48、基于小波熵和猫群优化的新冠检测及深度学习模型综述

基于小波熵和猫群优化的新冠检测及深度学习模型综述

1. 新冠检测背景与问题提出

新冠疫情全球肆虐，给全球经济和人类健康带来沉重打击。新冠是由新型冠状病毒（SARS - CoV - 2）感染引发的急性非典型呼吸道疾病，症状包括持续咳嗽、发热和呼吸困难，严重时会危及生命，且传染性强、易变异，通过飞沫传播，控制难度极大。因此，快速诊断和隔离是阻断疫情传播的关键。

目前确诊新冠的标准方法是逆转录聚合酶链反应（RT - PCR），但该方法繁琐耗时，检测速度受试剂产量影响，且假阴性率高，常需多次检测才能获得准确结果。随着现代技术发展，CT和X射线等医疗手段可获取人体器官图像，辅助医生诊断，但面对大量感染病例，仅靠医生人工诊断远远不够。

2. 新冠检测方法介绍

• 基于小波熵和猫群优化的方法
  • 数据集 ：使用了来自中国淮安第四人民医院的新冠CT图像数据集，包含66例感染者和66例健康个体的图像，共132个样本。每个样本包括肺部CT图像和相应的检测结果。受试者年龄在9 - 91岁之间，其中男性77人，女性55人。数据集由两名专业放射科医生筛选和标注，为每个感染者选取1 - 4张适合病变识别的CT图像，健康受试者样本从159名有体检结果的健康人中随机抽取。
  • 方法
    • 小波熵（Wavelet Entropy） ：采用离散小波变换（DWT）进行特征提取。DWT继承了傅里叶变换的主要思想，克服了其处理不稳定信号的缺点，用有限长度