CLAUNet-LFB0-CBAM是一个深度学习框架，用于通过超声图像对肝脏纤维化阶段进行可解释的分类

《Scientific Reports》：CLAUNet-LFB0-CBAM a deep learning framework for explainable liver fibrosis stage classification from ultrasound images

　　

摘要

由于超声图像对比度低、斑点伪影以及不同纤维化阶段之间的细微差异，通过超声图像实现肝脏纤维化的自动化分期仍然具有挑战性。我们提出了一种名为CLAUNet-LFB0-CBAM的混合深度学习架构，用于从超声图像中进行多类别肝脏纤维化分类。该方法首先采用预处理流程，随后使用结合了CBAM技术的增强型EfficientNet-B0网络进行处理。为了解决类别不平衡问题，该方法采用了加权交叉熵损失和加权随机采样，并结合了数据增强技术。在相同的实验条件下，将所提出的网络与VGG-16、ResNet-50、DenseNet-121和EfficientNet-B0等基线架构进行了比较。实验结果表明，在准确率99.05%、F1分数0.980和AUC 0.9987方面，所提出的方法表现优于所有评估的基线架构。重要的是，性能提升主要体现在对于临床评估至关重要的中等程度肝脏纤维化阶段。Grad-CAM分析表明，该网络能够从肝脏解剖结构中学习到适当的特征。此外，该网络的实现极为轻量级，仅包含约480万个参数。