【技术追踪】CLAIM：临床导向的 LGE 增强技术用于实现真实且多样化的心肌瘢痕合成与分割
数据增强，扩散模型根据 mask 实现有解剖学一致性和空间多样性的图像生成！
论文：CLAIM: Clinically-Guided LGE Augmentation for Realistic and Diverse Myocardial Scar Synthesis and Segmentation
代码：https://github.com/farheenjabeen/CLAIM-Scar-Synthesis
0、摘要
基于深度学习的晚期钆增强（LGE）心脏磁共振成像心肌瘢痕分割技术，在结构性心脏病的精准诊断和治疗方案制定方面展现出巨大潜力。（分割任务的临床意义）
然而，具有高质量瘢痕标签的晚期钆增强（LGE）图像的有限可用性和变异性，制约了鲁棒分割模型的开发。（数据量限制模型开发）
本文提出 CLAIM 框架（Clinically-Guided LGE Augmentation for Realistic and Diverse Myocardial Scar Synthesis and Segmentation framework）：临床引导的 LGE 增强技术，用于实现真实且多样化的心肌瘢痕合成与分割，该框架基于解剖学基础进行瘢痕生成与分割。
CLAIM 框架的核心是 SMILE 模块（Scar Mask generation guided by cLinical knowledgE，基于临床知识引导的瘢痕 mask 生成），该模块以临床采用的 AHA 17 节段模型为条件，通过基于扩散的生成器合成具有解剖学一致性和空间多样性的瘢痕模式图像。
此外，CLAIM 采用联合训练策略，在优化生成器的同时优化疤痕分割网络，旨在提升合成疤痕的真实性与分割性能的准确性。
实验结果表明，与基线模型相比，CLAIM 方法生成的疤痕模式在解剖学上具有一致性，并且与真实疤痕分布的 Dice 相似度更高。本文的方法实现了可控且逼真的心肌疤痕合成，并已证明对下游医学影像任务具有实用价值。
1、引言
1.1、研究意义
（1）由于软组织对比度低导致轮廓界定不清，加上不同扫描仪、序列和研究方案之间存在成像对比差异及时空变化，心肌瘢痕区域（简称瘢痕）的识别成为一项具有挑战性的任务；（小病灶分割）
（2）基于深度学习的方法需要大量标注的高质量数据集进行模型训练，这对于疤痕分割任务而言成本高昂且极难获取；（数据量不够）
（3）从 LGE 图像中识别疤痕精确轮廓十分困难，需要丰富的临床专业知识；（标数据麻烦）
咋办呢？生成合成数据来补充真实世界数据是一种前景广阔的方法👏👏👏
1.2、生成式方法的当前挑战
（1）数据幻觉问题——在背景（非病灶）区域会出现非预期的变化和上下文伪影，这些方法还可能在生成病灶时，难以充分呈现尺寸、位置和纹理的多样性，从而导致下游任务（如分割）性能欠佳；
（2）大多数 mask 生成算法主要依赖于现有训练数据集的统计特征，这些数据仍可能存在偏差，此外，仍无法保证合成的前景区域具有语义意义；
使用条件扩散模型从正常病例合成病理图像，能在保持背景区域不受影响的同时，有效提升数据多样性👏👏👏
1.3、本文贡献
（1）提出 CLAIM 模型，该模型引入联合建模范式，通过联合训练两个模块：一个由临床知识引导的条件扩散模型（用于生成具有多样化瘢痕模式的 LGE 图像）和一个稳健的心脏瘢痕分割模型。这种协同架构实现了双向增益——既提升了瘢痕合成质量，也优化了分割性能；
（2）这是首个将美国心脏协会（AHA）17节段模型整合到基于深度学习的扩散框架图像生成过程中、用于心肌瘢痕合成的研究；通过利用这种标准化解剖表征，CLAIM 框架确保合成的瘢痕模式不仅具有空间多样性，同时保持临床可解释性；
（3）通过定性和定量评估证明，CLAIM 方法通过在合成 LGE 图像上添加临床真实且多样化的瘢痕模式来增强训练数据，从而提高了分割性能；该方法在 EMIDEC 数据集（包含病理性和正常病例）上均得到验证；
（4）进一步使用一个独立的跨领域数据集评估了 CLAIM 的稳健性和泛化能力，结果表明该方法在应对领域偏移时具有更强的稳健性；
2、CLAIM 方法
本文提出 CLAIM 这一创新框架，该框架能够生成高质量、多样化的合成病理图像，用于增强深度瘢痕分割模型的训练，从而提升准确性与鲁棒性。该框架的核心架构包含：基于去噪扩散概率模型的条件扩散模型（用于瘢痕合成）与瘢痕分割模型，二者通过交替训练方式实现合成质量与分割性能的迭代提升。
2.1、联合建模增强疤痕合成与分割
本文的扩散模型改编自 LeFusion 所使用的病灶聚焦扩散模型，该模型包含一个向图像添加噪声的前向扩散过程 q q q，以及一个从含噪输入中恢复图像的反向扩散过程 p θ p_{\theta} pθ（以指定瘢痕区域为条件）
与 LeFusion 不同的是，本文引入了瘢痕分割模型来指导扩散模型的训练，从而提升病理图像合成的质量。
Figure 1 | CLAIM 总览：(a) 展示了使用真实病理图像训练扩散模型的过程，(b) 则呈现了通过临床知识引导的掩模生成模块（SMILE）实现的多样化瘢痕模式病理图像生成流程；生成的合成图像随后被用于微调瘢痕分割模型，通过联合训练提升瘢痕合成的质量；
如 图 1 所示，给定一张呈现疤痕的病理图像，执行前向扩散过程 𝑞 ( 𝑥 𝑃 0 , 𝑡 ) 𝑞(𝑥_{𝑃_0},𝑡) q(xP0,t) 以获取在时间步长 𝑡 ∈ [ 1 , 𝑇 ] 𝑡 ∈ [1,𝑇 ] t∈[1,T] 时输入扩散模型的噪声数据 𝑥 𝑃 𝑡 𝑥_{𝑃_𝑡} xPt。这一过程将在原始病理图像上添加时间相关的高斯噪声 ϵ 𝑡 \epsilon_𝑡 ϵt（前向扩散）。
扩散模型（通常实现为 UNet，由 θ \theta θ 参数化）随后被训练用于在时间步 t t t（反向扩散 p θ p_\theta pθ）生成预测噪声 ϵ ^ 𝑡 \hat \epsilon_𝑡 ϵ^t，其训练过程受到控制直方图 h ℎ h 的引导，用于控制病灶区域的纹理特征，这一方法最初由 Lefusion 提出。
采用以疤痕区域为重点的噪声预测损失函数 𝐿 1 ( ϵ , ϵ ^ ; 𝑀 𝑓 ) 𝐿_1(\epsilon,\hat \epsilon;𝑀_𝑓) L1(ϵ,ϵ^;Mf)，确保模型仅专注于处理指定的疤痕区域 𝑀 𝑓 𝑀_𝑓 Mf：
与 LeFusion 不同，本文引入了瘢痕分割模型进行扩散模型的联合训练，该模型已在真实病理案例上进行了预训练以确保合成图像质量。为实现两个模型的协同训练，本文采用在线数据增强技术通过扩散模型生成合成图像，这些图像可用于微调分割模型。
在在线数据生成过程中，扩散模型以受试者 𝑥 𝑁 0 𝑥_{𝑁_0} xN0 的 LGE 图像和瘢痕掩膜 M f M_f Mf 作为输入，生成病理图 𝑥 ^ 𝑁 0 \hat 𝑥_{𝑁_0} x^N0。值得注意的是，输入数据可以是健康受试者或病理病例，因此瘢痕掩膜可以随机生成或基于现有瘢痕掩膜进行外推以增强数据。
在扩散模型的训练过程中同样采用 𝐿 1 𝐿_1 L1 损失函数。合成图像随后被输入分割网络以预测疤痕 M ^ f \hat M_f M^f。通过在合成数据上计算的分割损失 𝐿 𝑠 𝑒 𝑔 𝐿_{𝑠𝑒𝑔} Lseg 来增强分割网络的训练效果：
此处 L 𝐷 𝑖 𝑐 𝑒 L_{𝐷𝑖𝑐𝑒} LDice 代表 soft Dice 损失函数， L 𝑊 𝐶 𝐸 L_{𝑊𝐶𝐸} LWCE 则是加权交叉熵损失函数，用于应对本任务中存在的严重类别不平衡问题。
在合成图像的生成过程中，为生成具有多样化疤痕模式且保留背景的病理图像，首先从 𝑥 𝑁 t ∼ N ( 0 , 1 ) 𝑥_{𝑁_t} \sim \mathcal N(0,1) xNt∼N(0,1) 分布中采样噪声向量 𝑥 𝑁 t 𝑥_{𝑁_t} xNt，随后通过扩散模型从 𝑡 𝑡 t 时刻到 𝑡 − 1 𝑡−1 t−1 时刻的反向过程迭代优化疤痕区域。该过程定义为 𝑥 ^ 𝑁 t − 1 = o 𝑁 t − 1 ⊙ 𝑀 𝑓 + 𝑥 𝑁 t − 1 ⊙ ( 1 − M f ) \hat 𝑥_{𝑁_{t-1}} = o_{𝑁_{t-1}}⊙𝑀_𝑓 + 𝑥_{𝑁_{t-1}} ⊙(1−M_f ) x^Nt−1=oNt−1⊙Mf+xNt−1⊙(1−Mf)。其中 o 𝑁 t − 1 ∼ p θ o_{𝑁_{t-1}} \sim p_\theta oNt−1∼pθ 表示通过逆向扩散过程 p θ p_\theta pθ 预测的合成疤痕； 𝑥 𝑁 t − 1 𝑥_{𝑁_{t-1}} xNt−1 是由正向扩散过程 𝑞 𝑞 q 得到的 𝑡 − 1 𝑡−1 t−1 时刻加噪输入，其通过在真实图像 𝑥 𝑁 0 𝑥_{𝑁_0} xN0 上添加随机采样噪声 ϵ 𝑡 \epsilon_𝑡 ϵt 获得。背景掩码 ( 1 − 𝑀 𝑓 ) (1−𝑀_𝑓) (1−Mf) 被应用于 𝑥 𝑁 t − 1 𝑥_{𝑁_{t-1}} xNt−1 以保留非病变区域。（前向的背景，后向的瘢痕，都带噪）
2.2、SMILE：融合临床知识的瘢痕掩模
为进一步提升瘢痕掩模的真实性与多样性，本文推出 SMILE，其能基于心脏图谱引导控制心肌内掩模的位置与形态。具体而言，SMILE 采用美国心脏协会（AHA）制定的心脏影像标准化左心室心肌分割与命名体系。该标准将左心室心肌划分为基底段、中段和心尖段共 17 个节段，实现心肌节段与冠状动脉拓扑结构的映射关联，对临床实践与科研中疾病管理的异常定位、报告、评估具有重要价值。
本文首次将 AHA 标准整合至人工智能模型开发流程。 SMILE 的具体步骤如 图 2 所示，其实现细节如下：
（1）图像配准与心肌拟合：为了生成位于心肌边界内且形状合理的可信疤痕掩模，提出根据 AHA-17 定义对疤痕掩模进行采样。为了识别不同受试者的 AHA 分段，首先将每位受试者的心肌掩模（通常可在公开瘢痕数据集中获取）配准至具有 AHA-17 分段的模板空间。该流程包含方位校正、重采样、刚性配准及后续的非刚性配准（如快速对称力 Demons 法）。
（2）为疤痕合成选择合适的位置和大小：在 AHA 方案中，心肌被划分为基底部（1-6区）、中部（7-12区）和心尖部（13-17区）三个层面。为选择多样化且独特的瘢痕位置，首先从基底部、中部和心尖部层面随机选取一个或多个心肌区域。通过运用邻接关系图，确保所选区域彼此相邻。为实现瘢痕大小的多样性，采用每个心肌区域的瘢痕体积作为量化指标，并从均匀分布中为每个心肌区域采样出一组瘢痕体积数据。
（3）生成具有多样纹理的疤痕：在获取各区域及对应瘢痕体积列表后，生成了带纹理的瘢痕掩模。针对每个选定的 AHA 分区和瘢痕体积，创建了与模板尺寸匹配的三维斑块。通过各向异性控制纹理特征，通过调整孔隙率调控体积，随后采用随机选择的内核（1×1至7×7）进行腐蚀处理。每个斑块被置入对应的 AHA 分区后，与心肌组织结合以确保解剖学合理性。该流程在所有选定分区重复执行，最终将生成的瘢痕区域合并为完整瘢痕掩模。后处理步骤包括空洞填充、高斯平滑及孤立区域剔除。
（4）在受试者心肌上添加瘢痕：最后，通过非刚性配准（快速对称力场 demons 算法）和刚性配准（基于互信息）将疤痕模板掩膜转换至受试者空间，并将其叠加至原始疤痕掩膜。
Figure 2 | SMILE 总览：
3、实验与结果
3.1、数据集
（1）公开数据集：EMIDEC 数据集提供了 100 例标记的短轴延迟增强磁共振成像（DE-MRI）病例，其中包含 67 例病理案例与 33 例正常案例。该分割标签包含左心室 (LV) 、健康心肌组织 (MYO) 、心肌梗死 (MI) 及微血管阻塞 (PMO) 的标注；本研究仅聚焦于心肌梗死 (MI) 部分；
（2）私有数据集：采用临床合作者提供的私有数据集中的 80 个病理案例作为域外数据，用于鲁棒性评估。该数据集由诺丁汉大学医院提供，包含由心脏专科医师标注瘢痕的短轴晚期钆增强磁共振成像扫描。详细数据集信息见 表 1。
Table 1 | 本研究使用的 LGE-MRI 数据集特征：
3.2、实验设置
将 EMIDEC 数据集中的 67 例病理病例划分为 57 例真实病理病例用于训练图像合成模型，10 例用于测试分割模型。同时将 33 例正常病例划分为 28 例用于测试图像合成模型，5 例在联合训练过程中用于验证。通过使用合成图像，在不同真实与合成子集配置下训练分割模型，以完成下游瘢痕预测任务。为评估分割模型性能，使用了 EMIDEC 数据集中的 10 例病理病例（域内数据）以及私有数据集中的 80 例病理病例（域外数据）。
合成任务中，图像根据对应掩膜获取的边界框进行中心裁剪后，将像素强度重新缩放到 -1 至 1 区间。训练图像合成模型时采用了基于随机翻转的数据增强策略。
分割任务中，图像通过 z-score 标准化处理，并实时应用包含多种变换的随机数据增强方法。该数据增强方案被用于训练所有分割模型。CLAIM 和 CLAIM(J) 模型均采用 Adam 优化器（与 LeFusion 保持一致），以 1e-4 的学习率训练了 50,000 个周期。所有分割模型均训练 1000 个周期，使用随机梯度下降 (SGD) 作为优化器，初始学习率为 1e-2（采用 polyLR 策略持续衰减： ( 1 − 𝑒 𝑝 𝑜 𝑐 h ∕ 𝑒 𝑝 𝑜 𝑐 h 𝑚 𝑎 𝑥 ) 0.9 (1−𝑒𝑝𝑜𝑐ℎ∕𝑒𝑝𝑜𝑐ℎ_{𝑚𝑎𝑥})^{0.9} (1−epoch∕epochmax)0.9）。
3.3、比较方法
（1）掩码生成：与 LeFusion 中采用的 DiffMask 比较；
（2）图像生成：与 LeFusion 比较；
（3）CLAIM 变体：不进行联合训练的 CLAIM，联合训练的 CLAIM(J)；
（4）基线：训练了一个用于瘢痕预测任务的分割模型作为基线，该模型仅使用 EMIDEC 提供的真实病理案例，未采用任何来自生成模型的合成数据。
3.4、图像合成视觉质量评估
Figure 3 | DiffMask 与 SMILE 生成的真实掩膜和合成掩膜可视化效果对比：
Figure 4 | 给定正常图像和瘢痕掩模时，不同方法生成的合成病理图像可视化：每张图像旁边都显示了输入的正常图像与合成的病理图像之间的差异；
3.5、CLAIM 方法在瘢痕分割中的有效性
Table 2 | EMIDEC 数据集上的瘢痕分割结果：P：57 例真实病理病例；N’：(28×2) 由 28 例正常病例生成的合成病理病例；N”：(28×5) 由 28 例正常病例生成的合成病理病例；P’：(57×1) 由 57 例真实病理病例生成的合成病理病例；CLAIM：未进行联合训练，CLAIM(J)：进行联合训练；
Figure 5 | 在 EMIDEC 数据集（域内）和私有数据集（域外）上比较不同方法在瘢痕分割任务中的性能表现，评估指标采用 Dice 分数：
Figure 6 | 针对 EMIDEC 测试数据集，根据左心室心肌 AHA-17 节段模型评估瘢痕体积分布的靶心图：
SMILE 得到了三维空间的瘢痕分布，扩散模型根据瘢痕 mask 进行 slice-to-slice 生成吧 (●’◡’●)