技术摘要：
本发明公开了一种基于肺部CT影像的COVID‑19分类识别方法，包括：采集正常肺部CT影像、肺部肿瘤CT影像、COVID肺部CT影像，得到三个样本子集，并构成样本集；采用迁移学习法，分别对AlexNet、GoogleNet、ResNet三个卷积神经网络进行预训练，分别得到三个卷积神经网络的  全部
背景技术：
由于COVID-19具有传染性强的特点，快速准确地检测病原病毒对后续治疗、隔离 有至关重要的意义。COVID-19常见检测手段有核酸试剂检测和CT检查。临床研究显示核酸 试剂检测对疑似症状的患者首次检测假阴性高，且存在检测环境要求高，流程严格，耗时长 的问题，不易大规模推广使用。计算机断层扫描(CT)检测COVID-19具有灵敏度高、漏诊率 低、设备普及程度高等特点，能够对核酸检测起到很好的补充效果。COVID-19患者早期肺部 成像主要以磨玻璃样密度影为主，“铺路石征”明显；几天后，病灶密度会明显增大，可见晕 征和反晕征；随着病情的加重，双侧肺部病变类似于“白肺”；后期病灶密度逐渐减少，病变 范围缩小。因此根据COVID-19患者的肺部CT图像特征，可获取COVID-19患者肺部病变成像。 目前，COVID-19病毒严重威胁人类的生命健康，随着就诊需求的急剧上升，现有医 疗资源及诊疗能力不足以应对，加之核心疫区医院内的人员密度增大，交叉感染风险剧增。 基于肺部CT影像的COVID-19计算机识别学习模型的开发迫在眉睫。 因此，如何提供一种基于肺部CT影像的COVID-19分类识别方法是本领域技术人员 亟需解决的问题。
技术实现要素：
有鉴于此，本发明提供了一种基于肺部CT影像的COVID-19分类识别方法，通过选 择个体分类器，并最终构建集成分类器EDL-COVID，实现对新型冠状病毒COVID-19肺部CT影 像的快速识别。 为了实现上述目的，本发明提供如下技术方案： 一种基于肺部CT影像的COVID-19分类识别方法，其特征在于，包括如下步骤： 数据收集：采集正常肺部CT影像、肺部肿瘤CT影像、COVID肺部CT影像，得到三个样 本子集，并构成样本集； 子模型预训练：采用迁移学习法，分别对AlexNet、GoogleNet、ResNet  三个卷积神 经网络进行预训练，分别得到三个卷积神经网络的初始化参数； 个体分类器训练：将样本集分别输入至预训练完成的三个卷积神经网络，得到三 个个体分类器； 分类器集成：采用集成学习法对三个个体分类器进行集成，获得集成分类器模型。 优选的，所述数据收集步骤，还包括，将采集的正常肺部CT影像、肺部肿瘤CT影像、 COVID肺部CT影像统一命名后，进行图像尺寸归一化，得到三个样本子集。 优选的，所述数据收集步骤，还包括，将采集的正常肺部CT影像、肺部肿瘤CT影像、 COVID肺部CT影像进行去噪处理。 3 CN 111582328 A 说　明　书 2/9 页 优选的，所述集成学习法包括相对多数投票法。 本发明设计的一种基于肺部CT影像的COVID-19分类识别方法与现有技术相比的 优点在于： 构造了三个个体分类器AlexNet-Softmax、GoogleNet-Softmax和  ResNet- Softmax；采用“集成学习法得到集成分类器EDL-COVID。实验结果表明，本发明提出的EDL- COVID模型的整体分类性能优于单一个体分类器，最快检测速度是342.92秒，其精度达到 97％，集成的精度可以达到99.05％，其特异性和灵敏度等各项评价指标也较高，能较好适 应COVID-19肺部CT影像的快速识别要求。 附图说明 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据 提供的附图获得其他的附图。 图1为本发明提供的基于肺部CT影像的COVID-19分类识别方法的流程图； 图2为本发明实施例提供的收集到的肺部CT图像示意图； 图3为本发明实施例提供的不同分类模型下对肺部影像识别评价指标对比图。