基于复合语义掩模的左心房 LGE MRI 三维条件图像合成
计算机视觉与模式识别
2026-04-17 v2
摘要
从晚期钆增强（LGE）MRI 中分割左心房（LA）壁和心内膜对于量化房颤患者的心房纤维化至关重要。由于数据可用性有限且解剖结构复杂，开发准确的基于机器学习的分割模型仍具挑战性。在本工作中，我们研究了三维条件生成模型作为扩充稀缺 LGE 训练数据并改善 LA 分割性能的潜在解决方案。我们开发了一条流水线，将解剖学专家标注与无监督组织聚类相结合，利用三种三维条件生成器（Pix2Pix GAN、SPADE-GAN 和 SPADE-LDM）从复合语义标签图合成高保真三维 LGE MRI 体数据。我们评估了合成图像的真实感及其对下游 LA 分割的影响。SPADE-LDM 生成了最逼真且结构最准确的图像，FID 达到 4.063，超越了 FID 分别为 40.821 和 7.652 的 Pix2Pix 和 SPADE-GAN 模型。使用合成 LGE 图像进行数据增强后，基于 3D U-Net 模型的 LA 腔分割 Dice 分数从 0.908 提升至 0.936，相较基线取得了统计学上的显著改善（p < 0.05）。这些发现证明了标签条件三维合成在增强表征不足的心脏结构分割方面的潜力。
引用
@article{arxiv.2601.04588,
title = {3D Conditional Image Synthesis of Left Atrial LGE MRI from Composite Semantic Masks},
author = {Yusri Al-Sanaani and Rebecca Thornhill and Sreeraman Rajan},
journal= {arXiv preprint arXiv:2601.04588},
year = {2026}
}
备注
This work has been published in the Proceedings of the 2025 IEEE International Conference on Imaging Systems and Techniques (IST). The final published version is available via IEEE Xplore