一个可解释的新生儿肺超声波特征提取和肺滑动检测系统使用物体探测器
Rodina Bassiouny1, Adel Mohamed2, Karthi Umapathy1
1Department of Electrical, Computer, and Biomedical EngineeringToronto Metropolitan University Toronto ON M5B 2K3 Canada.
IEEE journal of translational engineering in health and medicine
|December 13, 2023
概括
这项研究开发了一种使用物体检测分析新生儿肺部超声波图像的自动化系统,改进了肺胸部 (PTX) 诊断. 人工智能系统准确地识别了肺部的关键特征,帮助更快,更精确的临床决策.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 新生儿护理 新生儿护理
背景情况:
- 新生儿肺超声波 (LUS) 的解释是具有挑战性的,因为正常肺部和肺胸部 (PTX) 的视觉特征相似.
- 用于LUS分析的手动M模式生成是耗时的,需要专门的专业知识,限制了其临床应用.
- 自动化LUS特征检测可以显著提高重症监护机构的诊断效率.
研究的目的:
- 开发一种可解释的AI系统,用于自动检测新生儿7种常见的肺超声波 (LUS) 特征.
- 在没有人类干预的情况下从超声波视频中自动生成M模式,以改善肺胸部 (PTX) 诊断.
- 通过人工智能驱动的LUS分析,提高新生儿肺病诊断的准确性和速度.
主要方法:
- 利用对象检测模型,特别是基于快速区域的卷积神经网络 (fRCNN) 和视网膜网络,从LUS图像中提取特征.
- 使用提取的感兴趣区域 (ROI) 进行自动M模式生成,并应用基于Hough转换的方法来检测"肺滑动".
- 评估模型性能使用平均平均精度 (mAP) 和正常和PTX情况下的精度指标.
主要成果:
- 与RetinaNet (61.15%) 相比,fRCNN模型实现了更高的mAP (86.57%),其IOU为0.2.
- 该系统在归类ROI方面表现出高准确性:97.59%的正常视频和96.37%的PTX视频.
- 在分类5个PTX和6个正常视频病例中实现了100%的准确性,证明了系统的诊断能力.
结论:
- 开发的AI系统有效地自动检测关键的LUS特征和M模式生成,解决手动解释的局限性.
- 这种自动化方法为诊断新生儿肺部疾病提供了更准确和更有效的方法,特别是肺胸病 (PTX).
- 该系统具有显著的临床潜力,可以改善新生儿重症监护病房的诊断工作流程和患者结果.
