Page 17 - 《应用声学）》2023年第5期

第 42 卷 第 5 期 张皓宇等： 基于超声射频信号的支持向量机双参量 B 线识别方法 909

The results showed that the two-parameter combination of information entropy and permutation entropy
parameters had the best classification effect based on RF signals, with a sensitivity of 90.521%, specificity
of 98.106%, accuracy of 96.328% and area under curve of 0.95. After the post-processing algorithm, the
identification effect of B-line was further improved, and the average sensitivity, specificity and accuracy of
classification were 95.23%, 97.22% and 96.88% respectively. The results showed that the SVM two-parameter
B-line identification method based on RF data had important value in assisting clinical diagnosis, and the
combination of information entropy and permutation entropy could identify the B-line with high precision.
Keywords: Lung ultrasound; B-line; Radio frequency signal; Two-parameter; Support vector machine

种基于深度卷积神经网络的自动评估肺超声 B 线
0 引言
的深度学习算法，并将评估结果与超声专家评估结
随着现代超声医学的不断发展进步，曾经被视 果进行比较，表现出较好的敏感性和特异性。
作超声盲区的肺脏超声检查也由于其无辐射、可 现有的 B 线识别方法大多基于超声图像，但
床旁诊断等优点成为临床上检测肺脏疾病、监测重 超声图像是由原始超声回波射频 (Radio frequency,
症病人生理指标的重要手段。肺超声中有一种被 RF)信号经过预处理、平滑、对比度增强等处理得到
称为 B 线的重要超声伪影，多用于检测、诊断肺部 的便于医生肉眼观察的图像，在由 RF 信号转变为
疾病，在超声影像上表现为从胸膜线产生并延伸至 图像的过程中，真实信号丢失或弱化了一部分的组
屏幕底部的离散、激光样垂直高回声伪影 [1] ，并与 织信息以换取超声图像更有利于观察的性能，故本
肺滑动同步移动。1998 年，Lichtenstein 等 [2] 提出 文提出的利用原始 RF 信号对肺超声结果进行评估
B 线定义，并用肺脏超声图像中的 B 线来区分肺水 可以提高信息的利用率，避免不同超声仪器参数设
肿和慢性阻塞性肺病。2004 年，Jambrik 等 [3] 通过 置的影响，可以得到普适性更高的评估算法。与基
分析 121名患者的胸部 X光片与肺超声之间的相关 于卷积神经网络的自动评估 B 线深度学习算法相
性，证实了B线作为检测血管外肺水指标的可行性。 比，本文采用的非线性支持向量机 (Support vector
2010 年，Jambrik 等 [4] 通过肺损伤动物模型实验验 machine, SVM) 复杂度更小，提取特征参量的运算

证了 B 线数量与肺干湿比之间的显著相关性，提出 量也更小，有望应用于临床超声检查中，实现实时的
了一种简单、半定量、无创的评估肺超声 B 线的肺 B线识别功能。
积水指数。肺超声影像中 B 线数量的增加与肺水
肿、肺纤维化、肺炎等肺病变之间显著的相关性已 1 理论和方法
经成为临床上对患者进行床旁无创、快速诊断的重
1.1 特征参数选取
要依据，医生可以按照肺超声检查国际推荐标准 [5] ，
快速评估患者的病情，并做出相应的诊断。但在相 本文选用的超声 RF 数据每帧包含 256 条扫描
同的评估标准之下，不同的医生对同一患者的评估、 线，每条扫描线有2336个数据点，采样率为40 MHz。
甚至同一医生在不同时间对同一患者的评估都可 由于 B 线的特征是垂直于成像探头的激光样线，与
能会产生一定偏差，这与评估者的临床经验、评估 扫描线方向相同。故将每一条扫描线上的全部 RF
时的生理状态等因素有关。因此，能够辅助医生对 数据点看作一个识别对象，分别对每个识别对象提
肺超声进行评估的算法可以大大提高医生诊断的 取信息熵、排列熵、峰度、偏度和能量 5 种特征参量，
稳定性和准确性。 并评估这些参量B线识别的效果。
2016年，Moshavegh等 [6] 提出了一种自动检测 (1) 信息熵
和表征 B 线的方法，该方法首先检测图像中分割胸 信息熵是反映信号混乱程度的参数 [9] ，信号越
膜线，再向下对B线进行检测。Corradi等 [7] 通过比 混乱，信息熵越大。肺中富含气体，超声波在气相表
较肺超声图像灰度值变化的平均值和标准差，提出 面发生全反射，无法探测气相后的组织信息，在超
了一种检测机械通气心脏手术患者肺水肿的计算 声图像上产生 A 线和黑色区域，黑色区域在 RF 信
机辅助定量方法。2020年，Cristiana 等 [8] 提出了一 号中表现为 0 左右的低幅值数据，由于混响效应 [10]