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/2506.15549v2
• Date: Wed, 25 Jun 2025 14:37:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 12:28:29.339314
• 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 Realtextbfiiyocardial 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。 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。
• 参考スコア（独自算出の注目度）: 3.052913696182197
• 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. Code is available at https://github.com/farheenjabeen/CLAIM-Scar-Synthesis.
• 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非常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。 コードはhttps://github.com/farheenjabeen/CLAIM-Scar-Synthesisで公開されている。

関連論文リスト

• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Seeing Beyond the Image: ECG and Anatomical Knowledge-Guided Myocardial Scar Segmentation from Late Gadolinium-Enhanced Images [27.004544616435407]
  本稿では,心電図由来の電気生理学的情報とAHA-17アトラスの解剖学的先行情報を統合した新しい枠組みを提案する。 本手法は, 臨床データセットを用いて評価し, 最新の画像のみのベースラインよりも大幅に向上した。
  論文  参考訳（メタデータ） (2025-11-18T17:42:20Z)
• Simulator and Experience Enhanced Diffusion Model for Comprehensive ECG Generation [52.19347532840774]
  本稿では,心電図生成のための新しい生理シミュレータSE-Diffを提案する。 SE-Diffは、軽量常微分方程式(ODE)ベースのECGシミュレータをビートデコーダを介して拡散過程に統合する。 実世界のECGデータセットに対する大規模な実験により、SE-Diffは信号の忠実度とテキスト-ECGセマンティックアライメントの両方を改善している。
  論文  参考訳（メタデータ） (2025-11-13T02:57:10Z)
• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• Robust Deep Learning for Myocardial Scar Segmentation in Cardiac MRI with Noisy Labels [0.493599216374976]
  そこで我々は, 微細調整による心筋傷の自動検出とセグメンテーションのための, 堅牢なディープラーニングパイプラインを提案する。 急性と慢性の両方の症例でモデルの性能を評価し, 正確かつスムーズなセグメンテーションを創出できることを実証した。
  論文  参考訳（メタデータ） (2025-06-26T11:21:58Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• 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)
• Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection Segmentation System [69.40329819373954]
  新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。 現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。 本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
  論文  参考訳（メタデータ） (2022-09-07T05:01:38Z)
• 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)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。