COVID-19 X射线图像诊断的深度神经网络技术研究

医学信息学解锁20（2020）100405R-CNN：一种在X射线图像中诊断新型冠状Kabid Hassan Shiblya，Samrat Kumar Dey a，*，1，Md Tahzib-Ul Islam a，Md Mahbubur Rahman ba达卡国际大学计算机科学与工程系（CSE），达卡，1205，孟加拉国b孟加拉国达卡Mirpur Cantonment军事科技学院计算机科学与工程系（CSE），邮编1216A R T I C L EI N FO保留字：COVID-19新型冠状病毒胸部X射线图像Faster深度神经网络A B S T R A C TCOVID-19或新型冠状病毒病已被宣布为全球大流行病，最初在中国一个名为武汉的大城市爆发。全世界200多个国家已经受到这种严重病毒的影响，因为它通过人际交往传播。此外，新型冠状病毒的症状与一般的季节性流感非常相似。筛查受感染患者被视为抗击COVID-19的关键一步。由于没有独特的COVID-19阳性病例检测工具可用，因此对辅助诊断工具的需求增加。因此，尽早识别阳性病例以避免这一流行病的进一步传播具有高度相关性。然而，有几种方法可以检测COVID-19阳性患者，这些方法通常基于呼吸道样本进行，其中，治疗的关键方法是放射成像或X射线成像。最近X射线成像技术的发现表明，这些图像包含有关SARS-CoV-2病毒的相关信息。深度神经网络（DNN）技术与放射成像相结合的应用有助于准确识别这种疾病，也有助于克服偏远社区训练有素的医生短缺的问题。在本文中，我们介绍了一个VGG-16（Visual Geometry Group，也称为OXfordNet）基于网络的快速区域卷积神经网络（Faster我们提出的方法提供了一个97.36%的分类准确率，97.65%的灵敏度，和99.28%的精度。因此，我们相信此拟议方法可能有助于卫生专业人员验证其对COVID-19患者的初步评估。1. 介绍新型冠状病毒（即COVID-19）的爆发在全球范围内造成了令人担忧的局面。冠状病毒是属于冠状病毒科和巢病毒目的有包膜的非节段正义RNA病毒，广泛分布于人类和其他哺乳动物[1]。然而，导致中东呼吸综合征（MERS）和严重急性呼吸综合征（SARS）的病毒也属于冠状病毒家族[2，3]。2019冠状病毒病于二零一九年十二月在中国东部城市武汉爆发。这种病毒引起肺炎，症状如发烧，干咳和疲劳。在严重的情况下，患者会感到呼吸困难。有些患者还会出现头痛、恶心或呕吐.它通过受感染者咳嗽或打喷嚏的飞沫在人与人之间传播[4]。即使未感染者接触飞沫后再触摸自己的脸，特别是眼睛、鼻子或嘴巴，不洗手也可能被这种新型冠状病毒感染。截至2020年5月8日，根据世界卫生组织（WHO）的情况报告，有210个国家受到新型冠状病毒的影响。2020年4月25日，世界卫生组织（WHO）宣布其为大流行。逆转录聚合酶链反应（RT-PCR）是检测冠状病毒的重要方法之一。该测试在呼吸道样本上进行，结果在几小时至两天内生成。抗体也用于检测COVID-19，其中血液样本用于识别病毒。然而，卫生专业人员偶尔使用胸部X光扫描，* 通讯作者。电子邮件地址：khshibly00@gmail.com（K.H.Shibly），samratcsepstu@gmail.com（S.K.Dey），tazim. gmail.com（M.T.-联合伊斯兰教），mahbub.rahman.gmail.com（M.M. Rahman）。1 现住址：达卡国际大学计算机科学和工程系，孟加拉国达卡1205。https://doi.org/10.1016/j.imu.2020.100405接收日期：2020年5月17日;接收日期：2020年7月20日;接受日期：2020年7月25日2020年8月1日网上发售2352-9148/©2020的 作者。发表通过 Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuK.H. Shibly等人医学信息学解锁20（2020）1004052Fig. 1. 图1（A）表示X射线图像分类的卷积神经网络架构的示意图;图1（B）示出了更快的基于区域的卷积神经网络（Faster Regional based Convolutional NeuralNetwork，FasterVGG-16网络架构。具体说明肺部病理。在武汉，对计算机断层扫描（CT）图像报告进行了一项研究，发现CT图像对COVID-19感染率的灵敏度约为98%，而RT-PCR的灵敏度为71% [5]。在这场全球大流行的早期阶段，中国临床中心的检测试剂盒不足。因此，医生建议仅根据临床胸部CT结果进行诊断[6，7]。即使像土耳其这样的国家，由于检测试剂盒数量不足，也使用CT图像。一些研究表明，实验室报告和临床图像特征对于COVID-19的早期检测甚至更好[8此外，健康专家还注意到症状出现之前X光图像的变化[12]。近年来，深度神经网络方法技术已成功应用于许多问题，例如皮肤癌分类[13，14]，乳腺癌检测[15，16]，脑部疾病分类[17]，胸部X射线中的肺炎检测[18]和肺部分割[19-21 ]。因此，精确、准确、快速的智能检测模型可能有助于克服这一问题，尤其是在COVID-19疫情迅速上升的情况下。在这篇文章中，我们提出了一个新的框架，使用快速区域卷积神经网络（FR-CNN）深度方法从X射线图像中检测COVID-19感染。基于COVID x的可用基准数据集，我们检查了COVID-19的X射线图像报告以及其他疾病患者和正常人的报告。此外，对于特征提取，我们使用VGG-16网络来构建模型。2. 相关工作深度学习是人工智能领域的一个热门研究领域。它使端到端建模能够使用输入数据提供承诺的结果，而无需手动特征提取。最近，在医疗领域使用机器学习方法进行诊断作为医生的补充工具越来越受欢迎。通过开发两种用于检测病毒基因组区域的一步定量实时逆转录PCR试验，提出了新型冠状病毒的分子诊断方法[22]。在另一项探索中，作者分析了[23]新型冠状病毒的流行病学和临床特征，并纳入了所有COVID-19感染者的记录。图二. 提出的框架的工作流表示。中国疾病控制中心报告的患者K.H. Shibly等人医学信息学解锁20（2020）1004053表1本研究中使用的多个数据集的不同数据表示确诊COVID-19疾病的图像，700张确诊普通细菌性肺炎的图像，以及504张正常情况的图像数据集类型正常非COVID肺炎COVID 19总计作者的实验结果表明，使用X射线成像的深度学习方法可以提取与COVID-19疾病相关的重要生物标志物。通过包含多个CNN模型，Hemdan等人。[28]提出了一种能够检测COVID-19确诊病例的他们的研究在50张胸部X光图像上得到了验证作者已经包括了七种不同的深度卷积神经网络架构，预防措施，2020年1月26日。近年来，许多放射学图像已被广泛用于检测COVID-19确诊病例。此外，Wang等人[24]提出了一种名为COVID-Net的深度模型，这是一种专门为COVID-19患者识别而创建的开源深度神经网络，在标准类、非COVID和COVID-19肺炎的分类中，准确率达到92.4%。Sethy等人。[25]使用X射线图像，使用支持向量机（SVM）分类器对从CNN的不同模型中获得的属性进行分类。作者已经策划了COVIDX数据集，以通过X射线摄影图像检测COVID-19患者。在另一项研究中，Narin等人提出了ResNet50 [26]模型新冠病毒检测准确率达到98%该数据集由Joseph Cohen博士共享的开源GitHub存储库中的50张COVID-19患者图像和Kaggle胸部X射线图像（肺炎）存储库中的另外50张健康患者图像组成结果是使用五重交叉验证技术获得的使用ResNet 50模型的准确率为98%，使用Inception-V3模型的准确率为97%，使用Inception-ResNetv 2模型的准确率为87%。此外，在使用X射线图像检测COVID-19患者方面，Ioannis等人的Deep模型。[27]对于两个类别和三个类别，成功率分别达到98.75%和93.48%。作者们对1427张X射线图像进行了实验，其中包括224张网络模型，如修改后的视觉几何组网络（VGG-19）和第二版的谷歌移动网络。每个深度神经网络模型都能够分析X射线图像的归一化强度，以将患者状态分类为阴性或阳性COVID-19病例。Karmany等人建议使用基于图像的深度学习来识别医学诊断和可治疗的疾病。它可以有效地分类图像的黄斑变性和糖尿病视网膜病变的准确区分细菌和病毒肺炎的图像胸部X光片Pereira等人[30]提出了一种考虑到上述观点的分类方案：a）多类分类; b）分层分类，因为肺炎可以被结构化为高级别。作者建立了一个名为RYDLS-20的数据库，该数据库包含由不同病原体引起的肺炎的CXR图像以及健康肺部的CXR图像。所提出的方法在RYDLS-20中进行了测试，使用多类方法实现了0. 65的F1-Score宏观平均值，在分层分类方案中识别COVID-19的F1-Score为0. 89。在另一项由Ardakkani等人编制的关于CT图像的10个卷积神经网络的研究中，[31]声称使用人工神经网络快速诊断COVID-19。 基于情报 法 1020 计算机断层扫描(CT)来自108名实验室确诊的COVID-19患者的切片（COVID-19组）和86例其他非典型和病毒性图3.第三章。建议架构的工作过程（更快的R-CNN ）。定制列车11003000804180数据集测试300950201270新冠病毒X列车7966545115213569测试10010031231K.H. Shibly等人医学信息学解锁20（2020）1004054我=我我最高准确率为99.51%。在最近的一项研究中，Hall et al.[32个]我我Ncls我Nreg我表2标准卷积由“Conv”表示“t1”和“t2”分别表示卷积步长1 × 1和2 × 2。“dw“代表由两层组成的深度可分离卷积。(i)深度卷积用于在每个输入通道中应用单个滤波器，以及（ii）A 1 ×1逐点卷积用于创建深度层的输出的线性组合。类型形状输入尺寸Conv/t2 3× 3× 3× 32 224×224 × 3Conv/t1 3×3 × 32 dw 112×112 × 32转换器1× 1× 32× 64 112×112 × 32Conv/t2 3×3 × 64 dw 112×112 × 64Conv/t1 1× 1× 64× 128 56×56 × 64Conv/t1 3×3 × 128 dw 56×56 × 128转换器1× 1× 128× 128 56×56 × 128Conv/t2 3×3 × 128 dw 56×56 × 128电话：+86-21- 88888888传真：+86-21- 88888888Conv/t1 3×3 × 256 dw 28×28 × 256转换器1× 1× 256× 256 28×28 × 256Conv/t2 3×3 × 256 dw 28×28 × 256转换器1× 1× 256× 512 14×14 × 2565× conv/t1 13×3 × 512 dw 14×14 × 5125× conv/t1 1× 1× 512× 512 14×14 × 512包括肺炎疾病（非COVID-19组）AlexNet，见图4。它描述了损失/准确度曲线，以及Epoch值的数量。结果表明，训练损失在每一个epoch中都有所下降，并在100 epoch后发散到最小值。此外，有效性损失也像训练损失一样减少;此外，COVID-19检测的准确性在每个epoch阶段之后都有所增加，直到100 epoch。函数Lcls是两个类别（COVID-19和非COVID）的对数损失，并且其如以下等式（3）中所定义：Lcls.pi ， p* ）=-log[pi ， p*+.1-p* ）（ 1-pi ）]（ 3）VGG-16 、 VGG-19 、 SqueezeNet 、 GoogleNet 、 MobileNet-V2 、ResNet-18、ResNet-50、ResNet-101和Xception用于区分COVID-19和非COVID-19 CT图像。ResNet-101实现了对于回归损失函数，其定义如等式（4）所示：Lreg.t i，t*）= R。ti-t*）（4）与135例确诊为COVID-19病例的胸部X线片和一组320例确诊为病毒性肺炎的胸部X线片一起工作，总体准确率为91.24%。作者通过实验，试图观察胸部X线图像是否能这里，R被定义为等式（5）中的鲁棒损失函数。0的情况。5x2，|X|<1|X|-0. 5、其他（五）被认为是诊断COVID-19病例的方法。预先训练的Resnet 50和VGG-16以及他们的CNN都接受了COVID-19和肺炎胸部X光片的均衡训练。3. 方法卷积神经网络（CNN）是一种基于深度神经网络的学习架构，用于处理大量数据。目前，它被广泛应用于医学图像分析。CNN被广泛使用于其他机器学习方法，因为它不需要任何手动特征提取，也不需要特定的分割。在图1（A）中，示出了CNN架构设计，其由输入层、隐藏层（卷积层、池化层）、全连接层和输出层的若干块组成。然而，为了选择锚点，锚点被分为两类（正和负），其中地面实况box和锚点之间的交叉-联合（IoU）重叠率作为分类指标。IoU重叠比如等式（1）中定义。关于模型开发，我们不是从头开始创建模型，而是根据我们的样本输入需求构建模型。与原始的Faster R-CNN架构相比，我们使用了类似的层和滤波器，并逐渐增加了滤波器的数量。此外，在分析我们提出的模型和算法时，必须考虑更快的R-CNN。我们提出的框架包括24个卷积层，其次是两个完全连接的层和六个池层。这些层是典型的CNN层，具有不同的过滤器数量，大小和步幅值。此外，CNN的更多修改版本可用于模型开发，例如R-CNN，FastR-CNN和Faster R-CNN。在这个探索中，我们使用了更快的基于区域的卷积神经网络（Faster R-CNN）。 图 1（B）显示了FasterR-CNN的架构。此外，我们使用VGG-16网络作为模型分类的基础。我们将其与Faster最后，具有大量层的深度模型对于在实时检测系统中提取图像的属性是必不可少的因此，模型分类结构IoUS锚 新闻中心的锚 新闻中心（一）能够抓住和学习微小的差异。的图示本研究中使用的建议模型如图所示。 二、使用VGG-16，我们在Faster R-CNN中最小化多任务损失后的目标函数L （ {ρi} ， {ti} ） =1∑Lcls.ρi ， ρ* ）+λ1∑Lreg.ti ， t* ）（2）我我Lcls是分类损失函数，Lreg是回归损失函数。Ncls和Nreg分别是分类损失函数Lcls和回归损失函数Lreg的归一化系数。λ是L cls和L reg之间的权重参数。分类损失3.1. 数据准备对于数据集设计，我们遵循了两步数据准备程序。 最初，我们使用COVID-19患者的X射线图像，2500例患者病例的胸部X线摄影图像。为了准备我们在实验中使用的自定义数据集，我们组合并修改了两个不同的公开数据集：由蒙特利尔大学博士后Joseph Cohen博士策划的COVID胸部X射线数据集[33]，以及来自加拿大的RSNA肺炎检测挑战数据集。{R（x）=这是一个开源数据。此外，我们开发了一个自定义数据集来训练和评估，该数据集总共包含5450个K.H. Shibly等人医学信息学解锁20（2020）1004055图五. 这里显示了不同示例图像的插图。图5（A、B、D、E和F）显示，模型预测样本为非COVID，而实际类别也是非COVID。然而，只有5（C）预测样本为非COVID，而实际类别为COVID-19。5（G）描绘了基于10倍交叉验证方法生成的混淆矩阵Kaggle [34].在该探索的后期阶段，我们转向了一个新的可用数据集，该数据集专门用于使用名为COVIDX的胸部X射线图像进行COVID-19阳性病例检测[24]。我们用于两个数据集（自定义和COVIDX）的图像样本数量如表1所示。对于自定义数据集，我们使用了5450张样本图像，而在COVIDX数据集中，我们开发了13800张图像的数据集COVIDX数据集不断更新，图像由来自不同地区的研究人员。截至2020年5月7日，有183例X光影像诊断为COVID-19，8066例患者为正常，5551例被确定为非COVID肺炎。通过将“正常”和“非COVID肺炎”合并为一个“非COVID”类，我们将其设计为一个二进制类数据集。K.H. Shibly等人医学信息学解锁20（2020）1004056=××表310折交叉验证方法和不同性能指标的结果数量的折叠灵敏度%特异性%精度%F1-得分%精度%折叠-198.5096.7799.4998.9998.27折叠-299.50100.00100.0099.7599.57折叠-397.0093.5598.9897.9896.54折叠-499.5093.5599.0099.2598.70折叠-598.50100.00100.0099.2498.70折叠-697.5093.5598.9898.2496.97折叠-797.0096.7799.4998.2396.97折叠-896.5090.3298.4797.4795.67折叠-996.50100.00100.0098.2296.97折叠-10′96.0090.3298.4697.2295.24平均97.6595.4899.2998.4697.363.2. 建模和培训最值得注意的事实是，很少有COVID-19患者与X射线图像相关，这导致可用的X射线图像的完整性。对于模型构建和训练，我们使用了Googles TensorFlow库和VGG-16进行高性能数值计算。关于交叉验证方法，我们的研究使用了K折交叉验证方法（K 10），并支持留一交叉验证。算法1提供了对K折交叉验证工作程序的深入了解。算法1.k折交叉验证我们提出的基于Faster R-CNN的COVID-19阳性病例检测框架检测实验在Google云服务器的GPU上执行2.1.0.所提出的模型以2 e-5的训练学习率，8的批量大小和100个epoch进行训练。完整的框架使用Keras深度学习库和TensorFlow后端构建和评估。所有的实验和数据分析都是在达卡国际大学的机器智能实验室（MINTEL）进行的3.3. 建议的体系结构根据所提出的架构（图3），我们使用VGG-16的conv5_3层的输出作为后续网络的特征映射。因此，我们将conv3_3、conv4_3和conv5_3层提取的自动特征与其他元素相结合。一般来说，每个卷积层生成的特征图的大小是不同的，然而，我们保持conv4_3的特征图的大小不变，并改变了conv3_3和conv5_3层的大小。对conv3_3的特征图采用子采样池化，然后对conv5_3的特征图进行上采样以提高其分辨率，使其与conv4_3的特征图更加一致。最后，可以通过将包含的映射与对conv3_3的输出进行二次采样、对conv5_3的输出进行上采样和对conv4_3进行上采样来获得合并的映射。在使用三层卷积特征映射的融合之前，我们首先使用局部响应归一化，以便特征映射的激活值保持不变。输入的值（224 224 3)对于VGG-16，分类必须保持固定，因为网络的最终块使用全连接（FC）层，这需要固定长度的输入。在使用FC层之前，通过平坦化最后一个卷积层的输出以获得秩为1的张量来我们提出的模型的每个层的详细信息和参数（类型，形状和输入大小）如表2所示。在实验中，我们考虑了学习率（2 e-5）、权重更新的动量优化器和交叉熵损失函数。4. 结果在本节中，我们讨论损失观测，然后是模型验证的结果。我们进行了实验，使用X射线图像检测和分类COVID-19确诊病例，并将模型分为两类：非COVID和COVID-19。使用10倍交叉验证技术对该模型进行评价。我们使用了90%的X射线图像进行训练，其余的10%用于测试或验证。此外，损失函数对于理解预测的优越性是非常必要的。从图4中，我们观察到训练损失和有效性损失在每100个epoch之后逐渐减少。同样值得注意的是，由于该特定类别中COVID-19数据的数量，训练损失和验证值在主要时期都显著增加（图4）。该模型的有效性是通过测试，交叉验证和直接图像输入测试。为了评估模型的性能，使用K-Fold交叉验证使用相同的模型数据集验证完整的训练模型。通过测量模型完成检测和分类所花费的时间来获得时间比较。基于混淆矩阵XFOUR参数：真阳性、假阳性、真阴性和假阴性，我们提出的架构预测了胸部X射线图像的不同样本（图5）。然而，该模型大多在较差的图像中做出了不正确的预测，并且通常将肺炎患者预测为COVID-19，因为它们在图像特征上具有相似性。所提出的模型的性能指标和不同指标的10倍交叉验证结果及其平均结果列于表3中。可以观察到，所开发的模型提供了97.36%的平均准确度，并且其获得的灵敏度、特异性和F1评分的平均值分别为97.65%、95.48%和98.46%。它还提供了超过99.00%的精度值5. 讨论在本节中，对表4中的一些文章中检测COVID-19阳性病例的深度学习方法进行了必要的审查。此外，我们还讨论了我们提出的方法与其他类似的深度学习方法，并设计了一个讨论表（表4）来了解我们的框架对其他研究的影响。从表3中可以看出，与我们提出的方法相比，基于Deep CNN ResNet-50 [28]的方法的检测精度略高（约0.64%）。根据表4的观察，大多数数据集包含少量数据（用于训练和测试的有限图像）以设计和开发它们的模型。然而，在我们的研究中，我们使用了183张COVID-19阳性图像，总图像数量为13，800张。另一个值得注意的事实是，作者在构建模型时使用的最常用技术是基于VGG和ResNet。然而，在我们的案例中，我们使用了Faster R-CNN来更快更可靠地开发我们的模型，以便它可以用作实时评估工具。这项研究的主要贡献是，我们提出的方法是能够分类胸部X射线图像，而不使用手动特征提取。因此，它可以帮助医生和放射科医生检测COVID-19阳性病例，并可用作K.H. Shibly等人医学信息学解锁20（2020）1004057表4使用深度学习方法检测COVID-19病例的工作程序和性能指标的论文概述。参考模态方法言论性能测试和结果Wang等人胸部X光片-COVID-19基于深度学习的模型，共有16，756张X射线图像，准确性;（2019年）[24]射线多类分类（三），并提出了一个专用的数据集，新冠病毒网络能够准确地COVID 19 X射线图像命名为COVIDX.92.40%用于COVID 19的分类阳性病例。灵敏度;COVID-Net已经达到了相当高的灵敏度，对于COVID-19病例来说是91.0%。阳性预测值;这种方法的阳性预测值Sethy等人[25]第二十五话射线ResNet 50+ SVM提出的模型使用X射线图像（25个COVID-19阳性和25个正常）对从SVM（支持向量机分类器）的各种CNN（卷积神经网络）模型获得的特征进行分类。该研究声称，ResNet50与SVM分类器产生更好的结果。是98.9%。准确性;作者声称，他们的模型对于COVID-19病例检测的准确率灵敏度;通过该模型实现了97.29%的灵敏度。Narin等人[26]第二十六话射线深度CNN ResNet-50这项研究使用了三种不同的CNN模型（ResNet 50，InceptionV 3和InceptionResNetV 2），使用了来自Joseph Cohen的50张开放获取的COVID-19 X射线图像，以及来自Kaggle存储库的50张典型图像。此外，他们使用的非COVID图像是1至5岁儿童的图像准确性;他们从他们提出的模型中获得了98%的准确性。灵敏度;他们声称，他们的模型的召回率或灵敏度为96%。特异性;然而，该方法在检测COVD-19患者方面提供了100%的特异性。Ioannis等人[27]胸部x光VGG-19在这项研究中，使用了224例获批的COVID-19、700例肺炎病例和504例正常放射学图像。他们使用迁移学习方法对二进制和3类分类进行了测试。准确性;他们实现了98%的性能精度为二进制类问题和93%的3类问题。灵敏度;该研究达到了92%的灵敏度。专属性：基于VGG-19的方法获得了98%的特异性。Hemdan等人[28]胸部x光新冠病毒X-净这项研究部署了深度学习模型，使用胸部X光诊断COVID-19患者。它提出了一个COVIDX-Net模型，其中包括7个CNN模型和50个胸部X射线图像（25个COVID 19阳性，25个正常）。准确性;在这七个CNN模型中获得的最高准确率为90%。精确度;与准确度类似，在七个CNN模型中，该模型实现的最高精度为100%。灵敏度;此外，在模型中获得的最高灵敏度也是100%。Ying等人[35]胸部CT DRE-Net这种方法使用CT（777张COVID-19阳性，708张健康）图像使用了一个内置在ResNet 50中的深度模型，称为DRE-Net。Wang等人[36]胸部CT M-Inception作者使用改良的Inception（M-Inception）深部模型，CT图像包含195张COVID-19阳性图像和258张COVID-19阴性图像。准确性;DRE-Net的准确率为86.00%。灵敏度;该研究声称COVID-19检测的灵敏度为96%。精确度;该模型的精度达到80%。准确性;该M-起始模型的准确率为82.90%。灵敏度;这项研究声称他们达到了81%的灵敏度。特异性;该方法的特异性为84%。Zheng等[37]胸部CT UNet+ 3D Deep网络该方法提出了一种三维Deep CNN模型来从CT图像中检测COVID-19。他们的数据集包含313张COVID-19阳性图像和229张非COVID图像。准确性;该模型的预测精度为90.80%。灵敏度;本研究获得了90.70%的灵敏度。特异性;该模型在检测CT图像中的COVID-19阳性病例时达到了91.10%的特异性。Xu等人[38]胸部CT ResNet这项研究是在检测COVID-19阳性病例中进行的，ResNet结合CT图像。他们的数据集包含224张病毒性肺炎的图像和175张健康图像准确性;从CT病例整体来看，该模型的平均准确率为86.7%。（接下页）K.H. Shibly等人医学信息学解锁20（2020）1004058表4（续）参考模态法评述性能参数和结果灵敏度在检测COVID-19阳性病例方面，该研究报告的灵敏度为86.7%。精确度;该模型的预测精度为81.03%。Tulin等人[39]第三十九话射线DarkCovidNet该模型基于DarkNet方法，该方法完全自动化，具有端到端结构，无需手动特征提取。他们总共使用了1125张图像（125张COVID-19阳性图像，500张肺炎图像和500张NoFindings图像）来实验他们开发的模型。准确性;该方法对二进制和三个类分别获得了98.08%和87.02%的准确率。灵敏度;本研究实现的灵敏度为85.35%和95.13%，分别为二进制和三个类。特异性;类似地，对于二进制和3类，特异性也分别为92.18%和95.3%。我们的建议胸部x光更快的X射线图像使用更快的R-CNN模型和十倍交叉验证技术。用于COVID-19阳性病例检测的实时评估工具。该数据集包含183张COVID-19阳性X射线图像和13617张非COVID X射线图像。准确性;该框架在二进制分类上进行，平均准确率为97.36%。灵敏度;该模型的平均灵敏度为97.65%。特异性;此外，对于专属性，10倍交叉验证方法获得的平均专属性为95.48%。表5可用的深度学习方法与我们提出的框架（Faster R-CNN）的比较表。方法精度%F1评分%特异性%精度%灵敏度%DenseNet92.6495.7277.4296.4595.00ResNet5089.6193.9467.7494.9093.00InceptionV388.7493.3374.1995.7991.00AlexNet90.5094.6371.4396.8692.50更快的R-CNN（建议）97.3698.4695.4899.2997.65一种在机场、航站楼、商场、超市等人流密集区域的实时诊断方法。另一方面，X射线图像是高度优选的，因为疾病诊断的可访问性的不确定性。相比之下，CT图像不能立即用于诊断。从研究中可以观察到，与基于X射线图像的检测模型相比，基于CT图像的检测模型的准确度相对较低。通过使用相同的数据集（COVID x）进一步设计了一个比较表（表5），以与我们提出的框架中最先进的深度学习方法进行比较。我们将我们提出的方法与DenseNet，ResNet 50，Incep-tionV 3和AlexNet进行了比较。然而，在现有的深度网络方法上部署相同的数据集后，我们提出的FasterR-CNN方法仍然表现出更好的结果，准确率为97.36%，精度值为99.29%。6. 结论在这项研究中，我们提出了一个深度学习模型来从胸部X光图像中检测COVID-19病例。该自动化系统可以在不进行人工特征提取的情况下进行二进制分类，准确率为97.36%。此外，该模型还能够使用更大的数据集进行测试，并与实时系统一起工作。此外，它可以在测试套件不足的地方提供帮助。到目前为止，医学专家的研究界还没有承认使用深度学习框架从放射学图像中检测COVID-19阳性病例。此拟议框架可用作在紧急医疗支援服务中使用rt-PCR机器筛查COVID-19患者的辅助工具。因此，对于COVID-19患者的初步评估，该工具可以在放射科医生和医生的监督下作为有效的诊断媒介。在这一点上，我们正在开发一个自定义的更大的数据集，其中包含更多的COVID-19感染病例的图像，并在我们目前的框架上工作，使我们的模型更加强大，以便它可以用于检测CT和X射线图像。作者贡献SKD和KHS提出并设计了这项研究，并完全访问了研究中的所有数据，并对模型生成的数据和准确性负责。SKD、KHS和MR为本文的撰写做出了贡献。MR和TUI为报告的关键修订做出了贡献。SKD和KHS开发的所有数据准备和模型。所有作者都参与了数据采集、数据分析、结果验证，并审查和批准了最终版本。资金一个也没有。伦理批准不是必需.竞合利益作者声明，他们没有已知的可能影响本文所报告工作确认一个也没有。没有资金申报。K.H. Shibly等人医学信息学解锁20（2020）1004059引用[1] Huang C，Wang Y，Li X，Ren L，ZhaoJ，Hu Y，Zhang L，Fan G，XuJ， GuX， Cheng Z. 中 国 武汉2019 新 型 冠 状 病 毒 感染患者的临床特征。 柳 叶 刀2020;395（10223）：497-506。[2] Sohrabi C，Alsafi Z，O 'Neill N，Khan M，Kerwan A，Al-Jabir A，et al.世界卫生组织宣布全球紧急状态：对2019年新型冠状病毒（COVID-19）的审查。国际外科杂志2020年4月;76：71-6。[3] 世界卫生组织。新出现的呼吸道病毒，包括COVID-19：检测、预防、应对和控制 方法 。 可在https： //openwho.org/courses/introduction-to-ncov上 获得 。[2020年3月22日]。[4] 里约特区逆转录聚合酶链反应。冷泉港协议2014;2014（11）。 pdb-prot080887。[5] Fang Y，Zhang H，XieJ， Lin M，et al.胸部CT对COVID-19的敏感性：与RT-PCR的比较。可在https://pubs.rsna.org/doi/full/10.1148/rdiol.2020200432#pane-pcw-references上查阅。[2020年3月22日]。[6] Pan F，Ye T，et al. 2019年新型冠状病毒（COVID-19）肺炎恢复期间胸部CT肺部变化的时间过程。放射学2020：200370。[7] Bernheim A，Mei X，et al. Chest CT findings in coronavirus disease-19（COVID-19）：relationship to duration of infection. 放射学2020：200463。[8] JiangC，Jiang H，et al. 冠状病毒病（COVID-19）的诊断：rRT-PCR还是CT？EurJ Radiol 2020 Ap;20（4）：384-5。[9] Lee EY，Ng MY，Khong PL. COVID-19肺炎：CT告诉我们什么？《柳叶刀感染诊断》，2020年。[10] Shi H，Han X，et al.中国武汉81例COVID-19肺炎患者的放射学发现：一项描述性研究。柳叶刀感染疾病2020;20（4）：425-34。[11] 赵伟，钟忠，谢旭，于勤，刘杰.冠状病毒病（COVID-19）肺炎胸部CT表现与临床状况的关系：一项多中心研究。AmJ Roentgenol 2020：1-6.[12] 李燕，夏丽. 2019冠状病毒病（COVID-19）：胸部CT在诊断和管理中的作用。AmJ Roentgenol 2020：1-7.[13] Chan JFW，Yuan S，et al.与2019年新型冠状病毒相关的肺炎家族聚集性表明人传人：一项家庭聚集性研究。柳叶刀2020;395（10223）：514-23。[14] Esteva A，Kuprel B，Novoa RA，et al.皮肤科医生水平的皮肤癌分类与深度神经网络。 Nature 2017;542（7639）：115-8. https://doi.org/10.1038/nature21056.[15] Codella NC，Nguyen QB，Pankanti S，Gutman DA，Helba B，Halpern AC，Smith JR. 深度学习集成用于皮肤镜图像中的黑色素瘤识别。 IBM JRes Dev2017;61（4/5）. 五比一[16] Celik Y，Talo M，Yildirim O，Karabatak M，Acharya UR.基于深度迁移学习和全切片图像的浸润性导管癌自动检测。Pattern Lett 2020 May;133：232-9.[17] Cruz-Roa A，Basavanhally A，et al.使用卷积神经网络自动检测全切片图像中的浸润性导管癌。In：Medicalimaging 2014：digital pathology，vol. 9041.国际光学与光子学会; 2014年3月。p. 904103。[18] Talo M，Yildirim O，Baloglu UB，Aydin G，Acharya UR.卷积神经网络用于使用MRI图像的多类脑部疾病检测。计算医学图像图2019;78：101673。[19] Rajpurkar P，IrvinJ，et al. Chexnet：使用深度学习对胸部X射线进行放射科医生级别的肺炎检测。2017年。 arXiv预印本arXiv：1711.05225。[20] Ga'alG，MagaB，Luka'csA. 基于注意力U网的对抗架构，用于胸部X射线肺部分割。2020. arXiv