半监督集体学习用于自动解释肺超声波视频

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:

• 护理点超声波 (POCUS) 是一个有价值的床边工具,用于患者的评估.
• 肺部超声波 (LUS) 有效评估急性和慢性肺部疾病.
• 对LUS的自动解释,特别是在多标签场景中,还不发达.

研究的目的:

• 开发一种新的深度学习 (DL) 框架,用于对肺部POCUS视频进行自动解释.
• 在LUS视频中识别多个肺部发现 (例如,A线,B线,整合).
• 在LUS分析中应对多标签解释的挑战.

主要方法:

• 剩余的 (2+1) D 深度学习架构被用于视频解释.
• 在预处理阶段使用视频掩盖和标准化.
• 一种半监督学习方法利用了未标记的数据,并补充了对不同标签集的层次意识的组合策略.

主要成果:

• 分类DL模型实现了92.4%的平均F1分数,用于快速分类.
• 多标签DL模型在5个LUS患者管理发现中获得了70.5%的平均F1得分.
• 半监督学习显著提高了性能,集体建模提供了适度的额外收益.

结论:

• 拟议的DL框架在解释肺部POCUS视频方面表现出了多功能性和高性能.
• 自动化LUS解释,特别是具有多标签功能,对临床应用具有重大潜力.
• 这项研究强调了半监督学习和层次组合方法在推进LUS分析方面的有效性.