用于肺部超声中 B 线检测与定位的深度学习
图像与视频处理
2023-02-16 v1
摘要
肺部超声（LUS）是急诊医师在床旁评估肺充血的重要成像方式。LUS 视频中的 B 线伪影是与肺充血相关的关键征象。LUS 的解读对初学者可能具挑战性，且 B 线的视觉量化仍受观察者变异性影响。本工作中，我们研究多种深度学习方法在 LUS 视频中自动 B 线检测与定位的优劣。我们整理并发布 BEDLUS，一个包含来自113名患者的1,419段视频、共15,755个专家标注 B 线的新超声数据集。基于该数据集，我们给出应用于 B 线检测任务的已有深度学习方法的基准。为推进可解释的 B 线量化，我们提出一种仅使用起源点的 B 线定位新“单点”方法。我们的结果表明：(a) 基准检测方法的受试者工作特征曲线下面积介于0.864至0.955；(b) 在此范围内，以多个连续帧作为输入的模型取得最佳性能；(c) 所提单点 B 线定位方法达到0.65的 F1-score，与观察者间一致性相当。该数据集与所开发方法可促进自动化解读肺部超声的进一步生物医学研究，并有潜力拓展其临床效用。
引用
@article{arxiv.2302.07844,
title = {Deep Learning for Detection and Localization of B-Lines in Lung Ultrasound},
author = {Ruben T. Lucassen and Mohammad H. Jafari and Nicole M. Duggan and Nick Jowkar and Alireza Mehrtash and Chanel Fischetti and Denie Bernier and Kira Prentice and Erik P. Duhaime and Mike Jin and Purang Abolmaesumi and Friso G. Heslinga and Mitko Veta and Maria A. Duran-Mendicuti and Sarah Frisken and Paul B. Shyn and Alexandra J. Golby and Edward Boyer and William M. Wells and Andrew J. Goldsmith and Tina Kapur},
journal= {arXiv preprint arXiv:2302.07844},
year = {2023}
}
备注
10 pages, 4 figures