基于优化预训练 CNN 模型的腰椎滑脱症诊断研究

• 标题：《Diagnosis of Lumbar Spondylolisthesis Using Optimized Pretrained CNN Models》
• 核心贡献：提出基于 VGG16/InceptionV3+TFLite 量化的腰椎滑脱症 X 光诊断模型，兼顾高准确率与小型设备适配性，且泛化能力强

一、研究背景与待解决问题

1. 疾病背景

• 腰椎滑脱症：椎体相对相邻椎体前移的慢性脊柱疾病，影响 4%-6% 人群，早期 X 光诊断可避免手术风险
• 临床需求：需要快速、精准且可便携使用的诊断工具，辅助放射科医生减少误诊

2. 现有研究不足

• 传统模型：Varcin 等人的 AlexNet/GoogLeNet 模型最高准确率仅 93%，精度有限
• 部署问题：现有深度学习模型体积大，难以在小型设备（如手机、便携式诊断仪）上应用
• 数据局限：医疗 X 光数据样本量少，易导致模型过拟合

二、研究目标

1. 基于预训练 CNN 模型，构建高准确率的腰椎滑脱症二分类模型（正常 、患病）
2. 通过模型优化，实现体积缩减，适配手机等设备
3. 验证模型在公共数据集上的泛化能力，确保通用性

三、方法

1. 数据集设计

• 私有数据集：299 张脊柱 X 光片，患病 156 张 ，正常 143 张，格式为.jpg， 维度224×224×3
• 数据增强：通过裁剪、平移、反射等技术扩充样本，新增 701 张，总样本量达 1000 张
• 数据集分割：7:3 比例划分为训练集700、测试集50、验证集250
• 泛化验证：采用 Kaggle 肺炎数据集5232 张，包含肺炎和正常样本，验证模型跨疾病适配性

2. 模型选择与优化

模型		深度	参数规模	核心特点
VGG16		23 层	1.38 亿	经典 CNN 架构，特征提取稳定
InceptionV3		159 层	2400 万	现代架构，1×1 卷积降维，高效计算

1. 量化优化：先扫描模型中所有参数（卷积核、全连接层权重）的数值区间，再把数值区间进行线性映射成8位整型参数，同时保留模型的网络结构，模型体积缩减 4 倍，且不损失精度。量化完成后，输出的是TFLite 格式的轻量模型

四、实验结果

1. 基础模型性能

模型	准确率	精确率	召回率	F1 分数	训练损失
VGG16	98%	97%	100%	98%	0.08
InceptionV3	96%	100%	93%	96%	0.08

• 关键结论：VGG16 性能更优，对患病样本召回率达 100%（无漏诊），仅 1 例正常样本误诊

2. 量化后模型性能

模型	基础模型大小	量化后大小	量化后准确率
VGG16	59MB	14.8MB	100%
InceptionV3	87.5MB	22.3MB	96%

• 关键结论：体积缩减 4 倍，VGG16 量化后准确率反而提升至 100%，完全适配小型设备

3. 泛化（肺炎）

• VGG16 量化模型准确率达 100%，证明模型对不同 X 光影像的诊断通用性强

六、对比

1. 与现有研究对比

对比对象	核心差异	本研究优势
Varcin 等人（AlexNet/GoogLeNet）	无模型优化，最高 93% 准确率	准确率提升 5-7%，可便携
Zebin 等人（VGG16+TFLite）	90% 准确率	准确率提升 10%

2. 核心优势总结

1. 精度高：VGG16 量化模型准确率 100%，漏诊 、误诊率极低
2. 体积小：缩减 4 倍，可部署于手机、便携式设备
3. 泛化强：跨疾病（腰椎滑脱症 / 肺炎）诊断性能稳定
4. 数据高效：通过数据增强 + 迁移学习，解决医疗数据稀缺问题