L'enregistrement en mode de mouvement (M-mode) est une partie essentielle de l'échocardiographie pour mesurer les dimensions et la fonction cardiaque. Cependant, le diagnostic actuel ne peut pas établir un schéma automatique en raison de trois obstacles fondamentaux : Premièrement, il n'existe aucun jeu de données ouvert permettant de construire l'automatisation nécessaire pour assurer des résultats constants et relier l'échocardiographie en mode M à la segmentation d'instances en temps réel (RIS) ; Deuxièmement, l'examen implique une étiquetage manuel fastidieux des échocardiogrammes en mode M ; Troisièmement, comme les objets dans les échocardiogrammes occupent une grande partie des pixels, le champ récepteur limité des architectures existantes (par exemple, ResNet), composées de multiples couches de convolution, est inefficace pour couvrir la période d'un mouvement valvulaire. Les attentions non-locales (NL) existantes compromettent soit leur capacité à opérer en temps réel en raison d'un coût de calcul élevé, soit perdent des informations avec une version simplifiée du bloc non-local. Par conséquent, nous avons proposé RAMEM, un schéma de mesure automatique en temps réel de l'échocardiographie en mode M, qui apporte trois contributions pour répondre à ces problèmes : 1) fournir MEIS, un jeu de données d'échocardiogrammes en mode M pour la segmentation d'instances, afin d'assurer des résultats cohérents et de soutenir le développement d'un schéma automatique ; 2) proposer une attention panneau, une attention efficace locale-à-globale par déshuffle des pixels, intégrée aux UPANets V2 mis à jour dans un schéma RIS visant la détection d'objets volumineux avec un champ récepteur global ; 3) développer et mettre en œuvre AMEM, un algorithme efficace de mesure automatique de l'échocardiographie en mode M permettant un étiquetage automatique rapide et précis lors du diagnostic. Les résultats expérimentaux montrent que RAMEM surpasse les architectures RIS existantes (avec attention non-locale) sur PASCAL 2012 SBD et les performances humaines lors des tests MEIS en temps réel. Le code MEIS et le jeu de données sont disponibles sur https://github.com/hanktseng131415go/RAME.