LGESynthNet：用于改善心脏LGE-MRI图像瘢痕分割的受控瘢痕合成
人工智能
2026-03-20 v1
摘要
分割LGE心脏MRI中的增强区域对于诊断各种缺血性和非缺血性心肌病至关重要。然而，为这些图像创建像素级注释具有挑战性且需要大量人力，导致标注数据的可获取性有限。生成模型，特别是扩散模型，为合成数据生成提供了前景，但许多模型依赖于大量训练数据集，往往难以控制细粒度条件，尤其是针对小或局部特征。我们引入LGESynthNet，一个基于潜在扩散的框架，用于可控增强合成，实现对尺寸、位置和内膜extent的显式控制。该模型以inpainting形式实现，采用ControlNet-based架构集成：（a）用于条件特定监督的reward model，（b）用于解剖描述性文本提示的captioning模块，（c）用于生物医学文本编码的生物医学文本编码器。在仅使用429张图像（79名患者）进行训练的情况下，它产生真实且解剖连贯的样本。质量控制过滤器筛选出具有高条件一致性的输出，当用于训练数据增强时，可提高下游分割和检测性能，分别提升至6和20分。
引用
@article{arxiv.2603.18356,
title = {LGESynthNet: Controlled Scar Synthesis for Improved Scar Segmentation in Cardiac LGE-MRI Imaging},
author = {Athira J. Jacob and Puneet Sharma and Daniel Rueckert},
journal= {arXiv preprint arXiv:2603.18356},
year = {2026}
}
备注
Accepted at MICCAI STACOM workshop 2025