基于深度学习的胆结石分类方法研究与验证

摘要：

目的:建立一种基于深度学习的胆结石分类方法，并对其进行验证。方法:收集同济大学附属东方医院618例胆结石样本，拍摄1 023张高清结石剖面图像，构建胆结石剖面图像数据集。以传统胆结石八分类法为基础，利用深度学习与迁移学习的方法，训练轻量化网络模型MobileNet V3实现胆结石的快速精准分类，使用混淆矩阵评估模型通过准确率、精确率、F1分数和召回率等指标评估模型的分类性能，并通过准确率和损失值对改进的MobileNet V3模型进行验证。结果:改进的MobileNet V3模型的准确率（94.17%）、精确率（94.03%）、F1分数（92.96%）和召回率（92.99%）均优于其他网络。改进的MobileNet V3模型在胆结石剖面分类中取得了最高的准确率（94.17%），并通过测试集验证。混淆矩阵图显示各类别胆结石的加权平均后的准确率为92.0%，精确率为92.6%，F1分数为92.2%。结论:建立了一种基于深度学习的胆结石分类方法，具有较高的识别准确率，为胆结石的智能化识别提供了新的思路。

关键词：胆结石、分类方法、深度学习、准确率、精确率、损失值

所属期刊栏目：47

资助基金：国家自然科学基金51735003;National Natural Science Foundation of China51735003

在线出版日期：2024-12-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：312-317