23、基于机器学习的COVID - 19检测与胸部X光图像分析

基于机器学习的COVID - 19检测与胸部X光图像分析

一、COVID - 19检测的网络实验与结论

在COVID - 19检测中，为了定量研究PASPP不同设置对性能的影响，进行了相关实验。将PASPP模块与原始的ASPP和修改后的ResASPP（去除了渐进式拼接）进行了比较，结果如下表所示：
| 模块 | 特点 | 性能结论 |
| — | — | — |
| PASPP | 采用渐进式融合策略 | 渐进式融合策略对COVID - 19分割非常有效。因为对于复杂的COVID - 19分割，不同尺度的特征不应一次性融合，渐进式融合能让相邻信息更好地补充缺失细节 |
| ResASPP | 包含残差学习 | 与ASPP和ResASPP相比，由于其包含残差学习，能获得相当高的性能。这意味着早期模块的信息可以快速流向空洞卷积层的输出，梯度也能从空洞卷积层快速反向传播到早期模块 |
| ASPP | - | 与UNet相比，ASPP显著提高了分割性能 |

为了从COVID - 19 CT图像中提取紧凑特征并获取语义信息，在编码器中插入FV块，并采用PASPP来扩大感受野。实验结果表明，所提出的网络不仅在肺部分割上取得了最佳性能，在COVID - 19分割上也是如此。

下面是该实验过程的mermaid流程图：

graph LR
    A[准备实验数据] --> B[设置PASPP不同参数]
    B --> C[构建PASPP、ASPP、ResASPP模型]
    C --> D[进行训练和测试]
    D --> E[记