编辑推荐：
为解决 COVID-19 感染严重程度评估难题，研究人员开展利用 CT 扫描分类 COVID-19 严重程度的研究。他们采用多种技术处理影像，用 DRIEN 模型分类，结果显示该技术分类准确率达 99.79%，有助于提升诊断效率。
自 2019 年 12 月起，新冠病毒（COVID-19）在全球范围内迅速传播，给公共卫生带来了巨大挑战。准确评估 COVID-19 感染严重程度对于患者的有效管理至关重要。在诊断手段中，逆转录聚合酶链反应（RT-PCR）虽能确认 COVID-19，但它存在诸多问题，比如高度依赖操作人员、灵敏度低，而且检测结果需 4 - 6 小时才能得出，在病毒变异迅速传播的当下，难以满足快速诊断的需求。相比之下，医学影像分析，如 CT 扫描和胸部 X 光（CXR），具有速度快、可靠性高、对操作人员依赖小等优点，成为极具潜力的替代方案。然而，利用 CT 扫描对 COVID-19 严重程度进行分类并非易事，医学图像中存在的高类内变异性、与其他肺部感染的相似性以及噪声等问题，都增加了分类的难度。传统深度学习模型，像 ResNet、DenseNet 和 Inception，在特征提取方面虽有一定优势，但单独使用时各有局限 。为了攻克这些难题，来自未知研究机构的研究人员开展了一项研究，旨在找到一种更有效的方法，通过 CT 扫描快速、准确地对 COVID-19 感染严重程度进行分类，该研究成果发表在《Biomedical Signal Processing and Control》上。
研究人员采用了一系列关键技术方法。在图像预处理阶段，他们运用双边滤波在保留边缘细节的同时减少噪声，接着进行强度归一化和对比度受限自适应直方图均衡化（CLAHE）来增强图像对比度。分割过程则借助分水岭算法结合大津法（Otsu’s Thresholding）精确勾勒出感兴趣区域。在特征提取环节，计算纹理特征（如对比度、相异性、同质性、能量、相关性）、形状特征（如面积、周长、凸包、紧实度、等效直径、范围、纵横比）以及颜色特征（颜色相关图）。之后，使用加权方法融合这些特征，再通过主成分分析（PCA）进行降维，利用混沌增强笑翠鸟优化算法（CEKOA）进行特征选择，最后运用密集 - 残差 - 卷积集成网络（DRIEN）模型（融合 DenseNet、ResNet 和 Inception Net）对 COVID-19 疾病进行分类。
研究结果如下：
- 模型构建与性能评估：DRIEN 模型在 Python 环境下，借助 OpenCV、NumPy、Keras、TensorFlow 和 scikit-learn 等库实现。研究人员在 Ubuntu 20.04 系统、Python 3.8 版本和 TensorFlow 2.4 版本上对模型性能进行测试。他们采用 70% 训练 / 30% 测试和 80% 训练 / 20% 测试的划分方式评估模型性能。
- 分类准确率：经过一系列实验，该研究提出的技术在 COVID-19 检测方面表现卓越，分类准确率高达约 99.79%，优于现有模型。
在研究结论和讨论部分，研究人员提出的综合方法涵盖从图像预处理到分类的多个关键步骤，通过先进技术确保了高质量的图像准备和精确的分割。融合多种特征并进行有效的特征选择，结合强大的 DRIEN 模型，使得 COVID-19 严重程度的分类既快速又准确。这一研究成果对于提升 COVID-19 的诊断效率、合理分配医疗资源具有重要意义，为抗击 COVID-19 疫情提供了有力的技术支持，也为后续医学影像分析在疾病诊断中的应用开拓了新的思路，有望推动相关领域进一步发展。
