在使用深度神经网络的肺超声波图像中检测COVID-19特征
Lingyi Zhao1, Tiffany Clair Fong2, Muyinatu A Lediju Bell3,4,5
1Department of Electrical and Computer Engineering, Johns Hopkins University, Baltimore, MD, USA.
Communications medicine
|March 12, 2024
概括
混合模拟和现实世界超声波图像可以改善COVID-19特征的深度神经网络 (DNN) 检测. 这种联合训练策略提高了精度,并减少了肺超声波分析的训练时间.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 肺部病理学 肺部病理学
背景情况:
- 在肺超声波 (LUS) 中检测COVID-19的深度神经网络 (DNN) 通常使用模拟或体内图像.
- 在体内数据很难标记,而模拟数据可能无法很好地概括.
- 本研究通过探索最佳的DNN培训策略来解决这些局限性.
研究的目的:
- 确定深度神经网络 (DNN) 在肺超声波 (LUS) 图像中检测COVID-19特征中最有效的训练策略.
- 为了克服仅使用模拟或体内训练数据的局限性.
主要方法:
- 研究的DNN在模拟的LUS数据集 (4万张图像),公开的体内数据集 (174张图像),策划的体内数据集 (958张图像) 和组合上进行了训练.
- 在COVID-19患者的体内B模式LUS图像上测试了七种DNN训练策略.
主要成果:
- 将模拟数据与外部体内数据混合,使子相似系数 (DSC) 最大化至0.482 ± 0.211.1.
- 通过在培训和测试中包含内部体内数据,实现了0.735±0.187的DSC的进一步改善.
- 这种最佳策略也尽量减少了DNN培训时间 (时代).
结论:
- 用模拟和体内LUS数据混合训练的DNN显示出显著的前景.
- 这种混合方法是一种可行的替代方案,用于仅使用真实数据或仅使用模拟数据来细分COVID-19特征.
- 优化的DNN培训提高了肺部超声波分析的诊断能力.
