계층 구조 인식 및 해부학적 지침 기반의 폐 초음파 영상 분류

Hierarchy-Aware and Anatomy-Guided Learning for Lung Ultrasound Video Classification

폐 초음파(LUS)는 심부전이나 신장 기능 저하로 인해 위험에 처한 환자의 폐부종을 평가하는 데 사용되는 검사 장비입니다. 그러나 스페클 노이즈, 이미지 왜곡, 그리고 의료진의 숙련도 차이로 인해 자동화된 LUS 분석은 여전히 어려운 과제입니다. 본 연구에서는 다중 클래스 LUS 영상 분류를 위한 딥러닝 프레임워크를 제시하며, 이 프레임워크는 두 가지 주요 구성 요소인 계층 구조 인식 학습과 해부학적 지침 기반 학습을 포함합니다. 강력한 기본 모델을 바탕으로, 우리는 계층적인 학습 전략을 도입하고, 이후 폐막선 마스크 감시(mask supervision)를 사용하여 모델이 해부학적으로 중요한 영역에 집중하도록 유도했습니다. 본 연구에서는 1886개의 영상 데이터셋(219명의 환자 대상)을 활용하여, 건강 상태, B-라인, 폐렴 소견, 그리고 B-라인과 폐렴 혼합 소견의 네 가지 임상적으로 중요한 클래스를 분류했습니다. 이때, 환자 수준의 5배 교차 검증을 수행했습니다. 결과는 계층 구조 인식 학습이 일반적인 분류 방식에 비해 병리적 상태를 더 잘 구분하는 것을 보여주었으며, 마스크 기반 주의 집중(attention)은 최고 평균 매크로 F1 점수인 65.7%를 달성하고 더욱 국소화된 주의 패턴을 생성했습니다. 외부 COVID-BLUeS 데이터셋에 대한 전이 학습 실험 결과, 경쟁력 있는 성능과 효율적인 파라미터 사용량을 유지하면서 폐막선에 집중하는 특성을 보존했습니다. 이러한 결과는 임상적으로 구조화된 목표와 해부학적 지침 기반 감시를 결합하는 것이 강력하고 해석 가능한 LUS 영상 분석을 위한 실용적인 접근 방식임을 시사합니다. 코드 및 모델 구현은 https://github.com/Alya-Almsouti/LUS-video-classification 에서 확인할 수 있습니다.

Lung ultrasound (LUS) is a bedside tool for assessing pulmonary edema in patients at risk due to heart failure or impaired kidney function. However, automated LUS analysis remains challenging because of speckle noise, imaging artifacts, and operator-dependent acquisition variability. In this work, we present a deep learning framework for multi-class LUS video classification that explores two components: hierarchy-aware training, and anatomy-guided learning. Starting from a strong baseline, we introduce hierarchical training strategies and then introduce pleural line mask supervision to guide model attention toward anatomically relevant regions. We study four clinically relevant classes--healthy, B-lines, consolidations, and mixed B-lines with consolidations--using an open-access dataset of 1,886 videos from 219 patients, evaluated with patient-level five-fold cross-validation. Results show that hierarchy-aware training improves pathological separation relative to flat classification, while mask-guided attention supervision achieves the highest mean macro-F1 of 65.7\% and produces more localized attention patterns. Transfer experiments on the external COVID-BLUeS dataset further show competitive and parameter-efficient adaptation while preserving pleural-focused attention behavior. These findings suggest that combining clinically structured objectives with anatomy-guided supervision is a practical approach to robust, interpretable LUS video analysis. Code and model implementations are available at https://github.com/Alya-Almsouti/LUS-video-classification.