covEcho：用于资源受限环境下快速分诊与主动学习的肺超声图像分析工具
图像与视频处理
2022-06-22 v1 计算机视觉与模式识别
摘要
肺超声（LUS）可能是唯一可用于对肺部进行连续与周期性监测的医学成像模态。这在追踪肺部感染初期表现或追踪如COVID-19等大流行中疫苗对肺部的影响时极为有用。已有许多尝试将肺严重程度自动分类为不同类别，或自动分割各种LUS标志与表现。然而，这些方法均基于训练静态机器学习模型，需要大量临床标注数据集且计算繁重，多数情况下非实时。本工作提出一种基于实时轻量主动学习的方法，用于在资源受限环境下对COVID-19受试者进行快速分诊。该工具基于you look only once（YOLO）网络，能够基于各种LUS标志、伪影与表现的识别提供图像质量评估、预测肺部感染严重程度、基于临床医生反馈或图像质量进行主动学习的可能性，以及汇总具有高感染严重程度与高图像质量以供进一步分析的显著帧。结果表明，所提工具在交并比（IoU）阈值为0.5时对LUS标志预测的均值平均精度（mAP）为66%。14MB轻量的YOLOv5s网络在Quadro P4000 GPU上运行达到123 FPS。该工具可应作者请求使用与分析。
引用
@article{arxiv.2206.10183,
title = {covEcho Resource constrained lung ultrasound image analysis tool for faster triaging and active learning},
author = {Jinu Joseph and Mahesh Raveendranatha Panicker and Yale Tung Chen and Kesavadas Chandrasekharan and Vimal Chacko Mondy and Anoop Ayyappan and Jineesh Valakkada and Kiran Vishnu Narayan},
journal= {arXiv preprint arXiv:2206.10183},
year = {2022}
}
备注
Submitted to Elsevier CMPBUP on Dec 1, 2021