在肺超声波中使用深度学习与边界感知子损失的改进的A线和B线检测
Soolmaz Abbasi1, Assefa Seyoum Wahd1, Shrimanti Ghosh1
1Department of Radiology and Diagnostic Imaging, University of Alberta, Edmonton, AB T6G 2R3, Canada.
Bioengineering (Basel, Switzerland)
|March 28, 2025
概括
这项研究介绍了TransBound-UNet,这是一种用于肺超声波 (LUS) 图像分析的新人工智能模型. 它可以准确检测A线和B线,改善肺部疾病的诊断.
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) 对于在床边诊断肺部疾病至关重要.
- 由于边界模糊,LUS中A线和B线的准确细分具有挑战性.
- 现有的方法难以精确地划分这些关键的超声波特征.
研究的目的:
- 开发一种先进的AI模型,用于精确细分LUS图像中的A线和B线.
- 通过增强的图像分析来提高LUS的诊断能力.
- 为了解决微妙超声波特征目前细分技术的局限性.
主要方法:
- 提出了TransBound-UNet,这是一个集成基于变压器的编码器的新型细分模型.
- 实现了边界感知子损失函数,以提高细分精度.
- 在4599张LUS图像的数据集上验证了模型,并应用后处理用于线路检测和计数.
主要成果:
- 获得了0.80的子得分,超过了最先进的细分网络.
- 证明了卓越的特异性 (0.97) 和精度 (0.85).
- 显著减少了豪斯多夫距离到15.13,表明了改进的边界划分.
结论:
- TransBound-UNet提供了一种高效的解决方案,用于提高边界精度的自动化LUS解释.
- 该模型在A线和B线细分方面的表现显示了增强诊断工作流的潜力.
- 该框架推进了用于重症监护机构的肺部超声波的AI驱动分析.
