摘要：非酒精性脂肪性肝病（NAFLD）是全球最常见的慢性肝病之一，早期诊断对于预防疾病进展至关重要。超声检查作为一种无创、经济的影像学手段，在NAFLD筛查中得到广泛应用，但传统人工诊断依赖医生经验，存在主观性强、效率低等问题。本文提出了一种基于深度学习的NAFLD超声图像自动分类方法，旨在提高诊断准确性和效率。
项目简介
基于深度学习的非酒精性脂肪性肝病超声图像智能分类系统，对比了AlexNet、ResNet-50、EfficientNet和MobileNet四种模型，最优准确率达96.40%，并实现了可视化诊断界面。
系统概述
本研究使用EHSOF公开数据集，包含1669张肝脏超声图像（NAFLD 1517张，Non-NAFLD 152张）。针对数据集存在的类别不平衡问题 ，采用数据增强技术和类别加权损失函数进行处理。基于迁移学习策略，选取AlexNet、ResNet-50、EfficientNet-b0和MobileNet -v2四种经典卷积神经网络模型进行对比实验，使用ImageNet预训练权重进行微调训练。
实验结果表明，EfficientNet-b0模型表现最优，在测试集上达到96.40%的准确率、98.02%的F1分数和0.9920的AUC值；MobileNet-v2以8.2MB的模型大小获得96.00%的准确率和0.9887的AUC值，展现出优异的轻量化性能；AlexNet训练速度最快（4分钟），适合快速筛查场景。对比发现，在中等规模医学图像数据集上，轻量级模型往往优于过深的网络结构。
基于最优模型，本文设计并实现了一套NAFLD智能诊断系统，采用MATLAB GUI开发，集成了模型加载、图像诊断、结果可视化等功能，为临床辅助诊断提供了实用工具。本研究为NAFLD的计算机辅助诊断提供了有效方案，具有一定的临床应用价值
系统架构
本系统采用分层架构设计，包括数据层、模型层、应用层三个核心模块。数据层负责EHSOF数据集的加载、预处理（70/15/15划分）和数据增强（处理10:1类别不平衡）；模型层基于迁移学习策略，集成了AlexNet、ResNet-50、EfficientNet-b0和MobileNet-v2四种预训练CNN模型，采用类别加权损失函数和分段学习率衰减策略进行微调训练；应用层通过MATLABGUI实现人机交互界面，提供模型选择、图像加载、智能诊断、结果可视化和性能对比等功能，支持实时诊断并输出置信度和临床建议。系统采用模块化设计，各层职责清晰，便于维护和扩展。
快速开始
运行 main_train_all_models.m 一键训练4个模型（约76分钟），或运行 NAFLD_Classification_GUI.m 直接使用已训练模型进行超声图像诊断。
环境要求
MATLAB R2020b+、Deep Learning Toolbox、四个模型支持包（AlexNet/ResNet-50/EfficientNet/MobileNet-v2），推荐8GB内存和NVIDIA GPU。
结果展示
运行code/NAFLD_Classification_GUI.m
图1 系统主界面
EfficientNet模型
图2 EfficientNet模型加载成功
图3 EfficientNet：非酒精性脂肪肝病
图4 EfficientNet：正常肝脏
AlexNet模型
图5 AlexNet模型加载成功
图6 AlexNet：非酒精性脂肪肝病
图7 AlexNet：正常肝脏
MobileNet-v2模型
图8 MobileNet-v2模型加载成功
图9 MobileNet-v2：非酒精性脂肪肝病
图10 MobileNet-v2：正常肝脏
ResNet-50模型
图11 ResNet-50模型加载成功
图12 ResNet-50：非酒精性脂肪肝病
图13 ResNet-50：正常肝脏
运行main_train_all_models.m
图14 RAlexNet预测结果
图15 AlexNet训练曲线
图16 EfficientNet预测结果
图17 EfficientNe训练曲线t
图18 MobileNet预测结果
图19 MobileNet训练曲线
图20 ResNet-50预测结果
图21 ResNet-50训练曲线
结果点评
本项目成功实现了基于深度学习的非酒精性脂肪性肝病超声图像分类系统，在EHSOF数据集（1669张图像，10:1类别不平衡）上对比了四种主流卷积神经网络架构。实验结果表明，EfficientNet-b0表现最优（准确率96.40%，F1分数98.02%，AUC0.9920），证明了轻量级高效架构在医学图像分类任务中的优势；而AlexNet虽然结构最简单，但仅用4分钟训练时间即达到96.00%准确率，展现出中等规模数据集上简单模型的实用价值。系统通过类别加权损失函数有效缓解了样本不平衡问题，所有模型在少数类（Non-NAFLD）上的召回率均超过78%，具备较强的临床应用潜力。开发的可视化GUI界面支持实时诊断和多模型对比，为辅助医生进行NAFLD筛查提供了便捷工具，整体达到了本科毕业设计的预期目标。
项目资源
包括完整的项目源代码、演示视频、运行截图，开箱即用。
关于项目
原创文档
原创文档：基于MATLAB深度学习的非酒精性脂肪性肝病超声图像分类研究 注意：需要另外付费购买！
作者信息
作者：Bob (张家梁)
项目编号：MI-11
原创声明：本项目为原创作品
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)