SV-Cine：通过生成数据增强对单心室生理学进行诊断条件分割

单心室生理学 (SVP) 是先天性心脏病的一种罕见亚型，其特征是存在具有非典型解剖结构的单一功能心室，这对传统图像分割方法提出了挑战。临床数据的稀缺和 SVP 亚型的形态多样性使得开发稳健的分割方法特别困难。为了解决这些限制，我们提出了一个心脏 MRI 分割框架，重点关注为 SVP 量身定制的心室室和心肌分割。首先，我们介绍一个数据增强管道，该管道通过生成建模使用 SDF4CHD 和相应的合成心脏 MRI 生成合成 3D 心脏网格。其次，我们介绍了 SV-Cine，这是基础模型 CineMA 的诊断条件适应，它通过特征线性调制层合并患者级诊断信息，从而在分割过程中实现诊断感知特征适应。我们在具有不同 SVP 亚型的内部队列中评估了该框架。 SV-Cine 的左心室 Dice 得分中位数为 0.89（IQR：0.80--0.91），右心室得分为 0.72（IQR：0.54--0.84），在右心室分割方面比最强基线 nnU-Net 好 0.39 个 Dice 分。它还产生优势心室的中位射血分数误差为 5.55 个百分点 (IQR: 3.41--7.69)。与内部队列相比，外部队列的左心室和心肌分割性能较低；而两个队列的 RV Dice 分数相当。我们的研究结果表明，预训练的基础模型可以通过使用诊断先验来适应高度专业化的下游任务，同时利用预训练期间从大规模 MRI 数据集中学到的解剖知识。