CLAIM：基于临床指导的 LGE 心肌瘀伤合成与分割
计算机视觉与模式识别
2025-06-26 v2 人工智能
摘要
基于迟发性升强剂 (LGE) 心脏 MRI 的心肌瘀伤分割深度学习模型在准确和及时诊断结构性心脏疾病的治疗计划方面显示出巨大的潜力。然而，标注高质量瘀伤 LGE 图像稀缺且差异大，限制了鲁棒分割模型的开发。为此，我们引入 CLAIM：一个临床指导的 LGE 合成与分割框架，旨在实现解剖学一致的瘀伤生成与分割。其核心是 SMILE 模块（Scar Mask generation guided by cLinical knowledgE），它以临床采用的 AHA 17 分段模型为条件，合成具有解剖一致性和空间多样性瘀伤图案的图像。此外，CLAIM 采用联合训练策略，使瘀伤分割网络与生成器一起优化，以提升合成瘀伤的真实性和瘀伤分割性能的准确性。实验结果表明，CLAIM 能产生解剖连贯的瘀伤图案，并在与基准模型相比实现更高的 Dice 相似度。我们的ethods 使可控且真实的心肌瘀伤合成得以实现，并在下游医学影像任务中证明了实用性。代码已公开 https://github.com/farheenjabeen/CLAIM-Scar-Synthesis。
关键词
引用
@article{arxiv.2506.15549,
title = {CLAIM: Clinically-Guided LGE Augmentation for Realistic and Diverse Myocardial Scar Synthesis and Segmentation},
author = {Farheen Ramzan and Yusuf Kiberu and Nikesh Jathanna and Shahnaz Jamil-Copley and Richard H. Clayton and Chen Chen},
journal= {arXiv preprint arXiv:2506.15549},
year = {2025}
}
备注
14 Pages