弱く監視された深い学習、生体内の結果による肺超音波検査のBラインを局在化する

肺超音波（LUS）は現在、臨床的および技術的な世界から注目を集めています。特に興味深いのは、いくつかのイメージングアーティファクト、たとえばAおよびBラインアーティファクトです。Aラインは本質的に健康な肺表面を表す視覚パターンですが、Bラインのアーティファクトは肺実質に影響を与える広範囲の病理学的状態と相関しています。実際、Bラインの出現は、血管外肺水、間質性肺疾患、心原性肺浮腫、間質性肺炎および肺con症の増加と相関しています。したがって、LUSビデオでのBラインの検出と局在は、正確で客観的でタイムリーな評価が重要であり、非常に臨床的関心のあるタスクです。これは、タイムリーな決定が重要な緊急ユニットなどの環境で特に当てはまります。この作業では、超音波スキャンでBラインを自動的に検出およびローカライズすることにより、臨床医をサポートすることを目的とした方法を提示し、説明します。この目的のために、私たちは最新の深い学習戦略を採用し、完全に畳み込み型ニューラルネットワークを訓練して、ビトロ内の専用超音波ファントムのBモード画像、および生体内患者についてこのタスクを実行します。0.917、0.915、0.918、0.950、および0.864に等しい精度、感度、特異性、負と正の予測値がそれぞれin-vitroで達成されました。臨床システム内での統計を使用して、これらの統計はそれぞれ0.892、0.871、0.930、0.798および0.958でした。さらに、画像内のどのコンポーネントがネットワークをトリガーしたかを視覚化するニューラルの注意マップを計算し、それにより、同時に弱く監視されたローカリゼーションを提供します。これらの有望な結果は、臨床肺超音波検査におけるBラインの存在を特定して局在化する提案された方法の能力を裏付けています。

Lung ultrasound (LUS) is nowadays gaining growing attention from both the clinical and technical world. Of particular interest are several imaging-artifacts, e.g., A- and B- line artifacts. While A-lines are a visual pattern which essentially represent a healthy lung surface, B-line artifacts correlate with a wide range of pathological conditions affecting the lung parenchyma. In fact, the appearance of B-lines correlates to an increase in extravascular lung water, interstitial lung diseases, cardiogenic and non-cardiogenic lung edema, interstitial pneumonia and lung contusion. Detection and localization of B-lines in a LUS video are therefore tasks of great clinical interest, with accurate, objective and timely evaluation being critical. This is particularly true in environments such as the emergency units, where timely decision may be crucial. In this work, we present and describe a method aimed at supporting clinicians by automatically detecting and localizing B-lines in an ultrasound scan. To this end, we employ modern deep learning strategies and train a fully convolutional neural network to perform this task on B-mode images of dedicated ultrasound phantoms in-vitro, and on patients in-vivo. An accuracy, sensitivity, specificity, negative and positive predictive value equal to 0.917, 0.915, 0.918, 0.950 and 0.864 were achieved in-vitro, respectively. Using a clinical system in-vivo, these statistics were 0.892, 0.871, 0.930, 0.798 and 0.958, respectively. We moreover calculate neural attention maps that visualize which components in the image triggered the network, thereby offering simultaneous weakly-supervised localization. These promising results confirm the capability of the proposed method to identify and localize the presence of B-lines in clinical lung ultrasonography.