基于双分支全局 - 局部特征融合架构卷积神经网络的超声检测非酒精性脂肪性肝炎（NASH）研究

非酒精性脂肪性肝炎（NASH）是肝癌的致病因素之一，B 超为一线诊断工具。研究人员开展深度学习用于超声 B 超图像检测 NASH 的研究，引入 USDA 技术与 DG - LFFA 架构，结果提升了模型性能，对 NASH 诊断有重要意义。

　　非酒精性脂肪性肝炎（Nonalcoholic steatohepatitis，NASH）是导致肝癌的一个因素，超声 B 型成像为一线诊断工具。本研究将深度学习应用于超声 B 超图像以检测 NASH，并引入一种超声特定的数据增强（Ultrasound - specific data augmentation，USDA）技术和双分支全局 - 局部特征融合架构（Dual - branch global - local feature fusion architecture，DG - LFFA），以提升模型性能和在不同成像条件下的适应性。研究共纳入 137 名参与者。对超声图像进行数据增强（旋转和 USDA），用于训练和测试卷积神经网络，包括 AlexNet、Inception V3、VGG16、VGG19、ResNet50 和 DenseNet201。利用梯度加权类激活映射（Gradient - weighted class activation mapping，Grad - CAM）分析模型的关注模式，以此指导选择用于实现 DG - LFFA 的最佳骨干网络。基于旋转的数据增强下，这些模型的测试准确率达到 0.81 - 0.83。Grad - CAM 分析显示，ResNet50 和 DenseNet201 对肝脏的关注度更强。当 USDA 模拟不同成像条件下的数据集时，基于 ResNet50 和 DenseNet201 的 DG - LFFA 提高了准确率（分别从 0.79 提升到 0.84 和从 0.78 提升到 0.83）、召回率（分别从 0.72 提升到 0.81 和从 0.70 提升到 0.78），且两个模型的 F1 分数均从 0.80 提升到 0.84。总之，深度架构（ResNet50 和 DenseNet201）能够聚焦分析肝脏区域以检测 NASH。在 USDA 模拟的成像变化下，所提出的 DG - LFFA 框架进一步提高了诊断性能。