COVID-19 全球疫情引起了大数据分析师和人工智能工程师的关注。将计算机断层扫描 (CT) 胸部图像分类为正常或感染需要密集的数据收集和 AI 模块的创新架构。在本文中，我们分享一下如何利用AI来检测和识别，并通过检查 CT 胸部扫描图像，涵盖了 COVID-19 正常和异常方面的多个分析和分类级别。
具体来说，该方法首先基于可靠的图像集合来扩充要在训练阶段使用的数据集，分割/检测图像中的可疑区域，并分析这些区域以输出正确的分类。此外，在为我们的研究选择最适合的模块后，我们结合了 AI 算法。最后，与文献中的其他技术相比，我们展示了这种架构的有效性。获得的结果表明，所提出的架构的准确率为95%。
人工智能一直为医学诊断和新药物设计领域做出巨大贡献。专家认为，人工智能将为放射科医生提供更快、更准确的诊断和预测工具，从而产生更有效的治疗，从而产生巨大影响。大数据和人工智能将改变放射科医生的工作方式，因为计算机将能够处理大量患者数据，使他们能够成为非常具体任务的专家。过去，人工智能成功地克服了慢性病和皮肤癌等不同挑战。目前，科学家们期待人工智能在寻找治疗COVID-19的方法中发挥重要作用。
由于 COVID-19 全球疫情，医疗系统在支持不断增加的患者数量和相关费用方面一直面临着严峻挑战。因此，最近 COVID-19 的影响要求医疗部门的思维方式发生转变。因此，从人工智能等现代技术中受益，以设计和开发智能和自主的医疗保健解决方案变得至关重要。
与其他疾病相比，COVID-19 的特点是其快速传播能力，使其在创纪录的时间内成为全球大流行。医疗和卫生保健系统仍在对其进行研究和调查，以获取有关这一快速传播的严重问题的可靠信息和更多见解。因此，成功模拟 COVID-19 传播的目标仍然是抗击这种病毒的重中之重。目前，常用的诊断方法是从痰液或鼻咽拭子中实时逆转录聚合酶链反应 (RT-PCR) 检测病毒 RNA。然而，这些测试需要人为干预，在感染早期呈现低阳性率，并且需要长达 6 小时才能给出结果。因此，要加快疫情防控，需要快速、早期的诊断工具，尤其是从长期来看，在完全解除封锁措施后，应进行大规模检测，以防止此类疾病的反弹。
人工智能算法是用于实施人工智能系统的方法，有助于解决与大流行有关的许多问题，从疫苗和药物研究开始，跟踪人员流动，以及他们如何以及是否遵守社会疏远准则，到评估肺部 CT - 扫描和 X 射线可加快诊断速度并跟踪此类患者的进展。
目前正在努力依靠人工智能算法来诊断 COVID-19。在大规模的病毒筛查中，正在使用高级类型的神经网络，根据患者的呼吸模式对患者进行分类。同样，在 研究中，通过分析胸部 CT 扫描来检测 COVID-19。
AI在医学成像领域中的应用
图像分类可以描述为将图像分类为众多类别之一的任务。这是一个基本的计算机视觉问题。它为检测、分割和定位等其他计算机视觉功能提供了基础。近年来，此类问题已通过深度学习模型解决，该模型利用多层非线性获得的知识处理，用于函数的提取和转换以及模式分类和分析。
在涉及医学成像领域的问题中，计算机辅助图像处理是必不可少的。AI 的最新发展，尤其是深度学习方面的发展，在图像解释领域取得了重大突破，以帮助识别、分类和量化医学图像中的模式。特别是，使用完全从数据中获得的分层函数表示是创新的基石，而不是通常专注于特定领域信息的人工特征。因此，深度学习很容易成为在众多医疗应用中提高效率的新基石。
人工智能在医学成像领域出现的关键力量是需要更好的临床治疗质量和有效性。基于深度学习在通过计算机断层扫描 (CT)、磁共振成像 (MRI)、正电子发射断层扫描 PET 和X 射线。以下是深度学习在图像定位、细胞结构识别、组织分割和计算机辅助疾病诊断方面的功能实现。
用于 COVID-19 检测的 AI技术
AI 在 COVID-19 中的主要应用是对感染的早期检测和诊断人工智能可以很容易地分析症状和疑似异常，它创建了一种具有成本效益的快速决策算法。借助人工智能中的众多算法，可以在分类框架中检测和管理现代 COVID-19 病例。计算机断层扫描 (CT) 和磁共振成像 (MRI) 代表了人工智能算法的宝贵输入，扫描人体切片以进行诊断。
检测和评估 COVID-19 的图像处理和解释的基本阶段是分割。它定义了 AI 算法的关键因素，即胸部 X 射线或 CT 图像中捕获的感兴趣区域 (ROI)。可以使用这些分割区域导出自学特征甚至人工特征。
CT 是 COVID-19 检测领域高质量 3D 图像的主要贡献者之一。深度学习技术在 ROI 分割领域大放异彩，其中最流行的用于COVID-19的技术是 U-Net、U-Net++ 和 VB-Net。尽管 X 射线因其可访问性而在医疗领域比 CT 占主导地位，但 X 射线图像的分割过程更加困难。这是肋骨在软组织上的 2D 投影中的图像对比度的结果。
另一种忽略图像不必要部分的有效方法是图像预处理。这可以在 COVID-19 应用程序中起到分段的作用。图像预处理可以细分为两类，图像的恢复和重建。图像恢复的基本方法是通过滤波消除噪声。为了识别图像边缘并增强噪声检测机制，已经开发了基于神经网络的滤波器。医学图像的重建可能是一个复杂的问题，其中噪声数据包括非线性。因此，这个问题被认为是病态的，因此只能通过放宽条件和简化假设来处理。前馈和 Kohonen 神经网络是重建领域的常用技术，因为它们产生噪声的线性近似数据。
COVID-19的AI 检测由两个阶段组成：分割和 ResNet 深度网络。第一阶段负责识别 CT 图像中的异常，以区分正常和异常患者。第二个负责区分 COVID-19 病例与其他肺炎疾病。ResNet50 块的分割精度为 95.54 和 96.5%。事实证明，总体准确率为 95%。
总结
除了医疗领域，AI技术已经深入渗透各个行业，如交通、安防、金融、旅游、教育等等领域。举个例子，在交通道路的管理上，通过AI检测与识别技术可以提取车牌，车型、驾驶员是否系了安全带、违停检测等。
AI在安防领域的落地场景最多，TSINGSEE青犀视频基于多年视频领域的技术经验积累，将AI检测、智能识别技术融合到各个应用场景中，如：安防监控、视频中的人脸检测、人流量统计、危险行为（攀高、摔倒、推搡等）检测识别等。典型的示例如EasyCVR视频融合云服务，具有AI人脸识别、车牌识别、语音对讲、云台控制、声光告警、监控视频分析与数据汇总的能力。尤其是在“新基建”政策的推动下，我国的AI+视频监控市场将迎来新的增长点。