Исследователи натренировали глубинные нейронные сети (DNN) для выявления особенностей COVID-19 на УЗИ изображений легких. Механизм напоминает процесс распознавания лица в толпе, а все базы данных учёные выложили в открытом доступе.
Исследователи натренировали глубинные нейронные сети (DNN) для выявления особенностей COVID-19 на УЗИ изображений легких. Механизм напоминает процесс распознавания лица в толпе, а все базы данных учёные выложили в открытом доступе.
Ученые разработали и проверили семь разных стратегий, чтобы научить нейросети. Принимаемая для обучения база включала реальные данные и смоделированные данные пациента, чтобы научить вычислительный инструмент правильно диагностировать особенности изображения с высокой точностью. Смоделированные данные были созданы с помощью программного обеспечения, моделирующего физику ультразвука и распространение акустических волн.
«В начале пандемии у нас не было достаточно ультразвуковых изображений пациентов с COVID-19, чтобы разработать и проверить наши алгоритмы, и в результате наши глубокие нейронные сети так и не достигли максимальной производительности», — сказал первый автор Линги Чжао, разработавший программное обеспечение. во время докторантуры в лаборатории Белла, а сейчас работает в Novateur Research Solutions, как пишет Medical Xpress.
Первый набор данных — это общедоступный набор данных, включающий 202 видео и 59 изображений образцов пациентов с COVID-19, пациентов с бактериальной пневмонией (не COVID-19) вирусной пневмонией и здоровых лиц контрольной группы.
Для второго набора данных для исследований ученые использовали изображения, полученные с помощью конвексного зонда (Clarius C3HD) и программы Clarius Ultrasound (v8.0.1, Clarius Mobile Health Corp.) в американской больнице Джонса Хопкинса (Балтимор, штат Мериленд, США) с декабря 2021 г. году по май 2022 года.
Данные разделили случайным образом на несколько частей, чтобы произвести трехкратную перекрестную проверку.
«Мы разработали этот автоматизированный инструмент обнаружения, чтобы помочь врачам в неотложных ситуациях с большим количеством пациентов, нуждающихся в быстрой и точной диагностике, как, например, на ранних стадиях пандемии», — сказал старший автор Муината Белл, ассоциированный сотрудник Джон С. Малоун, профессор электротехники и компьютерной инженерии, биомедицинской инженерии и компьютерных наук в Университете Джона Хопкинса.
«Потенциально мы хотим иметь беспроводные устройства, которыми пациенты могли бы также пользоваться дома для мониторинга прогрессирования COVID-19», — отметил ученый.
С помощью MATLAB ученые смоделировали около 30 000 фантомов легких на основе общедоступных ультразвуковых изображений in vivo. Для повышения вариабельности изменены положения и эхогенность признаков. Чтобы создать каждый фантом, рассеиватели были случайным образом распределены по УЗИ-изображению, включая слои кожи, слои мышц, плевральные линии и ребра. Амплитуду каждого рассеивателя выбирали случайным образом из предопределенного диапазона для каждой функции.
«Идеальным вариантом использования были бы переносные ультразвуковые пластыри, отслеживающие накопление жидкости и сообщающие пациентам, когда им нужна коррекция лекарства или когда им нужно обратиться к врачу», — сказала соавтор Тиффани Фонг, доцент кафедры неотложной медицины Джона Хопкинса.
Для определения наиболее подходящей стратегии для пациентов с COVID-19 ученые:
Этот подход имеет последствия для выявления COVID-19 и мониторинга пациентов с длительным COVID-синдромом и пост-COVID-синдромом.
Исследователи сочли тестирование генеративной модели успешным, используя различные комбинации доступных учебных наборов данных и предоставили публичный доступ к смоделированным наборам данных:
