医学信息学解锁26（2021）100741COV-VGX：使用X射线图像和迁移学习ProttoySaha *，Muhammad Sheikh Sadi，O.F.M. Riaz Rahman Aranya，SadiaJahan，Ferdib-Al IslamKhulna University of Engineering Technology，Department of Computer Science and Engineering，Khulna，BangladeshA R T I C L EI N FO保留字：COVID-19X射线图像转移学习VGG-16深度学习A B S T R A C T冠状病毒（COVID-19）是近年来全球最危险和最急性致命的疾病之一研究人员正试图借助深度神经网络、机器学习技术等开发自动化可行的COVID-19检测系统。本文提出了一种基于深度学习的COVID-19检测系统COV-VGX，有助于使用胸部X光图像自动检测冠状病毒疾病。该系统引入了两种类型的分类器，即自动预测冠状病毒、肺炎和正常类的多类分类器和预测冠状病毒和肺炎类的二元分类器。使用迁移学习，提出了一种深度CNN模型，与预训练模型VGG-16合作，从X射线图像中提取不同的高级特征。尽管COVID-19数据集存在局限性，但该模型使用足够的COVID-19图像进行评估。通过大量的实验，多类分类器的准确率、精确率、召回率和F1值分别 达 到 98.91% 、 97.31% 、 99.50% 和 98.39%;二 元 分 类 器 的 准 确 率 、 精 确 率 和 召 回 率 分 别 达 到 99.37% 、98.76%、100%和99.38%。所提出的系统可以在医疗领域有效地诊断COVID-19方面做出很大1. 介绍2019年冠状病毒感染是由一种名为严重急性呼吸系统综合征冠状病毒-2的新型冠状病毒引起的呼吸道疾病中国武汉市首次发现COVID-19病例[1]。世界卫生组织于2020年1月30日宣布COVID-19为国际关注的突发公共卫生事件[2]。全世界正在与超过1478万例受影响的病例作斗争截至目前，共入组了近3，124，726例死亡病例[3]。COVID-19的诊断系统非常耗时，人们甚至没有意识到自己已经受到影响就在传播病毒。从发烧和干咳开始，COVID-19逐渐导致致命的肺炎，影响患者的整个肺部。COVID-19不同于普通的病毒或细菌性肺炎[4]。细菌性肺炎的常见病因是肺炎链球菌（肺炎球菌）[5]。病毒性肺炎也是由病毒引起的，但COVID-19肺炎利差在的肺迅速地， 广泛破坏肺细胞[6因此，准确的测试方法是在迫切需要，因为未能发现COVID-19感染者可能会延误治疗，从而增加COVID-19感染传播到他人截至目前，实时逆转录-聚合酶链反应（rRT-PCR）检测是区分冠状病毒的更好检测方法[9]。RT-PCR可以通过呼吸道样本（鼻咽或口咽拭子）识别CoV-2 RNA。然而，RT-PCR检测的敏感性因检测试剂盒的可及性受限和获得该检测结果所需的时间而黯然失色，通常需要几个小时到一两天[10]。许多研究人员试图开发一种替代的rRT-PCR方法，如放射图像实验。他们的分析显示，COVID-19感染患者的胸部X光和CT数据具有独特的特征，如毛玻璃样阴影。然而，这些放射图像的手动探索是非常耗时的。科学家已经整合了深度学习技术，用于使用这些图像检测COVID-19[11，12]。机器学习技术目前正在协助医疗部门进行医疗决策支持系统，查找 疾病 模式，疾病检测， 等[13因此，使用深度学习的COVID-19检测可以在最短的时间内提供更高的准确性[16，17]。然而，该系统仍然存在一些局限性。首先，COVID-19感染的数据集不足以训练深度学习* 通讯作者。Khulna University of Engineering Technology，Department of Computer Science and Engineering，Khulna，9203，Bangladesh.&电子邮件地址：prottoy@cse.kuet.ac.bd（P.Saha）。https://doi.org/10.1016/j.imu.2021.100741接收日期：2021年5月27日;接收日期：2021年9月14日;接受日期：2021年9月15日2021年9月17日网上发售2352-9148/©2021的 自行发表通过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：www.elsevier.com/locate/imuP. Saha等人医学信息学解锁26（2021）1007412模型如果没有足够的数据，训练模型可能会表现得更差，比如增加假阴性结果（例如，COVID-19的错误分类表1相关COVID-19检测研究的简要描述没有发现的案例）。因此，需要来预防COVID-19。其次，大多数系统只对正常和COVID-19病例进行分类。由于正常肺炎和COVID-19的症状几乎相同，因此可以区分作者胸部X线数据集Waheed等人[18]冠状病毒=403模型性能CovidGAN 95%准确度肺炎和COVID-19非常重要。 本文旨在Sheshang Degadwala正常=721提高自动COVID-19检测的准确性，现有工作由于缺乏足够的数据集而显示出较低的准确性冠状病毒=1200FT-CNN 90.70%精度在本文中，开发了一种名为COV-VGX的自动化系统，用于从X射线图像中检测COVID-19。该系统开发了两种类型的分类器：对COVID-19，肺炎和正常类标签进行分类的多类分类器和预测COVID-19和肺炎感染患者。作为COVID-19和pneu-Toraman等人[20个]Ozturk等人[21]正常=1341冠状病毒=231肺炎=1050正常=1050卷积CapsNet84.22%精度monia具有几乎相同的症状，这两种分类器都需要用于疾病的自动检测本文的贡献如下：i) 该系统ii) 该系统对多类分类器的准确率为98.92%，精确率为97.31%，召回率为99.50%，F1得分为98.39%。iii) COV-VGX在二元分类器上取得了99.37%的准确率、98.76%的精确率、100%的召回率和99.38%的F1分数。本文件的结构如下。第2节介绍了使用X射线图像检测COVID-19的最新研究。第3节描述了数据集描述，提出的方法和提出的CNN模型。第4节讨论了COV-VGX的结果和性能评价。最后，第五部分给出了本文的结论。2. 相关工作Apostolopoulos等人[22]李俊峰[23]冠状病毒=127正常=500肺炎=500第一个数据集：冠状病毒=224正常=700肺炎=504第二个数据集：冠状病毒=224正常=714肺炎=504冠状病毒=1197正常=10,192肺炎=7399DarkNet 87.02%准确率MobileNet v2 96.78%准确率COVID-GATNet 94.30%精度从这场大流行开始，研究人员就一直在尝试Alqudah等人 [24]冠状病毒=48AOCT-净95.2%精度最好找到rRT-PCR的替代解决方案来控制这种爆发，例如研究机器学习或基于深度神经利用X射线或CT图像的系统在本节中，最近的研究Sahinbas等人[25日]正常=23冠状病毒=70VGG16 80%准确度与使用X射线图像的基于深度学习的作品相关的内容。表1为相关COVID-19检测研究的简要描述。Waheed等人[18]开发了一种新的深度CNN系统，称为Cov- idGAN，用于使用X射线图像检测冠状病毒。首先，开发了一个名为ACGAN的GAN网络，用于生成胸部X射线图像，数据增强的一部分。CovidGAN制作的合成图像提升了CNN的表现。虽然提出的CNN表现出85%的准确性，但通过累积COVIDGAN产生的胸部X射线图像，准确性提高到95%。因此CNN模型的性能得到了改善。Degadwala等人。[19]提出了FT-CNN模型，该模型在使用胸部X射线图像检测COVID-19方面表现良好。该系统利用图像数据集上的微调CNN计划来检测两种类型，即正常和COVID-19。使用迁移学习，系统FT-CNN实现了90.70%的准确率和70.32%的精度。Toraman等人[20]介绍了一种基于神经网络的系统，卷积CapsNet，使用胸部X射线图像。开发了两种类型的分类器：一种是在冠状病毒和无发现类别之间进行预测的二元分类器，另一种是决定冠状病毒、无发现和肺炎类别标签的多类分类器。二分类器的准确率为97.24%，多分类器的准确率为84.22%。Ozturk等人[21]开发了一种称为DarkNet的深度CNN模型，用于使用胸部X射线图像检测冠状病毒DarkNet用于YOLO物体检测系统。模型中引入了17个卷积层和每层上的几个内核。该系统显示出二元分类器（冠状病毒与正常）和87.02%的多类分类器（冠状病毒与正常与肺炎）。正常=70Apostolopoulos等人[22]介绍了几种基于深度学习的预训练模型，用于使用transfer学习检测冠状病毒疾病。预训练的模型包括VGG-19、Inception、Inception ResNet v2、MobileNet v2和Xception。该系统由两种类型的数据集组成。该系统的最佳准确率、召回率和特异性分别为96.78%、98.66%和96.46%。 Li，Junfeng等人。[23]提出了一种新的神经网络模型COVID-GATNet，用于使用胸部X射线图像检测COVID-19。COVID-GATNet用于检测三种类型的类别，即COVID-19，肺炎和正常患者。 该系统的准确率为94.30%，精确度超过95%，F-1评分用于检测COVID-19阳性病例。Alqudah等人。[24]引入了基于人工智能的混合模型，使用X射线图像预测冠状病毒，并引入了CNN模型AOCT-Net进行特征提取。几种机器学习算法（随机森林和支持向量机）被应用于预测冠状病毒和无发现。在应用过程中，数据集增加到912张X射线图像数据增强。在使用CNN进行特征提取之后，该系统实现了softmax分类器的95.2%准确率，SVM分类器的90.5%准确率和RF分类器的81%准确率。Sahinbas等人[25]介绍了几种基于深度学习的预训练模型，用于使用迁移学习检测冠状病毒疾病模型包括InceptionV3、ResNet、VGG16、VGG19和DenseNet。之间在预训练的模型中，VGG-16表现最好，准确率为80%[19个]P. Saha等人医学信息学解锁26（2021）1007413×××3. 拟议方法所提出的系统COV-VGX从胸部X射线图像中提取不同的特征，并开发了两种类型的分类器来预测冠状病毒疾病，例如自动冠状病毒检测多类分类器，该分类器拍摄图像并预测X射线图像是否是COVID-19或肺炎感染，正常情况。因此，该系统提出了一个二元分类器，用于在COVID-19和肺炎病例之间做出决定。在从不同来源收集数据集之后，对数据集进行预处理。使用迁移学习，预训练模型VGG-16被训练用于模型评估。在基础模型中添加了很少的新层，以避免训练模型的过拟合问题。最后，通过查准率、查全率、准确率、F1值和ROC曲线对分类器进行评价。 图1显示了COV-VGX的架构。3.1. 数据集描述识别了许多来自正常人和肺炎感染病例的X射线图像的可用数据集。然而，COVID-19感染X射线图像不容易获得。COVID-19感染患者的X射线数据集收集自Github存储库[ 26，27 ]和SIRM数据库[ 28 ]等来源。从Kaggle存储库中收集肺炎和正常X射线图像数据集[29]。图2显示了这三类的一些示例图像数据集准备了6000个X光片其中，2000例为COVID-19感染病例，2000例为肺炎病例，2000例为正常病例。总共选择70%的图像作为训练集，10%的图像作为验证集，20%的图像作为测试集。总共1400张X射线图像用于训练，200张用于验证，400张用于测试每个类别。表2描述了按类的数据集大小和分区。3.2. 数据预处理由于数据集是从多个来源获得的，因此可以观察到不同大小的图像。因此，执行数据预处理。每个图像的输入图像被调整大小为124 ×124像素。此后，对数据集执行数据扩充以减少过拟合问题。图像数据扩充用于通过改变图片的形式来增加数据集的大小。数据增强有助于该模型在训练图像的特殊特征下表现得更好。Keras深度学习库用于信息扩展。通过应用四种几何变换来增强数据：• 水平平移图像的高度偏移范围参数• 垂直平移图像的宽度偏移范围参数• 应用剪切变换的剪切范围参数• 缩放范围参数，用于在图片内部随机缩放3.3. 卷积神经网络（VGG-16）存在几个预训练的CNN模型，如LeNet，AlexNet，VGG-16，GoogLeNet，ResNet等。COV-VGX选择VGG-16进行评估，因为它的网络更深，过滤器更小VGG-16由16层CNN架构组成，所有卷积层都使用大小为3 3的滤波器，因此是最小大小的滤波器。模型的输入是224X 224大小的RGB图像。通过一系列卷积层提取图像的特征。卷积步长为1。卷积层输入的空间填充必须在每次卷积操作后保持空间大小。对卷积输出执行非线性激活。空间池化由五个池化层执行。最大池化使用2 2大小的过滤器和步幅2来执行。在一系列卷积层和最大池化层之后，创建了三个全连接层（FCL）。最后一层是softmax层，它对COVID-19、肺炎和正常病例进行分类。图3显示了VGG-16的架构。3.4. 使用迁移学习迁移学习是一种方法，其中针对一个分类问题训练的模型用于训练另一个分类问题。在深度学习中，几个已经在1000个分类系统的图像网络数据集上训练过的预训练模型被用来训练另一个所需的分类问题。一些新的层与预训练的模型一起添加，并创建一个新的模型来训练系统。COV-VGX使用分类交叉熵损失函数。考虑到COV-VGX使用多类分类器和二元分类器两者，因此本征交叉熵非常适合于所提出的系统。预训练的VGG-16中没有完全连接的输出层的所需部分被集成到新提出的CNN模型中。预训练的VGG-16的权重被冻结，以防止它们更新。仅训练所提出模型的新层，而不更新VGG16层的权重。在加载没有模型分类器部分的VGG-16模型后，将几个新层添加到拟议的CNN中。图4示出了所提出的CNN的架构。首先，添加平坦化层以将2D特征向量转换为1D特征图。其次，添加64个神经元的FCL以学习如何在新的X射线数据集上说明所提取的特征。添加了一个阈值为0.5的dropout层，以克服过拟合问题。最后，添加FCL作为输出层。输出层在训练多类X射线检测模型时具有三个神经元，或者在训练二元分类器时具有两个神经元。表3显示了所提出的CNN模型的模型摘要。3.5. 绩效评估为了评估COV-VGX的性能，使用了多类和二进制分类器进行评估Fig. 1. COV-VGX的架构P. Saha等人医学信息学解锁26（2021）1007414表2图二、（a）COVID-19，（b）肺炎和（c）正常病例的X射线图像。分别关于准确度、精确度、召回率和F1分数。的按类的数据集大小和分区。分区冠状病毒肺炎正常总计列车1400 1400 1400 4200验证200 200 200 600测试400 400 400 1200共计2000 2000 2000 6000对于每个类别标签单独评估度量。为了评估这些度量，考虑四个基本术语：真阳性（TP）、真阴性（TN）、假阳性（FP）和假阴性（FN）。在衡量COVID-19类别标签的准确性时，TP通过多类别或二进制模型正确分类COVID-19病例。FP错误地将正常或肺炎病例归类为COVID-19病例。TN是正确分类的正常或肺炎病例的数量。FN错误地将冠状病毒病例分类为正常或肺炎病例。同样，当测量肺炎分类标签的准确性时，TP通过多分类或二元模型正确地对肺炎病例进行图三. VGG-16架构。P. Saha等人医学信息学解锁26（2021）1007415表3图四、提出的CNN模型的架构。矢量转换为1D特征图。第二，64个神经元的FCL4.2. 结果分析提出的CNN模型的模型摘要层输出大小参数Vgg16（功能）[7，7，512]14714688使变平（变平）【25088】0稠密的（稠密的）[64个]1605696辍学（辍学）[64个]0dense_1（密集）[3]（多类）[2]（二元）195（多类）130（二进制）FP错误地将正常或COVID-19病例归类为肺炎病例，等等。4. 实验分析COV-VGX分别训练多类和二进制CNN模型，用于使用X射线图像进行特征提取。模型采用Adam优化器进行编译。批量大小为32，50个时期用于训练数据。在50个时期内，两个模型开始饱和，并显示出预期的准确性。epoch编号由ModelCheckpoint和EarlyStopping确定因此，性能通过准确率、精确率、召回率、F1分数和ROC曲线来评估。对于二元分类器，训练和测试时间分别为7993.4 s和97.5 s。对于多类分类器，训练和测试时间分别为11749.1 s和137.0 s4.1. 实验装置两种类型的在线笔记本系统用于评估模型，即Kaggle笔记本和Google Colab。使用Python是因为它的简洁和简单。必要的库是TensorFlow和Keras版本2.4.0。Kaggle提供了9小时的会话，13 GBRAM和19.6 GB磁盘。Google Colab提供12.72 GB RAM，107.77 GB磁盘。Google Drive用于导入数据集。图5显示了多类分类器的训练和验证精度。训练准确率和损失分别为98.95%和0.003。验证准确率和损失分别为97.67%和0.077。类似地，图6示出了二元分类器的训练和验证准确度，其中训练准确度和损失分别为99.98%和0.0005，而验证准确度和损失分别为98.75%和0.0640。图7（a）示出了多类模型的混淆度量。该数据集包含400例冠状病毒病例、400例肺炎病例和400例正常病例的图像。因此，该系统正确分类了398例冠状病毒病例，并将两例冠状病毒病例错误分类为正常病例。COV-VGX正确分类了391例正常病例，并将9例正常病例错误分类为COVID-19病例。此外，正确分类了398例肺炎病例，并将两例肺炎病例错误分类为COVID-19病例。图7（b）示出了二元分类器的混淆度量。该系统正确分类了所有COVID-19病例，但正确分类了395例肺炎病例，并将5例肺炎病例错误分类为COVID- 19病例。表4和图8显示了COV-VGX针对COVID-19、肺炎和正常病例的每个类别标签的性能评估。对于COVID- 19病例，多类分类器的准确率为98.91%，精确率为97.31%，召回率为99.50%，F1评分为98.39%。对正常病例，准确率为99.08%，精确率为99.49%，召回率为97.75%，F1评分为98.61%。对于肺炎病例，准确率为99.83%，精确率为100%，召回率为99.5%，F1评分为99.75%。对于二元分类器，准确率为100%，在冠状病毒类别标签的情况下，精确率为98.77%，召回率为100%，F1得分为99.38%。对于肺炎病例，准确率为98.75%，精确率为100%，召回率为98.75%，F1评分为97.37%。表5还显示了二元分类器的总体性能评估。该系统实现了99.37%的准确率，98.76%的精确率，100%的召回率和99.38%的F1分数。图 9（a） 代表 的 接收器 操作 特征（ROC）图五、COV-VGX多类分类器的 性 能 。（a）训练和验证准确性和（b）训练和验证损失。P. Saha等人医学信息学解锁26（2021）1007416图六、COV-VGX二元分类器的 性 能 。（a）训练和验证准确性和（b）训练和验证损失。表4图7.第一次会议。COV-VGX中使用的两个分类器的混淆矩阵（a）多类（b）二进制。曲线对于多类分类器，其中COVID-19，正常，COV-VGX的多类和二进制分类器的性能评估肺炎病例覆盖率分别为98.53%、99.19%和99.88%。图9（b）表示二元分类器的ROC曲线，其中COVID-19和分类器分类准确度（%）精密度（%）召回率（%）F1评分（%）肺炎覆盖率分别为99.38%和99.38%多类COVID 98.91 97.31 99.5 98.39正常99.08 99.49 97.75 98.615. 讨论二进制肺炎99.83 99.5 99.75新冠肺炎100 98.77 100 99.38肺炎98.75 98.75 97.37COV-VGX与其他近期研究的比较性能评价见表6。系统中的Refs。[20，21]的准确率分别为84.22%和87.02%的系统在参考中。[2295.2%。COV-VGX多类分类器的准确率为98.92%，二元分类器的准确率为99.37%，高于所有其他系统。根据结果，COV-VGX可以显著有助于检测COVID-19。该系统的优势在于，与最近的研究相比，该模型已经该系统可以用作二进制和多类分类器。然而，该模型的弱点可以进行进一步的研究以改进该模型作为一体化检测系统。6. 结论由于COVID-19大流行，世界正面临严峻形势。数百万人正在死去，他们的家人见图8。 COV-VGX使用的分类器的图形表示。表5COV-VGX中使用的二进制分类器的性能评估准确度（%）精密度（%）召回率（%）F1评分（%）99.3798.7610099.38遭受了很多痛苦。COV-VGX可以通过从X射线图像中自动检测COVID-19来帮助医疗保健系统。所提出的COV-VGX从X射线图像中提取深层、独特和高级特征，并将其分类为COVID-19、肺炎和正常类别。结果表明，多类分类器的准确率、准确率、召回率分别为98.91%、97.31%、99.50%和98.39%F1，二元分类器的准确率、准确率、召回率分别为99.37%、98.76%、100%和99.38%F1。在未来，该系统可以增强检测COVID-19，而不是P. Saha等人医学信息学解锁26（2021）1007417冠状病毒=第一个数据集：表6见图9。 COV-VGX分类器的ROC曲线。[4] O'Quinn W，Haddad RJ，Moore DL.利用深度学习网络进行肺炎放射学诊断。输入：程序2019 IEEE 2nd int.Conf. 电子学。INF. Commun.COV-VGX与最近现有工程的性能比较。作者胸部X射线数据集准确性技术ICEICT; 2019. 第763- 767页。https://doi.org/10.1109/ICEICT.2019.8846438。一月2019年。[5] 刘伟，王伟，王伟. 细菌性肺炎的放射学。EURJWaheed等人[18]冠状病毒=403Toraman等人[20]正常=721231肺炎=1050正常=1050冠状病毒=127正常=500Apostolopoulos等.[22]肺炎=500冠状病毒=224正常=700肺炎=504第二个数据集：冠状病毒=224正常=714肺炎=504冠状病毒=1197正常=10，192百分之九十五84.22%87.02%96.78%百分之九十四点三放射学2004;51（2）：102-13。 https://doi.org/10.1016/j.ejrad.2004.03.010。[6] ZhangJ， et al.使用置信度感知的胸片筛查病毒性肺炎异常检测IEEE Trans Med Imag 2021年3月;40（3）：879-90。网址：//doi.org/10.1109/TMI.2020.3040950。[7] Ling G，Cao C.基于LDA-SVM的重症病毒性肺炎CT图像自动检测与诊断IEEE传感器J 2020;20（20）：11927-34。https://doi.org/10.1109/JSEN.2019.2959617. 十月[8] Chowdhury MEH，et al. AI能否帮助筛查病毒性肺炎和COVID-19肺炎？IEEEAccess 2020;8：132665-76. https://doi.org/10.1109/ACCESS.2020.3010287。[9] A T，A A。COVID-19检测中的实时RT-PCR：影响结果的问题E Xpert Rev Mol Diagn 2020年5月;20（5）：453-4。https://doi.org/10.1080/14737159.2020.1757437.[10] A S，et al.传染性持续时间和与COVID-19病例中RT-PCR循环阈值的相关性，英格兰，2020 年1月至5 月。EuroSurveill2020;25 （32）.https://doi.org/10.2807/1560-7917.ES.2020.25.32.2001483网站。[11] Tabik S，et al. COVIDGR dataset and COVID-SDNet methodology for predictingCOVID-19 based on chest X-ray images. IEEE J. BioMed. 痊愈的信息学2020;24（12）：3595-605. https://doi.org/10.1109/JBHI.2020.3037127网站。[12] OüzkayaU，OüztürkS，BarstuganM. 使用深度特征融合和排序技术对冠状病毒（COVID-19）进行分类。2020年。p. 281比95 https://doi.org/Alqudah等人[24日]肺炎=7399COVID-19= 48正常=23百分之九十五点二10.1007/978-3-030-55258-9_17。[13] Khan A，Doucette JA，Cohen R，Lizotte DJ.将机器学习集成到医疗决策支持系统中，以解决患者数据丢失的问题于：COV-VGXCOVID-19= 2000正常=200098.92%（多类）99.37%（二进制）Proc. -2012年第11届国际Conf. 马赫学习. Appl. 1.一、ICMLA; 2012.p. 454-7 网址：//doi.org/10.1109/ICMLA.2012.82网站。2012年。肺炎=2000不仅从胸部X射线图像，而且从CT图像，并分类病毒性和细菌性肺炎图像以及。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我们感谢所有数据托管提供商的支持，以及为我们的研究提供数据集的存储能力引用[1] Zhang Y，Zheng L，Liu L，Zhao M，XiaoJ， Zhao Q.新冠肺炎患者的肝损害：武汉市单中心115例病例的回顾性分析中国国际肝脏杂志2020;40（9）：2095-103。https://doi.org/10.1111/liv.14455网站。[2] 世界卫生组织。“Public health emergency of international concern (PHEIC), 2020.第1-10页[在线]。可用网址：https://www.who.int/publications/m/item/COVID-19-public-health-emergency-of-international-concern-（pheic）-global-research-and-innovation-forum. [2021年8月2日]。存取。[3] COVID实时更新：199，193，272例和4，244，017例冠状病毒死亡-世界计量器。https://www.worldometers.info/coronavirus/网站。[2021年8月2日]。存取。李俊峰[23]Ozturk等人[21日]P. Saha等人医学信息学解锁26（2021）1007418[14] Sasubilli SM，Kumar A，Dutt V. Machine learning implementation on medicaldomain to identify disease insights using TMS. Proc. 2020 Int. Conf. Adv. Comput.Commun. 2020年ICACCE工程。https://doi.org/10.1109/ICACCE49060.2020.9154960.君2020年。[15] Katarya R，Srinivas P.使用机器学习在早期阶段预测心脏病：调查。输入：程序Int. Conf. 电子学。坚持住。Commun. 系统ICESC; Jul.2020. 第302- 305页。https://doi.org/10.1109/ICESC48915.2020.9155586网站。2020.[16] Balajee RM，Mohapatra H，Deepak V，Babu DV.需求识别使用适当的机器学习技术进行自动化医疗护理。In：Proc. 6th Int. Conf. Inven.Comput.ICICT;2021.第836-840页。https://doi.org/10.1109/ICICT50816.2021.9358683.一月2021年[17] Chitnis G，Bhanushali V，Ranade A，Khadase T，Pelagade V，ChavanJ.牙科疾病检测机器学习方法的综述输入：程序-2020年IEEE印度议会。Int. 符合要求的小节INDISCON; 10月2020年。p. 63比5 https://doi.org/10.1109/INDISCON50162.2020.00025。2020年。[18] Waheed A，Goyal M，Gupta D，Khanna A，Al-Turjman F，Pinheiro PR，CovidGAN“. 使用辅助分类器GAN进行数据增强，以改进COVID-19检测。IEEEAccess 2020;8 ： 91916-23. https://doi.org/10.1109/ACCESS.2020.2994762 网站。[19] 放大图片作者：J.使用微调卷积神经网络（FT-CNN）对COVID-19病例进行分类。Proc. - Int.Conf. Artif 内特尔智能系统ICAIS 2021：609-13. https://doi.org/10.1109/ICAIS50930.2021.9395864。Mar.2021.[20] ST，Tb A，I T。 卷积capsnet：一种新的人工神经网络方法，使用胶囊网络从 X 射 线 图 像 中 检 测 COVID-19 疾 病 。 2020 年 11 月 ;140.https://doi.org/10.1016/J.CHAOS.2020.110122网站。[21] TO，MT，Ea Y，Ub B，O Y，U RA.使用深度神经网络和X射线图像自动检测COVID-19病例。Comput Biol Med 2020;121（6月）。https://doi.org/10.1016/J.COMPBIOMED.2020.103792网站。[22] Apostolopoulos ID，Mpesiana TA. Covid-19：利用卷积神经网络的转移学习从X射线图像中自动检测。物理工程科学Med2020;43（2）：635-40. https://doi.org/10.1007/S13246-020-00865-4。Apr.2020年。[23] 李军，张丹，刘强，卜荣，魏强。COVID-GATNet：用于从胸部X光图像中筛查COVID-19的深度学习框架2020 IEEE 6th int. Conf.Comput. Commun. ICCC; Dec. 2020. 第1897-902页。https://doi.org/10.1109/ICCC51575.2020.9345005。2020年。P. Saha等人医学信息学解锁26（2021）1007419[24] Alqudah A，Qazan S，Alquran H，Qasmieh I，Alqudah A. JElectr Eng 2020;6（2）：168. https://doi.org/10.5455/JJEE.204-1585312246网站。[25] Sahinbas K，Catak FO.基于迁移学习的卷积神经网络用于X射线图像的COVID-19检测。数据科学COVID-19 2021：451-66. 网址：http：//doi.org/10.1016/B978-0-12-824536-1.00003-4一月[26] Jp C，et al. Predicting COVID-19 pneumonia severity on chest X-ray with deeplearning. Cureus 2020年7月;12（7）。https://doi.org/10.7759/CUREUS.9448网站。[27] agchung。https://github.com/agchung网站。[2021年8月2日存取。[28] 新型冠状病毒病。先生https://sirm.org/covid-19/网站。[2021年8月2日存取。[29] 胸部X线影像（肺炎）|Kaggle https://www.kaggle.com/paultimothymooney/胸部-X射线-肺炎。[2021年8月2日]。存取。
我的内容管理
收起
我的收益 登录查看自己的收益
我的积分
登录查看自己的积分
我的C币
登录后查看C币余额
我的收藏 
我的下载 
下载帮助 
