Deep learning for real-time multi-class segmentation of artefacts in lung ultrasound

分割 计算机科学 人工智能 学习迁移 急诊分诊台 深度学习 成像体模 模式识别(心理学) 相似性(几何) 可视化 管道(软件) 放射科 医学 图像(数学) 急诊医学 程序设计语言
作者
L.N. Howell,Nicola Ingram,Roger Lapham,Adam Morrell,James R. McLaughlan
出处
期刊:Ultrasonics [Elsevier]
卷期号:140: 107251-107251 被引量:1
标识
DOI:10.1016/j.ultras.2024.107251
摘要

Lung ultrasound (LUS) has emerged as a safe and cost-effective modality for assessing lung health, particularly during the COVID-19 pandemic. However, interpreting LUS images remains challenging due to its reliance on artefacts, leading to operator variability and limiting its practical uptake. To address this, we propose a deep learning pipeline for multi-class segmentation of objects (ribs, pleural line) and artefacts (A-lines, B-lines, B-line confluence) in ultrasound images of a lung training phantom. Lightweight models achieved a mean Dice Similarity Coefficient (DSC) of 0.74, requiring fewer than 500 training images. Applying this method in real-time, at up to 33.4 frames per second in inference, allows enhanced visualisation of these features in LUS images. This could be useful in providing LUS training and helping to address the skill gap. Moreover, the segmentation masks obtained from this model enable the development of explainable measures of disease severity, which have the potential to assist in the triage and management of patients. We suggest one such semi-quantitative measure called the B-line Artefact Score, which is related to the percentage of an intercostal space occupied by B-lines and in turn may be associated with the severity of a number of lung conditions. Moreover, we show how transfer learning could be used to train models for small datasets of clinical LUS images, identifying pathologies such as simple pleural effusions and lung consolidation with DSC values of 0.48 and 0.32 respectively. Finally, we demonstrate how such DL models could be translated into clinical practice, implementing the phantom model alongside a portable point-of-care ultrasound system, facilitating bedside assessment and improving the accessibility of LUS.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
youan发布了新的文献求助10
1秒前
细嗅蔷薇完成签到,获得积分10
1秒前
五月拾旧完成签到 ,获得积分10
2秒前
上官若男应助荀代灵采纳,获得10
4秒前
猩心完成签到 ,获得积分10
9秒前
飘文献完成签到,获得积分10
10秒前
tutulunzi完成签到,获得积分10
10秒前
PYY发布了新的文献求助10
11秒前
清脆断秋完成签到 ,获得积分10
14秒前
大圣完成签到 ,获得积分10
15秒前
汛钥完成签到,获得积分10
16秒前
葛稀完成签到,获得积分10
16秒前
22秒前
开朗龙猫完成签到,获得积分10
23秒前
25秒前
开朗龙猫发布了新的文献求助10
27秒前
你看起来很好吃完成签到,获得积分10
27秒前
小唐完成签到 ,获得积分10
30秒前
32秒前
35秒前
ZYX完成签到 ,获得积分10
35秒前
秋秋子关注了科研通微信公众号
35秒前
可爱的函函应助liquss采纳,获得10
36秒前
称心茹嫣完成签到 ,获得积分10
40秒前
荀代灵发布了新的文献求助10
42秒前
陶醉薯片完成签到,获得积分10
43秒前
奋斗的妙海完成签到 ,获得积分0
46秒前
VV完成签到,获得积分10
46秒前
46秒前
WGOIST完成签到 ,获得积分10
46秒前
秋秋子发布了新的文献求助10
48秒前
智慧少女不头秃完成签到,获得积分10
50秒前
52秒前
53秒前
水星完成签到 ,获得积分10
56秒前
Melody052发布了新的文献求助10
57秒前
朴素海亦完成签到,获得积分10
58秒前
1分钟前
exy完成签到,获得积分10
1分钟前
i羽翼深蓝i完成签到,获得积分10
1分钟前
高分求助中
The three stars each: the Astrolabes and related texts 1100
Sport in der Antike 800
De arte gymnastica. The art of gymnastics 600
Berns Ziesemer - Maos deutscher Topagent: Wie China die Bundesrepublik eroberte 500
Stephen R. Mackinnon - Chen Hansheng: China’s Last Romantic Revolutionary (2023) 500
Sport in der Antike Hardcover – March 1, 2015 500
Psychological Warfare Operations at Lower Echelons in the Eighth Army, July 1952 – July 1953 400
热门求助领域 (近24小时)
化学 材料科学 医学 生物 有机化学 工程类 生物化学 纳米技术 物理 内科学 计算机科学 化学工程 复合材料 遗传学 基因 物理化学 催化作用 电极 光电子学 量子力学
热门帖子
关注 科研通微信公众号,转发送积分 2431299
求助须知:如何正确求助?哪些是违规求助? 2114757
关于积分的说明 5362672
捐赠科研通 1842622
什么是DOI,文献DOI怎么找? 917055
版权声明 561539
科研通“疑难数据库(出版商)”最低求助积分说明 490548