基于课程学习的肌梗死肌肉纤维损伤分割：应用于非冠状动脉性心肌病
计算机视觉与模式识别
2026-03-31 v1
摘要
肌梗死肌肉纤维损伤的识别与量化对于心血管疾病的诊断和预后至关重要。然而，由于患者间对对比增强的差异、后对比洗脱的次优成像条件，以及由于观察者间变异导致的漂泊损伤标注不一致， 从迟发性冠状动脉心脏磁共振 (LGE-CMR) 图像中实现可靠的损伤分割仍然是一个挑战。本文提出了一种基于课程学习的框架，旨在改善这些困难条件下的分割性能。该方法引入了渐进式训练策略，使模型从高置信度、明确定义的损伤区域引导至置信度较低或视觉上模糊的样本，后者损伤负担有限。通过以这种方式构建学习过程，网络对不确定标签和亚细节损伤外观具有更强的鲁棒性，这些特征在传统训练管道中常被低估。实验结果表明，所提方法提高了分割准确性和一致性，尤其是在损伤最小或呈 diffuse 形式的情况下，优于标准训练基线。该策略为在临床应用中利用不完美数据实现 improved 肌肉纤维损伤量化提供了原则方法。我们的代码已在 GitHub 上公开。
引用
@article{arxiv.2603.28560,
title = {Curriculum-Guided Myocardial Scar Segmentation for Ischemic and Non-ischemic Cardiomyopathy},
author = {Nivetha Jayakumar and Jonathan Pan and Shuo Wang and Bishow Paudel and Nisha Hosadurg and Cristiane C. Singulane and Sivam Bhatt and Amit R. Patel and Miaomiao Zhang},
journal= {arXiv preprint arXiv:2603.28560},
year = {2026}
}