合成数据增强深度学习用于颈动脉超声分割
针对颈动脉超声标注数据稀缺限制深度学习分割性能的问题，本研究提出条件扩散生成框架CU-CDGF，可从分割掩膜生成逼真颈动脉超声图像。该框架在图像质量和下游分割任务中均被评估，结果显示生成图像接近真实数据，并能在内部与外部队列上显著提升内膜-中膜复合体分割的Dice系数。
要点
- 合成数据增强可提升颈动脉超声中较难的内膜-中膜复合体分割性能。
- 生成图像逼真度较高，初级和高级超声医师均常将其误认为真实扫描。
- 方法有望减少对人工标注的依赖，提高自动化定量超声评估可靠性。
核心结论
- 基于扩散的条件生成框架CU-CDGF可有效缓解颈动脉超声分析中的数据稀缺问题。
- 通过增强具有临床意义的细微结构分割，为自动化定量超声评估可靠性和临床应用提供支持。
研究设计与样本
- 研究提出使用ControlNet引导的条件扩散模型CU-CDGF，从分割掩膜生成颈动脉超声图像。
- 评估包括图像质量指标如Fréchet Inception Distance，以及加入合成数据对下游分割网络训练的影响。
- 下游分割性能分别在内部测试集和一个独立外部测试集上进行验证。
关键影像表现/征象
- 生成图像在视觉上具有较高保真度，定量指标显示分布与真实数据对齐良好，FID为87.41。
- 盲法观察研究中，初级和高级超声医师均频繁将合成图像误判为真实扫描。
- 将合成数据用于数据增强后，难度较大的内膜-中膜复合体分割性能显著改善。
诊断标准与关键数值
- 内部测试集Dice系数由0.60提高至0.64，校正后p=.013。
- 独立外部测试集Dice系数由0.61提高至0.66，校正后p=.0004。
- 图像质量评估采用FID等指标，报告FID为87.41。
临床应用与阅片要点
- 对于颈动脉超声中显示欠清或结构细微的内膜-中膜复合体，自动化分割结合合成数据增强可能提供更稳定测量。
- 阅片时可关注基于此类模型得到的血管壁边界，但仍需人工核对结构识别是否合理。
局限性
- 原文摘要未报告样本量、中心数、超声设备和参考标准等设计细节。
- 原文摘要未提及合成数据在真实临床工作流程中的前瞻性验证。
以上解读依据论文摘要（全文未开放获取或许可不允许翻译转载）。
英文原文（摘要）· 点击展开
OBJECTIVE: To address the severe limitation imposed by the scarcity of annotated data on deep learning-based automated segmentation of the carotid artery in ultrasound images, this study aimed to develop and evaluate a synthetic data generation framework for enhancing segmentation performance.
METHODS: We proposed a Conditional Diffusion model with ControlNet guidance (Carotid Ultrasound Conditional Diffusion Generation Framework, CU-CDGF) to generate realistic carotid ultrasound images from segmentation masks. The framework was evaluated by both image quality metrics (e.g., Fréchet Inception Distance, FID) and its impact on augmenting the training set for a downstream segmentation network.
RESULTS: The proposed CU-CDGF framework generated carotid ultrasound images with high visual fidelity. Quantitative metrics indicated favorable distribution alignment with real data (e.g., FID 87.41). More importantly, in a blinded observer study, both junior and senior sonographers frequently mistook synthetic images for real scans, confirming their perceptual realism. When used for data augmentation, the synthetic data significantly improved segmentation performance for the challenging intima-media complex. On the internal test set, the Dice coefficient increased from 0.60 to 0.64 (corrected p = .013); on an independent external test set, it increased from 0.61 to 0.66 (corrected p = .0004).
CONCLUSION: The proposed diffusion-based framework effectively mitigates data scarcity in carotid ultrasound analysis. By enhancing the segmentation of clinically relevant fine structures, it provides a robust tool to advance the reliability and clinical adoption of automated quantitative ultrasound assessment.
引用
- Du, Shen, Lai, et al. A Synthetic Data-Augmented Deep Learning Framework for Robust Segmentation and Quantification of the Carotid Artery in Ultrasound Images. Ultrasound Med Biol. 2026. PMID: 42242994. doi:10.1016/j.ultrasmedbio.2026.05.005
供执业医师工作参考，不替代临床判断；数值与分级以指南原文为准。