一种面向COVID-19诊断辅助的基于物理信息的肺超声图像评分神经网络方法
图像与视频处理
2021-06-15 v1 计算机视觉与模式识别
摘要
随着近期COVID-19的爆发，超声正迅速成为对肺部进行常规和持续监测不可或缺的 diagnostic 工具。本文提出了一种新方法，提取基于声学传播的特征以自动高亮胸膜下方的区域，该区域是肺超声（LUS）中的重要标志。随后，利用基于声学物理的特征图构成多通道输入并融合以训练一个称为LUSNet的神经网络，将LUS图像分类为表示肺部感染严重程度不同的五类，以追踪COVID-19的进展。为确保所提方法对采集类型不敏感，由U-net架构构成的LUSNet以无监督方式使用声学特征图进行训练，以保证编码器-解码器架构学习感兴趣胸膜区域的特征。提出了一种U-net输出与U-net编码器输出的新颖组合，用于肺部感染严重程度的分类。在十名确诊COVID-19受试者从感染到完全恢复期间的LUS图像上的详细分析表明，在5000帧COVID-19视频上平均五折交叉验证的准确率、灵敏度和特异度分别为97%、93%和98%。分析还表明，当输入数据集有限且多样（如COVID-19大流行情况）时，本文提出的结合基于声学传播的特征与灰度图像的辅助方法显著提升了神经网络性能，并有助于标注与分诊过程。
引用
@article{arxiv.2106.06980,
title = {An Approach Towards Physics Informed Lung Ultrasound Image Scoring Neural Network for Diagnostic Assistance in COVID-19},
author = {Mahesh Raveendranatha Panicker and Yale Tung Chen and Gayathri M and Madhavanunni A N and Kiran Vishnu Narayan and C Kesavadas and A P Vinod},
journal= {arXiv preprint arXiv:2106.06980},
year = {2021}
}
备注
8 pages, 8 figures, 3 tables, submitted to Springer SIVP Special Issue for COVID19