沿香蕉画一条中线，厚度是在中线多个点上向两侧画垂线。

比喻之后回到真实信号：中线来自掩膜细化，垂线长度来自像素到边界距离再换算成毫米，香蕉两头细所以只取中间段平均。

SMMA 全景：一个样本如何从视频帧走到厚度曲线？

SMMA 全名是基于骨架的形态肌肉分析，白话就是先用神经网络抠肌肉，再用几何算厚度。拿 1 帧 224 乘 224 像素的 B 超图为例，先做裁剪、缩放和归一化，然后送进卷积网络得到同样 224 乘 224 像素的二值掩膜，白色是肌肉，黑色是背景。掩膜再经过闭运算、开运算、孔洞填充和高斯平滑去小伪影，并只保留最大连通域防止断成几块。接着用细化算法抽出单像素宽的中轴线，只保留中间 50% 求平均厚度，同时可得骨架弧长作为肌肉长度，还可选算曲率和横截面积。

厚度定义是每个骨架点到肌肉边界两侧距离的 2 倍，也就是该点处垂直于走向的肌腹宽度。逐帧重复就得到厚度随时间曲线，再按同步音频找到每个元音段，取稳态值比较/a:/、/i:/、/u:/。下面这段先做导读：三格图分别对应原图加探头示意、自动掩膜、骨架加毫米数，是理解全流程最关键的一张图。

颏舌骨肌分割 × 骨架厚度测量： 颏舌骨肌分割负责在正中矢状 B 超图上把肌肉区域圈出来，输出二值掩膜；骨架厚度测量负责在掩膜里提取中轴线并量中轴到上下边界的垂直距离。两者搭配的原因是超声边界模糊、手工卡尺位置不固定，直接回归厚度不稳定，先分割再几何量厚把外观学习和形态计算分开，新增作用是得到逐帧可复算的厚度和长度曲线。

下面导读与图的闭环要求先说明看图顺序，再放图，再解释可见内容。读这张图要沿着从左到右的因果看，而不是孤立看某一格的亮度。

看图路径： 1. 先看(a) 原图与右上角探头位置示意，确认是颏下正中矢状切面；2. 再看(b) 绿色虚线肌肉带，确认分割带呈横向弧形且连续；3. 再看(c) 白色虚线轮廓内橙色短中轴，确认只取中段并读出毫米与像素两行数字；4. 对比三格视野范围，确认(b)(c) 是对同一肌段的掩膜与几何抽象

论文图 1。原论文 Figure 1：“Visualization of the SMMA pipeline. Image (a) shows the original image and probe placement, (b) an automatically generated UltraUNet mask, and (c) shows the middle 50% skeleton…”。

图上可见：左格是扇形 B 超原图，右上角叠加了头部侧影和探头在颏下的位置示意；中格在下部弧形带上叠了绿色虚线轮廓，就是 UltraUNet 输出的肌肉掩膜边界；右格黑底上白色虚线是同一掩膜轮廓，内部橙色短线是中间段骨架，上方框内同时给出 5.77 毫米和 25.87 像素，说明系统保留了像素到毫米的换算。这个例子显示厚度不是单点卡尺，而是中段多点平均，复述方法时必须讲清掩膜后处理、取最大连通、只用中段这 3 步，否则别人复现会得到偏薄或抖动更大的数。

分割之后厚度到底怎么算？为什么只用中间一半？

这一节只讲第二个组件的计算，符号先交代清楚。记平滑后的掩膜为 Msmooth，细化得到全部骨架点集合为 S。对每个骨架点 p，算它到边界的距离 d，再乘以 2 得到该点厚度 t。最后只在 Smiddle 上平均，Smiddle 指骨架点按弧长排序后 25% 到 75% 分位的中间段，平均值记为 Tmean。原文明确的实现是先形态学加高斯平滑，再保证最大连通不分裂，然后用经典细化算法得到单像素脊线。

只用中间 50% 的原因是两端收尖且易受声影截断，全段平均会把端部薄值混进来，低估肌腹厚度，也放大帧间抖动。操作上复述为：掩膜平滑、取最大连通、细化、中段平均、四舍五入前保留像素与毫米双单位。论文没有给出像素到毫米换算系数的具体标定过程，只在图上显示两者并存，这是复现时要补问的第一项缺项：不同深度和探头设置下毫米换算是否逐会话标定。

中间 50% 骨架 × 边缘效应： 中间 50% 骨架负责只保留骨架点 25% 到 75% 分位区间求平均厚度；边缘效应指肌肉两端变尖、边界不清导致端点厚度抖动大。搭配原因是两端几何不代表肌腹厚度，截掉两端再平均能压住抖动，新增作用是让逐帧曲线更稳且与发音员在肌腹中部卡尺的位置习惯对齐。

另一个常被忽略的细节是连接性保持。超声斑点容易把一条肌肉断成两截，如果不断连就直接细化，会得到两条短骨架，厚度平均就错了。论文的做法是在形态学和平滑时防止分裂并保留最大连通，这一步没有可调参数报告，但对连续跟踪的断点有直接影响，后文图 3 在 75 秒附近的缺失就与质量下降有关。

沿一帧走完全程：数字从哪里来？

设你手里有 1 帧发/a:/中点的图。第一步预处理把它变成 224 乘 224 归一化数组。第二步 UltraUNet 输出概率图，阈值化成二值掩膜。第 3 步闭运算填小缝，开运算去小点，孔洞填充补内部空洞，高斯平滑让边缘不锯齿，取最大连通只留主肌带。第四步细化成单像素骨架，按弧长取 25% 到 75% 中段。

第五步对中段每个点算到上下边界距离的 2 倍，求平均得到像素厚度，再乘标定系数得到毫米，例如图 1 例子是 25.87 像素对应 5.77 毫米。第六步把该帧时间戳对到音频的/a:/段，存入曲线。第七步对该发音多次重复取稳态均值，进入方差分析和混合模型。任何一步缺了都会断链：缺最大连通会多出碎骨架，缺中段截取会混入端部薄值，缺毫米标定则跨会话不可比。复述时按这个顺序讲，听的人能唯一回指每一步的输入输出，不会把分割 Dice 和厚度毫米混成一个东西。

分割模型怎么训？哪些参数动、哪些没说？

训练部分必须按证据讲清监督来源和冻结情况。数据是 1650 张已标注图，来自 5 男 6 女共 11 名粤语人，每人 150 张按固定采样率抽取，其中约 12% 是边缘模糊或有声影的低质量图，目的是让模型见过真实临床波动。划分按被试分为 7 比 2 比 2 进入训练、验证和测试，测试被试对模型不可见，测试集每张图由 3 名受过 10 年经验发音员培训的标注员独立标 3 次，训练和验证集每张只有一个标注。

5 个候选模型是 Attention UNet、UNet、UltraUNet、SwinUNet 和以 ResNet-50 为骨干的 DeepLab v3，统一训 50 轮、10 轮无提升早停，损失是 Dice 权重 0.8 加 Focal 权重 0.2，学习率和初始化按各自文献原设置，输入和掩膜都是 224 乘 224 像素，并用超声专用在线增强。论文没有报告优化器类型、批量大小、学习率具体值和增强的随机参数，也没有说骨干是否冻结或厚度几何部分有无可学习参数。按证据只能说分割网络是可训练的，骨架测厚是无参数几何计算，梯度只在分割训练时从 Dice 加 Focal 损失回传，推理时分割加几何前向 1 次得到厚度。

每个模型独立训 3 次取平均，这是后文标准差的来源。资源只给了推理侧：UltraUNet 为 4.45M 参数、每秒 250 个掩膜，UNet 为 31.04M 参数、每秒 90 个掩膜，硬件是 RTX3060 加 11 代 i5，训练耗时和显存没有报告，不能承诺训练成本低。

训练与推理的计算分工：梯度到哪里停？

训练只发生在分割网络。损失是 Dice 加 Focal，前者管重叠，后者管难例边界，权重 0.8 和 0.2 是原文给定，没有做权重消融。增强是超声专用在线增强，原文引用前人工作但未列参数，复现时只能写缺项。推理时梯度不再流动：图像前向 1 次得掩膜，几何前向 1 次得厚度，没有迭代优化，也没有测试时更新。重置时机只有早停：验证 10 轮无提升就停，最多 50 轮。

监督来源有两层：分割监督来自人工掩膜，厚度监督只用于评价，不回传训练分割，这是 2 阶段验证能分开谈的前提。未报告的是梯度细节：优化器、学习率、权重衰减、批量大小、是否用预训练，这些都不能从 UNet 或 ResNet 名字推定。教学上要纠正一个误解：无训练的几何部分不等于确定性求解，因为输入掩膜本身是网络预测，帧间仍有随机性；冻结参数也不等于输出确定，因为超声噪声和探头抖动会让同一发音多次测量有 5% 左右变异。

实验条件：数据、设备、划分与两级验证如何对齐？

实验按测什么、和谁比、条件是否一致来组织。设备是 SuperSonic Imagine Aixplorer 加 SC6-1 凸阵探头，同一名发音员采集以减少操作者差异，被试 upright 坐姿，探头颏下正中矢状面，视频 30 帧每秒并同步音频。任务包括孤立元音、辅音和音节序列，但应用演示只用/a:/、/i:/、/u:/3 个长元音，每元音每人重复 6 次，共每个元音 66 个发音。分割验证比较的是 5 个模型在未见被试测试集上的 Dice 和交并比，基线是 3 个标注员两两之间的一致性。

厚度验证比较的是 SMMA 自动厚度与发音员手工卡尺，110 张图按被试各 10 张且对分割模型不可见，其中 55 张随机抽不看质量，55 张由发音员按声学选发音中点且显示清晰。指标方向要记牢：Dice 和交并比越高越好，HD95 越低越好；厚度是平均绝对误差、均方根误差、相对误差和 95% 一致界越小越好，相关 r 和决定系数越大越好。统计用重复测量方差分析和线性混合效应模型，固定效应是元音和性别，随机截距是被试，以处理重复测量。

下面这张表把数据规模和采集条件收拢，读表前先提出问题：在什么数据和采样下谈误差，跨被试是否泄漏。

随机抽图验证 × 临床优选图验证： 随机抽图验证负责反映自然录制中的模糊、声影和探头偏移；临床优选图验证负责在发音稳态且显示清晰的帧上看方法上限。搭配原因是只报好图会高估实用性，只报随机图又说不清误差来自分割还是成像，新增作用是把 MAE 从 0.88 mm 到 0.53 mm 的差距明确归因到图像质量。

表前比较问题与公平条件说明：厚度误差必须注明是随机图还是优选图，分割分数必须注明是否跨被试，指标方向不同不能混排，采样帧率和重复次数决定曲线稳定性判断。

表后解释主要收益与代价：按被试划分避免了同一人图像同时出现在训练和测试，这是可信度的关键收益；代价是总共只有 11 人，测试被试很少，跨口音、跨设备和病理人群都未评测。每人每图 150 张是固定率采样而非只挑好图，保留 12% 低质量图让训练更贴近真实，但也意味着随机验证误差必然大于优选验证。30 帧每秒对 800 毫秒左右的孤立元音足够取稳态，但对连续语流的快速过渡是否够密，论文没有验证，这是把结论推广到连续语音时的边界。

统计与聚合：平均是对谁平均的？

数字相同不代表同一指标，聚合对象必须核对。分割表里的均值加减标准差有两层：跨被试平均和跨 3 次运行平均，UltraUNet 运行级 Dice 标准差 0.0318、图像级 0.0086，说明跨次比跨图更稳。厚度表里的平均绝对误差是对 110 张图或 55 张子集平均，相关是对预测与真值两列算皮尔逊，决定系数是回归解释方差比。元音表里的 7.29 加减 0.90 是对 11 人每人多次重复先平均再跨人平均，p 值来自重复测量方差分析和混合模型，不是单次 t 检验。

性别 p 值/a:/为 0.200、/i:/为 0.041、/u:/为 0.009，是按元音分开检验，混合模型又说交互不显著，两者不冲突：前者是分元音看绝对厚度差，后者是看跨元音的相对格局是否男女一致。百分点和相对百分比不同：相对误差 7.57% 是误差除以真值，变异系数 5.06% 是标准差除以均值，不能互换。自动指标不能当人评：Dice 高不等于厚度准，必须再看发音员卡尺，这是论文做 2 级验证的原因。

分割准到什么程度？厚度误差在什么图上才小？

先讲分割。人工两两 Dice 从 0.9001 到 0.9179，交并比从 0.8209 到 0.8493，这就是人类区间。5 个模型里 UltraUNet 平均 Dice 为 0.9037，交并比为 0.8263，进入人类区间下沿，且 3 次运行标准差最小，图像级 Dice 标准差 0.0086，运行级 Dice 标准差 0.0318。Attention UNet 约 0.8707，DeepLab v3 约 0.8792，UNet 约 0.8870，SwinUNet 只有 0.8159 且波动大。HD95 上 UltraUNet 为 2.25，UNet 为 3.54，且 UltraUNet 参数更少速度更快，所以被选为后续主干。这里要就近说明未胜出项：SwinUNet 明显落后，UNet 和 DeepLab 有竞争力但稳定性和精度都不及 UltraUNet，不能只报冠军。

UltraUNet × 人工标注一致性： UltraUNet 负责在统一训练协议下学习肌肉边界；人工标注一致性负责给出人类上限，即 3 个标注员两两 Dice 约 0.90 到 0.92。搭配原因是自动分割不能只看绝对 Dice，要看是否进入人类分歧区间，新增作用是用人类区间判断 0.9037 是否算接近人水平，而不是孤立说分数高。

再讲厚度。随机图上平均绝对误差 0.88 毫米，均方根 1.10 毫米，相关 0.707，决定系数 0.317，平均相对误差 12.75%，95% 落在手工值正负 1.83 毫米内。优选图上平均绝对误差 0.53 毫米，均方根 0.75 毫米，相关 0.901，决定系数 0.810，平均相对误差 7.57%，95% 一致界收窄到正负 1.46 毫米。回归斜率随机 0.77、优选 0.81，截距 1.84 毫米和 1.40 毫米，平均偏差随机 0.24 毫米、优选 0.06 毫米，说明好图上更接近对角线。读散点图要先确认横纵轴都是毫米，红色是完美预测，蓝色是拟合回归，不能把左图点散直接说模型坏，而是按原文归因到成像质量。

看图路径： 1. 先确认横轴是发音员真值厚度，纵轴是自动预测厚度，单位都是毫米；2. 再对比红色完美预测虚线与蓝色回归实线在低值端和高值端的偏离；3. 比较左图随机抽样点更散、右图优选图点更贴近对角线的密集程度

论文图 2。原论文 Figure 2：“SMMA automated measurements versus sonographer ground truth for randomly selected (left) and manually selected images with superior visualization (right).”。

上图解释：左格随机图点围绕对角线但上下散布大，低值端回归线高于对角线，说明薄肌易高估；右格优选图点更贴对角线，回归线与红色虚线几乎重合，相关标注分别为 0.707 和 0.901。教学上要强调决定系数从 0.317 跳到 0.810 不是模型换了，而是同一方法在不同图像质量下的表现，复现时必须分开报两种条件。

表前比较问题与公平条件说明：下表把分割冠军与人类区间、厚度两种质量条件放在同一问题下比较，指标方向是 Dice 越高越好、误差越小越好、相关越大越好，条件是否一致看是否同为未见被试和同一发音员真值。

表后解释收益代价与反例：收益是优选图上误差小于 0.6 毫米且相关超 0.9，达到临床可用讨论线；代价是随机图误差大近一半，说明自然录制中仍有约 1 毫米量级抖动。反例是 SwinUNet 在同协议下明显落后，说明 Transformer 不自动适配小样本超声肌肉；未评测边界是探头压力、头位和不同超声机型，这些都会改变毫米换算和形态。总体趋势不等于每帧都准，末步结果不能推广到全程连续语流。

肌肉增厚 × 下颌下降： 肌肉增厚负责作为超声可观测的形态量；下颌下降负责作为/a:/相对/i:/的发音动作解释。搭配原因是体积近似守恒时主动收缩会变短变厚，而/a:/需要张口降下颌，新增作用是把 7.29 mm 对比 5.95 mm 的差从单纯数字变成可检验的发音生理假设，但论文只报告相关，尚未直接测肌电或张力。

元音应用显示/a:/最厚 7.29 毫米，/u:/居中 6.65 毫米，/i:/最薄 5.95 毫米，/a:/对比/i:/在女性效应量 1.86、男性 1.31，方差分析 F 为 4.84、p 为 0.019，混合模型确认元音主效应显著而元音与性别交互不显著。重复性变异系数 5.06%。连续跟踪图是理解动态的关键，导读是先看时间轴再按颜色读发音段。

看图路径： 1. 先看横轴 48 到 80 秒的时间范围和纵轴厚度毫米，确认是连续跟踪曲线；2. 再按顶部紫色/a:/红色/i:/绿色/u:/色块读出每次发音对应的波峰波谷；3. 注意 75 秒附近的断点，对应原文所说图像质量下降时的跟踪缺失

论文图 3。原论文 Figure 3：“Representative 30-second sample from the full recording of continuous muscle thickness tracking on a female subject during speech production.”。

上图解释：横轴 48 到 80 秒，纵轴厚度毫米，黑色曲线随紫色/a:/升高、红色/i:/骤降、绿色/u:/居中起伏，每个元音约 800 毫秒，/a:/波峰约 6.8 毫米、/i:/波谷约 5.3 到 5.5 毫米，与均值表一致。75 秒附近出现短暂断线，原文明确归因为图像质量下降，说明算法在自然录制中不是强行插值，而是缺失，这对复现连续语音对齐是重要行为约束。

如果换掉分割主干或换掉图像质量会怎样？

论文没有做去掉骨架改直接回归的消融，也没有做去掉后处理保留小连通域的对比，所以不能说拿掉后必然怎样。能讲的是已验证对照：同一训练协议下换主干，UltraUNet 最好，UNet 次之，DeepLab 接近，Attention UNet 略低，SwinUNet 最差且跨次波动最大。这支持在小样本超声肌肉上轻量专用网络比大通用 Transformer 更稳，但这只是有限解释，因为学习率和初始化按各自文献设置，未做统一超参搜索。另一组对照是固定方法换图像质量，随机对优选，平均绝对误差从 0.88 降到 0.53 毫米，相关从 0.707 升到 0.901，决定系数从 0.317 升到 0.810。

这是全文最强的反证：误差主要受成像控制，不是单纯加参数能解决。失败条件也写得很直白：形态不规则假设会被打破，骨架均匀形态假设在异常构型下会产生伪影；验证只做了孤立元音，连续语音需要语音对齐处理协同发音。复述时不要把优选图成绩当成部署收益，可部署收益必须按随机图或连续跟踪的缺失率来谈。

哪些结论能用，哪些还只是假设？

直接报告的是数字：分割 Dice、厚度误差、元音均值差和性别差 5% 到 8% 男性更厚。有限解释的是生理机制：/a:/厚是因为降下颌需要 GH 肌主动收缩，肌肉收缩按体积守恒会变短变厚；/i:/薄是因为抬下颌时 GH 激活低。论文引用下颌肌电和体积守恒文献支持，但本研究没有同步肌电或咬合力，所以增厚等于激活更强只是可能，还需待验证。性别差更可能是解剖尺寸而非功能差异，原文建议未来按解剖标志归一化，这同样未做。

未验证推测包括推广到构音障碍评估、吞咽康复监测和大规模语音运动控制，这些是应用愿景，不是已证临床效用。缺失证据不是技术错误：单发音员定真值、单语言粤语、单中心 11 人、单款超声机型，都限制外推。相关不是因果：厚度与元音相关不能证明是 GH 肌单独驱动，下颌、舌骨和拮抗肌都在动。延迟和成本也未完整测量，只给了每秒掩膜数，不能换算成端到端实时延迟，更不能承诺省了多少人工时间。

要复现，先做什么、拿什么当通过线？

复现先做成像一致：同一凸阵探头颏下正中矢状面，以中间腱为标志固定切面，同一操作者采集，坐姿和头位记录下来，视频 30 帧每秒加同步音频，否则毫米数不可比。第二步做标注：至少 2 名经发音员培训的标注员独立标测试集，算两两 Dice 和交并比，先复出人类区间 0.90 附近，再训模型。第 3 步统一训练协议：50 轮、10 轮早停、Dice0.8 加 Focal0.2、224 像素输入、超声增强、每个模型训 3 次，跨被试划分 7 比 2 比 2，测试被试不见过。

第四步做 2 级厚度验证：随机 55 张和优选 55 张分开报平均绝对误差、均方根、相关、相对误差和一致界，通过线是优选约 0.53 毫米且相关约 0.90，随机约 0.88 毫米且相关约 0.70。第五步做元音复测：三元音每人各 6 次，取声学中点稳态，重复测量方差分析看/a:/是否显著厚于/i:/，效应量是否大于 1.3。资源状态必须如实写：本次收到的证据中没有完成 HTTPS 验证的开源声明，资源状态为 NONE，因此不得声称代码、模型或数据已公开，复现只能按论文文字重写。

像素到毫米标定、优化器和批量大小是原文缺项，复现报告里要单列缺项表，不能从模型名推定实现。

何时值得尝试这个方法？一句话收束

当你的问题是说话时深层肌肉形态逐帧变化，且已有正中矢状 B 超和同步音频，SMMA 值得尝试，因为它把难标的边界学习和可解释的几何计算分开，给出接近人水平的分割和亚毫米级优选误差，并能复现/a:/厚于/i:/的发音格局。但当图像质量不可控、探头切面不固定、要做连续语流或跨病理人群时，不要直接套用优选图精度，必须先建质量阈值和语音对齐，再按随机条件重估。研究生复述全方法可用四句：按被试划分采 1650 张并保留差图训练；统一协议训 UltraUNet 并用人类区间验收。

掩膜平滑取最大连通后细化，只用中段骨架平均得毫米厚度；分随机与优选两档对发音员卡尺，最后用三元音重复测量看效应。这篇工作的价值不在营销式第一，而在把一个过去只能手工点的深层肌肉量，变成可大规模重复的语音运动学变量，同时诚实标出质量敏感和样本局限。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1
• 评分模型：muse-spark-1.3-contributor
• 评分请求协议：openai_responses

← 返回 interspeech-2026 论文汇总