随着深度学习的迅猛发展,孪生神经网络占领了目标跟踪领域的半壁江山。孪生神经网络能够进行单样本学习,在图像块匹配领域具有天然的优势,将其应用于目标跟踪能够快速准确地匹配目标,在保证精度的同时简化模型,加快跟踪速度。超声心动图利用超声波独特的物理特性,获取心室、心肌、心内膜及心外膜等心脏组织结构的周期性运动信息,形成心脏组织运动影像,在各类心脏疾病的临床诊治中应用广泛。超声心动图中的散斑不只是噪声,还包含大量的组织结构信息,反映心脏组织结构的物理特性。超声心动图散斑跟踪技术（Speckle Tracking Echocardiography,STE）利用散斑的稳定性和唯一性自动识别并追踪其空间运动,获取心肌的位移、速度及形变等参数。进而可以计算心肌的应变、应变率等,在评价冠心病等心脏疾病方面具有重要的临床价值。随着我国冠心病患者的大幅增加,快速准确地对超声心动图进行散斑跟踪对于预防和治疗冠心病等心脏疾病有重要的意义。基于孪生神经网络的目标跟踪模型中最具代表性的是SiamFC,其将全卷积孪生神经网络应用于目标跟踪。之后的SiamRPN、SiamRPN++、SiamMask等在此基础上融合了 ResNet-50、RPN、多特征融合等技术,取得了令人瞩目的效果。上述模型针对现实生活场景所设计,在现实生活场景中有较好的效果。然而超声心动图与现实生活场景中的图像有很大的不同,一是超声心动图是灰度图像,而现实生活场景中的图像是彩色图像;二是超声心动图中存在大量的散斑,对真实的心脏轮廓造成干扰,同时散斑又包含心肌及血液等的信息。这就使得将上述模型应用于STE时不能准确识别特定区域的心肌组织,相邻帧中识别的结果大相径庭,从而无法进行有效的散斑跟踪。故本文基于SiamMask模型提出了一种能够实现STE的新模型——STESiamMask,采用固定尺度的候选框对特定区域心肌组织进行散斑跟踪。STESiamMask模型采用心肌径向尺度的目标框生成训练集并进行训练,同时在搜索图像、mask阈值、模板锚等方面对模型进行优化,在IoU、中心位置误差等指标上表现出色。本文还基于STESiamMask模型提出了实现STE的方法。首先对超声心动图的模板帧进行预处理,以心肌特征点为中心裁剪出模板区域,再将模板区域重新调整大小生成模板图像。根据模板区域和模板图像的缩放关系以及搜索图像的尺寸计算出搜索区域的尺寸,在跟踪帧中以模板帧的心肌特征点为中心裁剪出搜索区域,将搜索区域重新调整大小生成搜索图像。模板图像和搜索图像经过STESiamMask模型处理得到最佳的跟踪目标框,取目标框的中心点为散斑跟踪的心肌特征点。本文采用超声心动图仿真数据集进行STESiamMask模型与基于STESiamMask模型的散斑跟踪方法的应用实验,并根据实验计算心肌纵向应变且与标准应变进行对比分析,结果表明了本文模型和方法的有效性和良好的应用性能。另外本文提出的基于STESiamMask模型的散斑跟踪方法在Ubuntu18.04,GTX 1050Ti,Intel i3-2120 CPU@3.30GHz 的平台上的处理速度达到了 5～6fps,基本满足临床应用需求。