一种经过优化的EfficientNetB0框架，结合基于CLAHE的预处理技术，可实现精准的多类胸部X光片分类

《Scientific Reports》：An optimized EfficientNetB0 framework with CLAHE-based preprocessing for accurate multi-class chest X-ray classification

　　

摘要

胸部X光检查依然是诊断胸部疾病的重要工具，但当多种病理状况同时存在时，解读相互重叠的解剖结构尤其具有挑战性，而这在深度学习方法中往往被简化处理。本研究基于NIH数据集，设计了一种优化后的EfficientNetB0框架，专门用于胸部X光的多标签分类任务。该框架采用了基于CLAHE的对比度增强技术、有针对性的类别平衡策略，以及一种能够保留数据集固有多标签复杂性的迁移学习方法。实验结果表明，所提出的模型具有出色的诊断性能，宏观平均AUC值为0.906，召回率为0.824，性能优于DenseNet121和MobileNetV2；同时在各类别间的区分能力也很强，尤其是对于肺炎（AUC=0.950）和心脏肥大（AUC=0.946）。这些结果证明，该框架能够在真实的多标签临床环境中有效平衡学习能力与泛化能力，为需要准确检测多种共存胸部病变的计算机辅助诊断提供了可靠且可解释的解决方案。