一种基于可解释目标检测模型的超声图像新生儿肺部疾病诊断方法
摘要
近几十年来，肺部超声（LUS）日益用于新生儿不同肺部疾病的诊断与监测。它是一种非侵入性工具，可在极少搬动新生儿的情况下实现快速床旁检查。获取 LUS 扫描容易，但理解与各呼吸道疾病相关的伪影具有挑战性。不同呼吸道疾病中发现的混合伪影模式可能限制操作者对 LUS 的可读性。虽然机器学习（ML），尤其是深度学习可辅助自动化分析，但仅将超声图像输入 ML 模型进行诊断不足以赢得医疗专业人员的信任。算法应转而输出操作者熟悉的 LUS 特征。因此，本文提出一种独特方法以提取七种有意义的 LUS 特征，可轻易关联特定病理性肺部状况：正常胸膜、不规则胸膜、增厚胸膜、A 线、融合 B 线、分离 B 线与肺实变。这些伪影可早期预测后续出现呼吸窘迫症状的婴儿。我们在下部后肺超声视频上训练了单一多类基于区域提议的目标检测模型 faster-RCNN（fRCNN）以检测这些 LUS 特征，并进一步关联四种常见新生儿疾病。结果表明 fRCNN 超越 RetinaNet 等单阶段模型，并以 86.4% 的平均精度均值（mean average precision）成功检测上述 LUS 特征。相较于无任何可解释性的从图像完全自动诊断，此类 LUS 特征检测将诊断最终控制权留给临床医生，可造就更可信的智能系统。
引用
@article{arxiv.2105.10081,
title = {An interpretable object detection based model for the diagnosis of neonatal lung diseases using Ultrasound images},
author = {Rodina Bassiouny and Adel Mohamed and Karthi Umapathy and Naimul Khan},
journal= {arXiv preprint arXiv:2105.10081},
year = {2021}
}
备注
7 pages, 8 figures, 4 tables, full paper has been submitted to the 2021 43rd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC) (EMBC 2021) at the Expo Guadalajara, Mexico, on Oct 31 - Nov 4, 2021