Eff-ReLU-Net深度学习框架：基于改进型EfficientNet-B0的多类别慢性伤口智能分类系统

本研究针对慢性伤口分类的临床挑战，提出Eff-ReLU-Net深度学习框架，通过替换Swish为ReLU激活函数并增加全连接层，在Medetec和AZH数据集上实现92.33%和90%的分类准确率，为临床伤口自动化评估提供高效解决方案。

　　

慢性伤口已成为全球医疗系统面临的重大挑战，每年仅美国就有超过600万人受其困扰。糖尿病足溃疡(DFU)、静脉性腿部溃疡(VLU)和压力性溃疡(PU)等慢性伤口不仅导致患者痛苦，更因治疗周期长、资源消耗大而加剧医疗负担。传统依赖人工评估的方法存在主观性强、一致性差的问题，而现有机器学习方法又难以处理伤口在颜色、形状和愈合阶段的高度变异性。尤其当伤口接近愈合时，现有系统的识别准确率显著下降，这成为制约自动化伤口管理的关键瓶颈。

为解决这一难题，来自沙特阿拉伯伊玛目穆罕默德·本·沙特伊斯兰大学的研究团队在《BMC Medical Imaging》发表研究，提出名为Eff-ReLU-Net的创新框架。该研究通过改造EfficientNet-B0架构，用计算效率更高的ReLU替代原Swish激活函数，并增加三个全连接层增强特征提取能力。研究采用Medetec（365张图像）和AZH（730张图像）两个公开数据集，通过90°-270°固定角度旋转、随机旋转和平移等数据增强技术提升模型泛化性。

关键技术方法包括：1）构建基于MBConv模块的深度可分离卷积网络；2）采用ReLU激活函数优化梯度流动；3）末端添加512-256-128单元的三层全连接结构；4）使用全局平均池化防止过拟合；5）交叉数据集验证评估模型泛化能力。

模型架构设计
通过系统对比EfficientNet系列（B1-B7），最终选择参数最少的B0版本进行改造。实验表明，ReLU激活使训练速度提升30%，而新增的全连接层使特征维度从1280维逐步压缩至分类所需的4维（对应4类伤口），显著提升特征区分度。

性能验证
在Medetec数据集上取得92.33%准确率（F1-score 96.48%），较原EfficientNet-B0提升5.83个百分点。特别在糖尿病足溃疡分类中，精确度达97.66%，证明模型对细微病理特征的捕捉能力。交叉验证显示，模型在未见过的AZH数据上仍保持90%准确率，突破现有方法普遍存在的"数据集依赖"局限。

对比实验
与VGG-16（85.1%）、ResNet-50（88.03%）等传统架构相比，Eff-ReLU-Net参数量仅5.3M，推理耗时12.4毫秒，在保持轻量化的同时实现最优性能。统计检验（ANOVA p=1.27×10^-6）证实其优势具有显著性。

该研究创新性地平衡了模型复杂度与临床实用性：ReLU激活的采用使GPU内存占用控制在780MB，适合部署在医疗机构的常规设备；而旋转不变性增强策略使模型对拍摄角度变化具有鲁棒性。这些突破为慢性伤口的远程监测和分级诊疗提供了技术基础，尤其对资源匮乏地区的伤口护理具有重要价值。未来研究可通过纳入更多伤口亚型（如感染期/非感染期）进一步拓展模型临床应用场景。