肺超声视频中基于频率的B线与胸膜线分析

《IEEE Journal of Biomedical and Health Informatics》：Frequency-Aware B-Line and Pleural Line Analysis in Lung Ultrasound Videos

针对肺超声（LUS）中B线和P线的自动识别问题，本研究构建了ILD-LUS临床数据库并设计跨病理外部测试集，提出融合小波变换增强与自适应时序注意力机制的视频分析框架。实验表明该方法在两个数据集上分别达到94.3% AUC和82.1% ACC，有效抑制噪声并提升动态特征提取能力，为临床决策提供可靠支持。

　　

摘要：

在肺部超声（LUS）视频中准确识别B线和胸膜线（P线）对于评估某些肺部疾病非常重要。然而，手动解读仍然具有主观性，并且高度依赖于操作者的经验。现有的深度学习方法由于斑点噪声和运动伪影的影响，性能往往下降。此外，用于标记多种诊断特征（如B线和P线）的LUS视频数据有限，这限制了模型的开发。因此，本文介绍了ILD-LUS，这是一个基于间质性肺病（ILD）分类的新临床LUS数据库，包含2,149个超声视频（193,410帧）。我们还基于公开的Covid-BLUES数据集构建了一个外部测试集，用于评估不同肺部病理情况下的B线和P线识别能力。接着，我们提出了一个新颖的视频分析框架，该框架结合了小波增强和时间注意力建模。具体来说，我们采用离散小波变换（DWT）实现了双组分频率特征增强，有效抑制了噪声同时保留了重要特征。随后引入了一个自适应注意力模块，以模拟长时间序列中的时间依赖性，并改善连续帧之间的动态特征表示。实验结果表明，所提出的方法在ILD-LUS和Covid-BLUES数据集上对B线和P线的分类准确率分别达到了94%以上的AUC和82%以上的ACC，优于现有方法。这些发现证明了我们方法在不同病理条件下的鲁棒性和泛化能力。总体而言，所提出的框架在支持LUS分析中的临床决策方面具有巨大潜力。代码可在以下链接获取：https://github.com/KaIi-github/WaveLUS。