杨宇航，林 敏，王长缨，钟一文

福建农林大学 计算机与信息学院，福州 350002

自2019年12月初发现新型冠状病毒肺炎以来，新冠肺炎已成为世界上最严重的一种传染病。核酸检测是筛查是否感染新冠病毒的重要手段，而CT肺部图像在初筛、诊断和治疗新冠肺炎都具有重要作用，是核酸检测的重要补充，特别是在早期筛查阶段CT比核酸检测更为敏感，并且确诊患者在病情的不同阶段，肺部CT有不同的表现，所以肺部CT图像又是判断确诊患者感染程度、进行病情监测、观察治疗效果和决定是否达到出院条件的重要依据[1]。虽然获得CT肺部影像的速度比较快，但依靠人工对其进行分析诊断同样需要花费较长的时间和耗费大量的医疗资源，而这对于全球新冠疫情严重地区本以耗竭的医疗资源来说又是一个很大的负担。另外CT检查图像都是靠人眼来辨别的，医生对CT图像进行观察，根据其影像学表现并结合医师个人经验做出主观的判断，因此有一定局限性的，并受主观的影响因素比较多，而且只能解读表观的一些图像特征。因此，采用人工智能和高效的计算机辅助进行CT肺部图像的新冠肺炎诊断，显得比以往任何时候都具有意义。目前，在利用计算机进行辅助新冠肺炎的辅助诊断时，主要是采用卷积神经网络（convolutional neural networks，CNN）等预训练模型对CT肺部图像数据集进行训练和迁移学习，但要得到较好的效果需要大量新冠肺炎患者的CT肺部图像以及有经验的医生对图像进行的标注，而且由于不同的CT设备之间存在着扫描参数的差异，得到的影像数据也有着格式、图像上的不同[2]，再加上患者的隐私问题，大量的标准的有详细标注的数据是难以获得的。……