Improved A-Line and B-Line Detection in Lung Ultrasound Using Deep Learning with Boundary-Aware Dice Loss
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Lung ultrasound (LUS) is a non-invasive bedside imaging technique for diagnosing pulmonary conditions, especially in critical care settings. A-lines and B-lines are important features in LUS images that help to assess lung health and identify changes in lung tissue. However, accurately detecting and segmenting these lines remains challenging, due to their subtle blurred boundaries. To address this, we propose TransBound-UNet, a novel segmentation model that integrates a transformer-based encoder with boundary-aware Dice loss to enhance medical image segmentation. This loss function incorporates boundary-specific penalties into a hybrid Dice-BCE formulation, allowing for more accurate segmentation of critical structures. The proposed framework was tested on a dataset of 4599 LUS images. The model achieved a Dice Score of 0.80, outperforming state-of-the-art segmentation networks. Additionally, it demonstrated superior performance in Specificity (0.97) and Precision (0.85), with a significantly reduced Hausdorff Distance of 15.13, indicating improved boundary delineation and overall segmentation quality. Post-processing techniques were applied to automatically detect and count A-lines and B-lines, demonstrating the potential of the segmented outputs in diagnostic workflows. This framework provides an efficient solution for automated LUS interpretation, with improved boundary precision.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle