学习成像标志点：肺超声视频中的无监督关键点检测
图像与视频处理
2021-06-15 v1 计算机视觉与模式识别
摘要
肺超声（LUS）因其无创、非电离、便携和易消毒等优势，正成为用于连续和周期性监测肺部感染日益流行的诊断成像方式。临床医生使用 LUS 进行分诊评估的主要标志点为胸膜、A 线和 B 线。已有许多针对这些标志点自动检测的研究努力。然而，局限于少数预定义标志点可能无法揭示实际的成像生物标志物，尤其是在 COVID-19 等新病症的情况下。相反，鉴于大量神经网络算法的可用性，关键标志点的识别应由数据驱动。本工作是首次尝试在 COVID-19 受试者不同感染阶段的 LUS 视频中无监督检测关键 LUS 标志点。我们采用了相对较新的 transporter 神经网络方法，基于胸膜、A 线和 B 线在视频中的周期性运动和相对稳定的外观来自动标记与跟踪它们。在无监督胸膜检测上的初步结果表明，使用 1081 帧 LUS 视频帧达到了 91.8% 的准确率。
引用
@article{arxiv.2106.06987,
title = {Learning the Imaging Landmarks: Unsupervised Key point Detection in Lung Ultrasound Videos},
author = {Arpan Tripathi and Mahesh Raveendranatha Panicker and Abhilash R Hareendranathan and Yale Tung Chen and Jacob L Jaremko and Kiran Vishnu Narayan and Kesavadas C},
journal= {arXiv preprint arXiv:2106.06987},
year = {2021}
}
备注
5 pages, 6 figures, submitted to IEEE EMBC 2021