21、利用AI算法结合CT扫描进行COVID - 19检测

利用AI算法结合CT扫描进行COVID - 19检测

在抗击COVID - 19的过程中，利用AI算法结合CT扫描进行检测成为了一种有潜力的方法。本文将介绍几种不同的AI模型及其在COVID - 19检测中的应用。

1. UNet模型

UNet因其对称的形状而得名，与其他全卷积网络（FCN）变体不同。其架构主要分为三个部分：
- 收缩/下采样路径 ：由四个块组成，每个块包含两个3×3卷积层（带有批量归一化和激活函数）和一个2×2最大池化层。每次池化后特征图数量翻倍，从第一个块的64个特征图开始，依次递增。该路径的目的是捕获输入图像的上下文信息，以便进行分割。这些粗略的上下文信息将通过跳跃连接传递到上采样路径。
- 瓶颈层 ：位于收缩和扩展路径之间，由两个带有批量归一化和丢弃层的卷积层组成。
- 扩展/上采样路径 ：同样由四个块组成，每个块包含一个步长为2的反卷积层、与收缩路径中相应裁剪的特征图进行拼接操作，以及两个3×3卷积层（带有批量归一化和激活函数）。该路径的目的是结合收缩路径的上下文信息实现精确的定位。

数据与材料

使用了来自GitHub的COVID - 19阳性和非COVID数据，以及印度一家私人医院的实变和健康CT扫描数据。数据包含275个标记为COVID - 19阳性的CT扫描，基于RT - PCR测试结果确定图像的真实标签。数据共有5212个切片，被分为训练集、验证集和测试集，每个集合中阳性病例的患病率保持在20%。将输入大小固定为512×512像素，将原始的无符号int8格式（范围[0, 255]）