用于PLAX超声心动图图像合成的条件潜变量扩散模型：一种基于几何解剖结构的引导方法

《IEEE Transactions on Medical Robotics and Bionics》：Conditional Latent Diffusion Models for PLAX Echocardiographic Image Synthesis: A Geometric-Anatomical Guided Approach

利用条件潜在扩散模型和热力图引导的几何解剖先验合成PLAX图像，解决标注数据不足问题。实验表明该方法在Frechet Inception Distance（21.08）和Davies-Bouldin score（22.97）上显著优于传统方法，合成图像能有效提升深度学习模型标尺识别准确率，为减少医师间测量差异提供新路径。

　　

摘要：

超声心动图在心脏病学中至关重要，其中胸骨旁长轴（PLAX）视图对于评估心脏形态和诊断心室肥大具有关键作用。通过将卡尺放置在心脏壁上来测量心脏结构（包括心室尺寸和壁厚）的结果，常常受到临床医生之间以及同一临床医生内部显著差异的影响。为了解决这一问题并辅助医生进行测量，自动深度学习（DL）算法的设计一直受到标注超声心动图数据集有限性的限制。为克服这一限制，我们提出了一种利用卡尺位置的空间信息合成PLAX图像的新方法。该方法采用条件潜在扩散模型，并通过热图编码的几何解剖学先验进行指导，以确保图像与心脏解剖结构的一致性。我们通过使用特定指标对合成图像和真实图像之间的解剖学一致性进行综合比较，来评估该方法的性能。结果表明，该方法具有出色的性能，实现了最佳的图像质量（Frechet Inception Distance：21.08）和解剖学一致性（Davies-Bouldin score：22.97）。我们模型生成的合成图像提升了深度学习模型在卡尺识别方面的性能，证明了它们在扩充训练数据集方面的价值。通过减少测量误差并标准化测量结果，这种方法为客观、可靠的超声心动图分析奠定了基础，对医学影像分析具有重要的意义。