深度学习用于实时多类细分肺超声波中的文物
Lewis Howell1, Nicola Ingram2, Roger Lapham3
1School of Computing, University of Leeds, Leeds, LS2 9JT, UK; School of Electronic and Electrical Engineering, University of Leeds, Leeds, LS2 9JT, UK.
Ultrasonics
|March 23, 2024
概括
一个新的深度学习管道自动化肺超声波 (LUS) 图像分析,细分像B线这样的文物. 这增强了LUS培训和疾病评估,改善了患者护理和可访问性.
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:
- 肺部超声波 (LUS) 对肺部健康评估有价值,但由于文物和操作员的变化,解释是具有挑战性的.
- 随着COVID-19的爆发,人们越来越需要可访问和可靠的肺部成像技术.
研究的目的:
- 开发一个深度学习 (DL) 管道,用于在LUS图像中对象和工件的自动细分.
- 为了实现实时分析,改善LUS培训,并开发肺部疾病严重程度的可解释措施.
主要方法:
- 创建了一个深度学习管道,用于从训练幻影的肺超声波图像的多类细分.
- 轻量级模型使用子相似系数 (DSC) 进行训练和评估.
- 转移学习被用于临床LUS图像分析.
主要成果:
- 轻量级DL模型在500张以下的训练图像中实现了0.74的平均DSC.
- 实现了高达每秒33.4的实时推断.
- 模型显示了识别诸如流 (DSC 0.48) 和巩固 (DSC 0.32) 等病理的潜力.
结论:
- DL管道增强了LUS图像可视化,可以帮助LUS培训,解决技能差距.
- 可解释的疾病严重程度指标,比如B线文物得分,可以从细分口罩中开发出来.
- DL模型显示出临床翻译的前景,改善了临床LUS评估和可访问性.
