DUCPS: Deep Unfolding the Cauchy Proximal Splitting Algorithm for B-Lines Quantification in Lung Ultrasound Images

在肺部超声（LUS）中识别工件，尤其是B线，对于协助临床诊断至关重要，这促进了创新方法的发展。虽然Cauchy近端分裂（CPS）算法已经证明在B线检测方面具有有效性，但该过程速度较慢且具有有限的泛化性。本文提出了一种新颖的无监督深度展开网络结构（DUCPS）来解决这些问题。该框架利用深度展开程序将传统的基于模型的技术与深度学习方法相结合。通过将CPS算法展开成一个深层网络，DUCPS使得优化算法中的参数可学习，从而增强了泛化性能并促进了快速收敛。我们使用Neighbor2Neighbor（N2N）和结构相似性指数测量（SSIM）损失进行完全无监督的训练。当与本文提出的改进的线识别方法相结合时，实现了最先进的性能，召回率和F2得分分别达到了0.70和0.64。值得注意的是，DUCPS显着提高了计算效率，消除了对大量数据标记的需求，是传统算法和现有深度学习方法的显着进步。

本论文旨在解决肺部超声中B线的识别问题，提出了一种新的深度展开网络结构（DUCPS）来改善传统算法的性能和泛化能力，并提高计算效率。

DUCPS将传统的基于模型的技术与深度学习方法相结合，通过将CPS算法展开成一个深度网络，使得优化算法中的参数可学习，从而提高了泛化能力和收敛速度。

本论文提出的DUCPS算法通过无监督训练使用邻居2邻居（N2N）和结构相似性指数测量（SSIM）损失函数，实现了与现有算法相比的最先进性能，召回率和F2得分分别达到了0.70和0.64。此外，DUCPS还显著提高了计算效率，消除了大量数据标注的需求，是传统算法和现有深度学习方法的重要进展。

最近的相关研究包括使用深度学习方法来识别LUS中的B线，如DeepBreath和DeepPhys。