郭保苏，庄集超，吴凤和，车小双，袁林栋，齐 军

(1.燕山大学 机械工程学院，河北 秦皇岛 066004；2.聊城市人民医院，山东 聊城 252000)

1 引 言

在传统的病毒检测中，需要对每例疑似病例进行逆转录聚合酶链反应(RT-PCR)检测确诊，然而RT-PCR方法十分耗时且检测的假阴性率较高[1]，胸部CT图像检查则可有效地对COVID-19(新冠病毒肺炎)患者肺部影像和治疗效果进行医学评估[2]。胸部CT图像提供了丰富的病理信息，但由于缺乏计算机来准确地量化感染区域及其病理变化，医护人员无法快速地提供诊断筛查。冯雨等[3]针对传统计算机辅助检测系统中肺结节检测存在大量假阳性问题,提出了一种基于三维卷积神经网络的肺结节识别方法。马圆等[4]采用深度信念网络方法对CT图像的良恶性肺结节进行识别研究。黄盛等[5]基于改进的深度残差网络,提出更加适合肺部组织的CT图像模式分类模型。采用人工智能的方法可快速分析病例特征，检测胸部CT图像是否有显示任何异常，并供临床医生进一步诊断，以便进行治疗或隔离。本文将人工智能与初步临床理解相结合，以应对COVID-19带来的巨大挑战。

本文的目标是基于卷积神经网络开发自动化CT图像分析方法，以便快速区分COVID-19患者与普通肺炎病毒患者，从而为一线医护人员对疾病进展的检测和治疗提供支持。目前还未见有关利用卷积神经网络在CT图像中识别COVID-19感染和普通肺炎感染的报道。卷积神经网络也面临诸多挑战，不合适的网络超参数会导致算法收敛缓慢、泛化性差，并使模型表现出较差的鲁棒性和预测精度，同时超参数优化需要大量的计算等问题[6]。……