基于多特征融合深度学习与纹理分析的肺水肿智能分类系统：一项结合迁移学习的肺超声影像研究

《Journal of Imaging Informatics in Medicine》：MFFC-Net: Multi-feature Fusion Deep Networks for Classifying Pulmonary Edema of a Pilot Study by Using Lung Ultrasound Image with Texture Analysis and Transfer Learning Technique

本研究针对肺超声（LUS）影像的智能诊断需求，开发了多特征融合分类网络（MFFC-Net），通过融合Inception-ResNet-v2、Inception-v3的深度特征与灰度共生矩阵（GLCM）、直方图等9种纹理特征，实现了对肺水肿和COVID-19的高精度分类。模型在五折交叉验证中准确率达99.69%，帧级分类准确率100%，患者级分类准确率81.25%，显著提升肺疾病诊断效率与可解释性。

　　

肺超声（LUS）已在床旁诊疗系统中广泛应用于成人和儿童群体的临床诊断。本研究旨在开发一种可解释的深度学习融合系统，通过纹理分析与迁移学习技术提取特征，对LUS视频/患者进行分类以辅助医生诊断。肺水肿数据集包含56个LUS视频和4234帧图像，COVID-BLUES数据集包含294个视频和15,826帧图像。提出的多特征融合分类网络（MFFC-Net）包含：（1）从Inception-ResNet-v2和Inception-v3提取的两种深度特征，以及灰度共生矩阵（GLCM）和感兴趣区域（ROI）直方图衍生的9种纹理特征；（2）采用特征融合输入的神经网络用于LUS图像分类；（3）使用人工神经网络（ANN）、支持向量机（SVM）、XGBoost和k近邻（kNN）四种模型对COVID/非COVID患者进行分类。经五折交叉验证后，模型训练准确率达0.9969，F1分数0.9968，灵敏度0.9967，特异性0.9990，精确度0.9970。ANOVA分析显示，肺水肿与正常肺组织的9种特征存在显著差异（p<0.01）。在视频级真实标签对比下，MFFC-Net帧级测试准确率达100%，ROC曲线下面积（AUC）为1.000；患者级测试中，kNN模型在COVID-BLUES数据集上取得最高准确率81.25%。MFFC-Net的信息密度（ID）达Inception-ResNet-v2的125倍、Inception-v3的53.2倍。