12、基于CT图像与机器学习的COVID-19检测及水稻叶病分类研究

基于CT图像与机器学习的COVID-19检测及水稻叶病分类研究

1. COVID - 19检测研究

在抗击COVID - 19的过程中，利用CT扫描图像和机器学习模型进行自动检测的方法具有重要意义。

1.1 数据集情况

研究使用的数据集来自巴西圣保罗的医院，通过Kaggle竞赛公开获取。该数据集共有2482张CT扫描图像，其中1252张来自COVID - 19感染患者，1230张来自未感染患者。数据集中包含60名接受COVID - 19感染扫描的患者（32名男性和28名女性），以及另一组60例接受非COVID - 19指标扫描的患者（30名男性和30名女性），体现了数据集在性别上的多样性。数据收集协议通常包括从已进行COVID - 19检测的患者那里获取CT扫描，不同医院和中心的协议可能有所不同，一般会涉及获取患者的知情同意、遵循特定的扫描技术以及遵守医学和影像专业人员提供的指南。数据集可能还包含患者的人口统计信息，如年龄、性别等，这对于分析COVID - 19在不同人群中的影响很重要。

1.2 研究方法

将数据集按70%和30%的比例划分为训练集和测试集。使用了多种深度学习模型（VGG - 16、ResNet、DenseNet、Inception）从CT扫描图像中提取特征，然后将这些特征输入到各种机器学习模型（支持向量机、逻辑回归和梯度提升）中进行分类。对每个模型的性能从准确率、召回率、精确率和ROC曲线下面积（AUC）等方面进行评估，结果如下表所示：
| 模型 | 准确率 | 召回率 | 精确率 | AUC |
| — | — | — | — | — |
| VGG - 16 | 95.43% |