論文の概要: CLAIM: Clinically-Guided LGE Augmentation for Realistic and Diverse Myocardial Scar Synthesis and Segmentation

• arxiv url: http://arxiv.org/abs/2506.15549v1
• Date: Wed, 18 Jun 2025 15:21:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.712663
• Title: CLAIM: Clinically-Guided LGE Augmentation for Realistic and Diverse Myocardial Scar Synthesis and Segmentation
• Title（参考訳）: CLAIM : リアルおよび異種心筋シンカー合成とセグメンテーションのための臨床誘導型LGE増強法
• Authors: Farheen Ramzan, Yusuf Kiberu, Nikesh Jathanna, Shahnaz Jamil-Copley, Richard H. Clayton, Chen, Chen,
• Abstract要約: CLAIM: textbfClinically-Guided textbfLGE textbfAugmentation for Realtextbfiyocardial Scar Synthesis and framework。 SMILEモジュールは、臨床で採用されているAHA 17セグメントモデルで拡散ベースのジェネレータを条件に、解剖学的に一貫性があり空間的に多様な傷跡パターンで画像を合成する。 その結果、CLAIMは解剖学的に整合性のある傷跡パターンを生成し、ベースラインモデルと比較して実際の傷跡分布と高いDice類似性が得られることがわかった。
• 参考スコア（独自算出の注目度）: 75.38606213726906
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based myocardial scar segmentation from late gadolinium enhancement (LGE) cardiac MRI has shown great potential for accurate and timely diagnosis and treatment planning for structural cardiac diseases. However, the limited availability and variability of LGE images with high-quality scar labels restrict the development of robust segmentation models. To address this, we introduce CLAIM: \textbf{C}linically-Guided \textbf{L}GE \textbf{A}ugmentation for Real\textbf{i}stic and Diverse \textbf{M}yocardial Scar Synthesis and Segmentation framework, a framework for anatomically grounded scar generation and segmentation. At its core is the SMILE module (Scar Mask generation guided by cLinical knowledgE), which conditions a diffusion-based generator on the clinically adopted AHA 17-segment model to synthesize images with anatomically consistent and spatially diverse scar patterns. In addition, CLAIM employs a joint training strategy in which the scar segmentation network is optimized alongside the generator, aiming to enhance both the realism of synthesized scars and the accuracy of the scar segmentation performance. Experimental results show that CLAIM produces anatomically coherent scar patterns and achieves higher Dice similarity with real scar distributions compared to baseline models. Our approach enables controllable and realistic myocardial scar synthesis and has demonstrated utility for downstream medical imaging task.
• Abstract（参考訳）: 遅発性ガドリニウム拡張(LGE)心筋MRIによる深層学習型心筋シンセグメンテーションは, 心疾患の正確な, タイムリーな診断と治療計画に有意な可能性を示唆している。 しかし、高品質なスカーラベル付きLGE画像の可用性と可変性は、ロバストセグメンテーションモデルの開発を制限している。 この問題を解決するために、CLAIM: \textbf{C}linally-Guided \textbf{L}GE \textbf{A}ugmentation for Real\textbf{i}stic and Diverse \textbf{M}yocardial Scar Synthesis and Segmentation framework, a framework for anatomically grounded scar generation and segmentationを紹介する。 SMILEモジュール(cLinical knowledgEでガイドされるScar Mask生成)は、臨床応用されたAHA 17セグメントモデル上で拡散型ジェネレータを条件に、解剖学的に一貫性があり空間的に多様な傷痕パターンを持つ画像を合成する。 さらに、CLAIMは、合成された傷跡のリアリズムと傷跡セグメンテーション性能の精度の両方を高めることを目的として、傷跡セグメンテーションネットワークをジェネレータと共に最適化するジョイントトレーニング戦略を採用している。 実験結果から, CLAIMは解剖学的に整合性のある傷跡パターンを生成し, ベースラインモデルと比較してDiceと実際の傷跡分布との類似性が高いことがわかった。 本手法により, 制御可能でリアルな心筋シンセサイザー合成が可能となり, 下流医療画像撮影に有用であることが実証された。

関連論文リスト

• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Joint Deep Learning for Improved Myocardial Scar Detection from Cardiac MRI [7.906794859364607]
  本稿では,同時に学習した心筋のセグメンテーションを活用することで,これらの課題を改善する新しい統合ディープラーニング(JDL)フレームワークを提案する。 提案手法では,心筋セグメンテーションの情報をガイドスカー検出器に直接渡すメッセージパッシングモジュールを提案する。 自動左室シンチグラフィー(LV)におけるJDLのLGE-CMR画像に対する効果を実証し,リスク予測の改善の可能性を示した。
  論文  参考訳（メタデータ） (2022-11-11T14:41:35Z)
• Multitask Learning for Improved Late Mechanical Activation Detection of Heart from Cine DENSE MRI [7.369925597471201]
  本稿では,LMA量を同時に推定し,スカーレスLMA領域を分類するマルチタスク深層学習フレームワークを提案する。 新たに導入した補助的LMA領域分類サブネットワークにより, 心筋障害による複雑なパターンに対して, より堅牢性を示した。
  論文  参考訳（メタデータ） (2022-11-11T14:31:15Z)
• AWSnet: An Auto-weighted Supervision Attention Network for Myocardial Scar and Edema Segmentation in Multi-sequence Cardiac Magnetic Resonance Images [23.212429566838203]
  マルチシーケンスCMRデータから傷痕と浮腫のセグメンテーションに取り組むための,新しい自動重み付け監視フレームワークを開発した。 また, より小さな心筋病変領域の分画を, 形状の事前知識で促進する, 粗大から細大の枠組みを設計した。 マルチシーケンスCMRデータを用いた心筋病理診断の進歩に期待できる。
  論文  参考訳（メタデータ） (2022-01-14T08:59:54Z)
• Recent Advances in Fibrosis and Scar Segmentation from Cardiac MRI: A State-of-the-Art Review and Future Perspectives [1.8268300764373178]
  晩期ガドリニウム増強(LGE)心血管磁気共鳴(CMR)は臨床診断と治療を確実に導くのに有効である。 本報告では, 心臓線維症とスカーセグメンテーションの高精度化をめざして, 従来および現在の技術動向を概観する。
  論文  参考訳（メタデータ） (2021-06-28T11:30:35Z)
• Anatomically-Informed Deep Learning on Contrast-Enhanced Cardiac MRI for Scar Segmentation and Clinical Feature Extraction [6.386874708851962]
  コントラスト・エンハンスメント(LGE)を用いた心臓磁気共鳴画像(CMR)による心臓の傷跡と線維化の可視化は、疾患の進行と不整脈の病態生理学的基質の定量化において最重要である。 本稿では,左室(LV)と難治/線維化分節の完全自動深層学習ソリューションと,LGE-CMRによる臨床像抽出について述べる。 この技術は、3つのカスケード畳み込みニューラルネットワークによって、生のLGE-CMR画像から心筋と線維化を分離し、解剖学的ガイドラインの中でこれらのセグメンテーションを拘束する。
  論文  参考訳（メタデータ） (2020-10-21T15:43:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。