肺超声分割及 COVID-19 与社区获得性肺炎之间的自适应
图像与视频处理
2021-08-29 v1 计算机视觉与模式识别
摘要
肺超声成像已被证明可有效检测间质性肺炎的典型征象，是适用于 COVID-19 及其他社区获得性肺炎（CAP）患者的床旁工具。本工作中，我们聚焦于高回声 B 线分割任务。我们利用深度神经网络自动勾画出提示病理敏感性伪影及其相关声像图模式的区域。针对真实世界中数据稀缺的场景，我们研究了利用 COVID-19 与 CAP 肺超声数据共同训练网络的方法，并比较了微调与无监督域自适应。在推理时分割任一类肺部状况可支持疫情演变阶段的一系列临床应用，同时也展现出在资源受限临床场景中的价值。将来自 COVID-19 患者的真实临床数据自适应到 CAP 患者数据，在独立的 COVID-19 与 CAP 测试集上分别将 Dice 分数从 0.60 显著提升至 0.87（p < 0.001）以及从 0.43 提升至 0.71（p < 0.001）。在训练与自适应数据集中均仅使用少量数据即展现出该改进，这对临床实践中部署机器学习模型而言具有实用价值，而数据量少正是常见约束。有趣的是，我们也报告了反向自适应（从有标签 CAP 数据到无标签 COVID-19 数据）在任一类状况测试下均未表现出改进。此外，我们给出了一种可能的解释，将分割性能与此类床旁肺超声应用中的标签一致性和数据域多样性相关联。
引用
@article{arxiv.2108.03138,
title = {Lung Ultrasound Segmentation and Adaptation between COVID-19 and Community-Acquired Pneumonia},
author = {Harry Mason and Lorenzo Cristoni and Andrew Walden and Roberto Lazzari and Thomas Pulimood and Louis Grandjean and Claudia AM Gandini Wheeler-Kingshott and Yipeng Hu and Zachary MC Baum},
journal= {arXiv preprint arXiv:2108.03138},
year = {2021}
}
备注
Accepted to MICCAI ASMUS Workshop