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。
论文概述
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
统计信息
论文目录
配套项目
项目代码：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 需要另外购买。
作者信息
作者：Bob (张家梁)
论文编号：Doc-46
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)