基于深度学习的4种肺部超声征象分类

作者：段晓倩; 陈建刚; 王茵; 秦伟; 曹羽成; 马烨波; 王卓然; 魏高峰; 沈梦君

来源：海军军医大学学报, 2022, 43(08): 901-907.

DOI：10.16781/j.CN31-2187/R.20211217

• 肺
• 超声检查
• 深度学习
• 深度残差网络
• 四分类

目的 探究基于深度残差网络ResNet152对4种常见肺部超声征象的分类。方法 前瞻性收集2020年6月至9月在同济大学附属上海市肺科医院超声科进行超声检查患者的超声图像，分别采集A线、B线、胸腔积液、肺实变的肺部超声图像各1 500张。选择其中清晰、未被骨骼遮挡、征象单一的图像，最终入选A线图像1 388张、B线图像1 375张、胸腔积液图像1 384张、肺实变图像1 398张。采用深度残差网络ResNet152进行分类模型的训练和验证，并在完全独立于训练集和验证集的测试集上测试模型的泛化能力。以精确率、准确度、特异度、召回率和F1指数评价深度分类模型的分类性能，并通过混淆矩阵直观地展示分类结果。结果 基于深度残差网络的分类模型分类A线、B线、胸腔积液和肺实变4种征象的精确率分别为97.51%、87.31%、85.42%、93.70%，召回率分别为90.38%、86.97%、94.25%、91.18%。4种肺征象的整体分类精确率为90.99%，准确度为90.70%，特异度为96.85%，F1指数为90.50%，表现出优秀的分类特性。结论 基于深度残差网络的肺部超声分类模型表现出较高的分类特性，有潜力辅助超声医师做出诊断。

• 单位
  中国人民解放军第二军医大学; 华东师范大学; 同济大学附属上海市肺科医院; 上海中医药大学; 电子工程学院