基于胸部X光图像的肺部疾病筛查统一框架：多分类集成学习与语义分割方法

本研究提出融合语义分割与集成学习的创新框架（含MLP分类器），通过SE模块增强的编解码器生成胸片掩膜，采用三种预训练模型（微调末5层）构建集成分类系统，在四分类任务中实现88.98%准确率和0.9753 AUC值，显著提升对结核/肺炎/COVID-19的鉴别诊断能力，并验证了在噪声环境下的强鲁棒性。

　　

Highlight

• 提出基于编解码器架构的胸片语义分割模型，整合SE注意力机制与跳跃连接

• 采用随机翻转/旋转/裁剪等数据增强技术解决类别不平衡问题

• 构建包含三种预训练模型的集成分类器（MLP融合），微调末五层结构

• 模型在四分类任务中达到88.98%准确率，AUC值0.9753

• 通过跨数据集验证证明泛化能力，噪声环境下保持优异鲁棒性

Methodology

本研究的创新框架如图1所示，包含两大核心模块：1）胸片语义分割模块：采用U-Net变体架构，嵌入SE注意力块增强特征选择能力，通过跳跃连接保留空间细节；2）集成分类模块：组合EfficientNet、ResNet和DenseNet的深层特征，采用MLP分类器进行决策融合。训练数据来自3个公开数据库构建的25,000张增强图像。

Experimental design

实验在Google Colab平台（NVIDIA Tesla K80 GPU）进行：1）分割模型采用8 batch size训练，Dice系数作为优化目标；2）分类模型使用Adam优化器（初始学习率3×10^-4），采用早停策略防止过拟合。测试阶段引入高斯噪声评估模型鲁棒性。

Conclusion

该框架在胸片四分类任务中展现出：1）88.98%的整体准确率；2）各类别mAP值稳定在0.92以上；3）噪声环境下性能仅下降2.3%，显著优于对比模型。消融实验证实集成策略使AUC提升6.8%，数据增强使少数类F1-score提高22.5%。