医学信息学解锁19（2020）100360基于Xception级联的改进深度卷积神经网络用于从胸部X射线图像中检测COVID-19和关于ResNet50V2Mohammad Rahimzadeha，*，Abolfazl Attarba伊朗科技大学计算机工程学院b伊朗谢里夫理工大学电气工程系A R T I C L EI N FO保留字：深度学习卷积神经网络COVID-19冠状病毒转移学习深度特征提取胸部X射线图像A B S T R A C T在本文中，我们已经训练了几个深度卷积网络，并引入了基于两个开源数据集将X射线图像分类为三类的训练技术：正常，肺炎和COVID-19。我们的数据包含180张属于COVID-19感染者的X光图像，我们将其保存在我们的目标是运用各种方法来达到最好的效果。在这项研究中，我们引入了一些训练技术，当我们有一个不平衡的数据集（COVID-19病例较少，其他类别的病例较多）时，这些技术可以帮助网络更好地学习。我们还提出了一个神经网络，它是Xception和ResNet50V2网络的串联。该网络通过利用由两个强大的网络提取的多个特征来实现最佳精度。为了评估我们的网络，我们在11302张图像上进行了测试，以报告在实际情况下可实现的实际精度。该网络检测COVID-19病例的平均准确率为99.50%，所有类别的总体平均准确率为91.4%。1. 介绍冠状病毒在世界各地的广泛传播已经隔离了许多人并使许多行业瘫痪，这对人类的生活质量产生了毁灭性影响，由于冠状病毒的高传播性，这种疾病（COVID-19）的检测在控制它和规划预防措施方面发挥着重要作用另一方面，人口统计学条件（如个人的年龄和性别）以及许多城市参数（如温度和湿度）影响了该疾病在世界不同地区的流行，这更有效地传播了该疾病[1，2]。缺乏检测工具及其生产方面的限制减缓了疾病的检测;结果，增加了病人和伤亡人数。其他疾病的发病率以及COVID-19疾病的患病率和伤亡人数将在快速发现的情况下下降。第一步是检测，识别疾病的症状，并使用独特的标志来准确检测冠状病毒。根据冠状病毒的类型，症状可以从普通感冒到发烧、咳嗽、呼吸急促和急性呼吸道问题。病人也可能有几天的咳嗽，没有明显的原因[3]。与SARS不同，冠状病毒不仅影响呼吸系统，还影响其他重要器官，如肾脏和肝脏[4]。导致COVID-19的新型冠状病毒的症状通常在人感染后几天开始，在某些人中，症状可能会晚一点出现。根据参考文献[5];WHO[6]，呼吸问题是COVID-19的主要症状之一，可通过胸部X射线成像检测。胸部的CT扫描也可以在症状轻微时显示疾病，因此分析这些图像可以很好地检测可疑人群中疾病的存在，甚至没有初始症状[7]。使用这些数据还可以克服其他工具的局限性，例如缺乏诊断试剂盒及其生产的局限性。使用CT扫描和X射线图像的优点是在大多数医院和实验室中CT扫描设备和X射线成像系统的可用性，以及容易访问训练网络并因此检测疾病所需的数据。在没有发热等常见症状的情况下，利用胸部CT扫描和X线影像对疾病有比较好的发现能力[8]。使用专家诊断疾病是一种常见的方法，在实验室检测COVID-19。在这种方法中，专家使用胸部放射图像中的症状和损伤来检测COVID-1。* 通讯作者。电子邮件地址：mh_rahimzadeh@elec.iust.ac.ir（M. Rahimzadeh），attar. ee.sharif.edu（A.Attar）。https://doi.org/10.1016/j.imu.2020.100360接收日期：2020年4月21日;接收日期：2020年5月19日;接受日期：2020年5月2020年5月26日网上发售2352-9148/©2020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：http://www.elsevier.com/locate/imuM. Rahimzadeh和A. Attar医学信息学解锁19（2020）1003602图1.一、级联网络的架构。表1在两个数据集中分配给训练集和验证集的图像数量的组成。数据集COVID-19肺炎正常COVID胸部X射线数据集180420rsna肺炎检测激发060128851总18060548851训练集14916342000验证集314420685119疾病从一个健康的人或患有其他疾病的人这个过程有很大的成本[5，9]。近年来，计算机视觉和深度学习已被用于自动检测体内许多不同的疾病和病变[10]。一些例子是：检测肺、乳腺、头部和大脑中的肿瘤类型和体积[11，12];在[8，15]中;由多名专家和诊断医生对CT扫描进行统计分析，将嫌疑人分为几类进行诊断和治疗。由于计算机视觉和深度学习在医学图像分析方面的优势很快，人工智能就可以用来检测疾病，并使用CT扫描和疾病过程来测量肺部感染和损伤的比率，并取得了令人鼓舞的结果[16]。在[17]中，他们使用了一种创新的CNN来使用肺部CT扫描对COVID-19进行分类和预测。[16]使用深度学习来检测COVID-19，并使用2D和3D图像分割由冠状病毒引起的肺部肿块。COVID-Net使用轻量级剩余投影-扩展-投影-扩展（PEPX）设计模式来研究定量分析和定性分析[18]。在另一项研究，预先训练的ResNet 50，InceptionV 3和Incep-X射线， 糖尿病 视网膜病变 分类， 前列 分割，ResNetV2模型已与迁移学习技术一起使用结节分类[10];皮肤病变分类，冠状动脉CT血管造影中的心肌分析[13];精子检测和跟踪14;等。鉴于胸部CT扫描或X射线图像分析是诊断COVID-19的方法之一，使用计算机视觉和深度学习可以在诊断这种疾病方面发挥有益的作用。自从这种疾病广泛传播以来，许多研究人员使用机器视觉和深度学习方法，并取得了良好的效果。由于COVID-19诊断的敏感性，诊断准确性是我们在研究中面临的主要挑战之一。另一方面，由于可用的开源数据有限，我们的重点是提高检测效率。在这篇文章中，我们试图改进COVID-19检测并减少错误的COVID-19检测。这是通过组合两个强大的深度卷积神经网络并优化训练参数来实现的。此外，我们还提出了一种在数据集不平衡时训练网络的方法。对胸部X射线图像进行正常和COVID-19分类[19]。 在参考文献[20]中;他们提出了COVNet，以根据使用U-net [21]分割另一项研究将涉及一组胸部放射科医生的人在回路（HITL）策略与基于深度学习的方法相结合，以分割和测量CT扫描中的感染[22]。参考文献[23];他们试图从他们的数据中检测COVID-19和甲型流感病毒肺炎;他们使用经典的ResNet-18网络结构来提取特征，另一个创新的CNN网络通过创建面向位置注意力的模型来使用这些特征对数据进行分类。论文的其余部分组织如下：在第2节中，我们描述了拟议的神经网络，数据集和训练技术。在第3节中，我们介绍了实验结果，然后在第4节中讨论该论文。在第5节中，我们总结了我们的论文，接下来，我们介绍了本研究中使用的训练网络和代码。M. Rahimzadeh和A. Attar医学信息学解锁19（2020）1003603����图二、 我们的 数据集中的图像的例子。2. 方法2.1. 神经网络深度卷积神经网络在机器视觉任务中很有用。这在许多领域都取得了进展，如农业24;医学疾病诊断[25，26];和工业[27]。这些网络的优越性来自于它们从输入数据中生成在这里，深度网络的主要焦点是检测X射线图像中的感染，因此将X射线图像分类为正常，肺炎或COVID-19。一些强大且最常用的深度卷积网络是VGG [28]; ResNet[29]; DenseNet [30]; Inception [31]; Xception [32]。Xception是一个深度卷积神经网络，引入了新的初始层。这些初始层是从dependent-wise卷积层构造的，然后是逐点卷积层。Xception在ImageNet数据集上取得了第三好的结果[33]，仅次于InceptionresnetV2[34] 和NasNet Large [35] 。ResNet50V2 是ResNet50 的修 改版本， 在ImageNet数据集上的性能优于ResNet50和ResNet101。在ResNet50V2中，对块之间连接的传播公式进行了修改。ResNet50V2在ImageNet数据集上也取得了良好的效果我们的数据集的预处理输入图像是300 300像素。Xception在其最后一个特征提取器层上从输入图像生成10 10 2048特征图，ResNet50V2也在其最后一个层上生成相同大小的特征图。由于两个网络生成相同大小的特征图，我们将它们的特征连接起来，以便通过使用基于接收的层和基于残差的层，可以提高生成的语义特征级联神经网络的设计是通过级联Xception和ResNet50V2的提取特征，然后将级联特征连接到连接到分类器的卷积层。在级联特征之后添加的卷积层的核大小是11，具有1024个滤波器并且没有激活函数。添加该层是为了从所有通道之间的空间点的特征中提取更有价值的语义特征，每个通道都是一个特征图。这个卷积层可以帮助网络更好地从Xception和ResNet50V2提取的级联特征中学习。级联网络的架构如图所示。1.一、2.2. 数据集我们在工作中使用了两个开源数据集。covid胸部X射线数据集取自此GitHub 存 储 库 （ https ： //github. com/ieee 8023/covid-chestX ray-dataset），其已经由参考文献103. [37].该数据集由感染COVID-19、SARS、链球菌、ARDS、肺孢子虫和其他类型肺炎的患者的X射线和CT扫描图像组成。在这个数据集中，我们只考虑了X射线图像，总共有来自118例COVID-19病例的180张图像和来自25例肺孢子虫、链球菌和SARS病例的42张图像，这些病例被认为是肺炎。第二个数据集来自（https://www.kaggle.com/c/rsna-pneumonia-detection-challenge），其中包含6012例肺炎病例和8851例正常病例。我们结合了这两个数据集，详细信息列于表1。如前所述，我们只有180例感染COVID-19的病例，与其他班级相比，这是一个班级的少数数据。如果我们将许多来自正常或肺炎类的图像与很少的COVID-19图像相结合进行训练，则网络将能够很好地检测肺炎和正常类，但由于数据集不平衡，不能检测COVID-19类。在这种情况下，尽管网络无法正确识别COVID-19，但由于肺炎和正常类别的图像比COVID-19类别的图像多得多，因此总体准确度将变得非常高，但COVID-19检测准确度不会变得非常高。这个条件不是我们的目标，因为这里的主要目的是实现M. Rahimzadeh和A. Attar医学信息学解锁19（2020）1003604图3.第三章。所提出的训练集准备方法的流程图。M. Rahimzadeh和A. Attar医学信息学解锁19（2020）1003605¼¼ð Þ ¼¼ð Þ ¼表2在此表中，我们列出了我们在训练过程中使用的参数和函数。训练参数Xception ResNet50V2级联网络学习率1 e-4 1 e-4 1 e-4批量30 30 20优化器Nadam Nadam Nadam解释的方法。与其他神经网络相比，这种级联神经网络具有更高的准确性正如我们在我们的项目中测试的几个网络一样，Xception [32]和ResNet50V2 [36]网络在提取深度特征方面与其他网络一样好或更好通过连接两个网络的输出特征，我们帮助网络学习从两个特征向量中对输入图像进行分类，从而提高了准确性。训练参数如表2所示。根据表2，我们使用分类训练网络。分类损失函数分类分类交叉熵损失函数和Nadam优化器。学习率每个时间段交叉复制交叉复制交叉复制设置为1 E-4。我们在每个训练阶段100 100培训阶段100由于有8个训练阶段，模型被训练为水平/垂直翻转变焦范围是的是是八百个纪元。对于Xception和ResNet50V2，我们选择的批量大小等于30。但是当连接网络有更多的参数时，旋转范围宽度/高度百分之五0百分之五0百分之五0与Xception和ResNet50V2相比，我们将批处理大小设置为20。还实施了数据扩充方法，以提高培训效率，移动5%百分之五百分之五有效性，防止模型过拟合。变速范围5% 5% 5%重新缩放1/255 1/255 1/255在检测COVID-19病例方面取得了良好的结果，而不是识别错误的COVID-19病例。解决这个问题的最好方法是使数据集平衡，并在训练时为网络提供几乎相等的每个类别的数据，这样网络就会学会识别所有类别。在这里，因为我们没有访问更多的COVID-19开源数据集来增加此类数据，所以我们选择了几乎等于COVID-19图像数量的肺炎和正常类的数量。我们决定对网络进行连续8个阶段的训练。在每个阶段，我们选择了250例正常类病例和234例肺炎类病例以及149例COVID-19病例。每个培训阶段总共有633个案例。所有COVID-19图像和34个肺炎图像在每个训练阶段和250个正常病例之间是共同的，并且200个肺炎病例在每个训练阶段是独特的。所有训练阶段之间常见的149例COVID-19和34例肺炎病例来自COVID胸部X射线数据集[37];其余数据来自其他数据集。基于这种分类，我们的训练集包括8个阶段和3783张图像。通过这样做，网络可以看到几乎相同数量的图像，因此它有助于提高COVID-19检测以及检测肺炎和正常病例。但由于我们有更多的肺炎和正常病例，我们在每个阶段向网络显示了不同的肺炎和正常病例以及COVID-19病例。实施这种方法有两个优点。一是网络与其他类别一起更好地学习COVID-19类别特征;二是正常和肺炎类别更好地检测肺炎和正常病例意味着不会检测到错误的COViD-19病例，这是我们的目标之一。运行这种方法还有助于网络更好地识别COVID-19，而不是检测到错误的COVID-19病例。此方法可用于存在高度不平衡的数据集。我们将数据集的图像分配到八个不同阶段的方法如图3中的流程图所示。我们数据集的一些图像如图所示。 二、2.3. 训练阶段我们在数据集2.2小节中描述了我们分配了8个阶段进行训练。为了报告更可靠的结果，我们选择了五个折叠进行训练，其中在每个折叠中，训练集由8个阶段组成。我们已经训练了ResNet 50 V2 [36]; Xception[32];以及Xception和ResNet 50 V2神经网络的级联，我们在Tesla P100 GPU和GoogleColaboratory Notebooks提供的25GB RAM上使用Keras [38]库实现了神经网络。3. 结果我们在31例COVID-19病例、4420例肺炎病例和6851例正常病例上验证了我们的网络。我们的训练数据少于验证数据的原因是，在许多正常和肺炎病例中，我们有一些COVID-19病例。 因此，我们不能使用其他两个类别中COVID-19病例较少的图像进行训练，因为这会使网络无法学习COVID- 19特征。为了解决这个问题，我们选择了3783张图像在8个不同的阶段进行训练。我们根据剩余的数据评估了我们的网络，这样我们训练好的网络的最终性能就很清楚了。必须注意的是，例外情况下，在第3页中，我们有30个COVID- 19病例用于验证，另外150个病例用于培训。值得注意的是，我们在培训过程中使用了迁移学习。对于所有网络，我们使用了预先训练好的ImageNet权重[33]在训练开始时，然后根据我们数据集上的解释条件恢复训练。我们还使用准确度指标来监控每个历元后验证集上的网络结果，以找到经过训练的网络的最佳和最收敛的版本。神经网络的评估结果如图4所示，其中显示了折叠1和折叠3时每个网络的混淆矩阵。表3和表4显示了我们的结果的细节。我们报告了四个不同的指标，用于评估我们的网络的三个类的每一个如下：精度 对于每个类TP和TN公司简介特异性TN公司简介灵敏度TPTPFFN精密TP公司简介我们还报告了总体准确性指标，定义为：精度 对于所有类别，正确分类图像的数量所有图像在这些等式中，TP（真阳性）是类别的正确分类的图像的数量，FP（假阳性）是类别的正确分类的图像的数量，M. Rahimzadeh和A. Attar医学信息学解锁19（2020）1003606见图4。 该图显示了折叠1和折叠3的网络的混淆矩阵M. Rahimzadeh和A. Attar医学信息学解锁19（2020）1003607表3该表报告了每个类别的真阳性和假阳性以及假阴性的数量折叠网络COVID-19COVID-19COVID-19肺炎肺炎肺炎正常正常正常正确不错正确未检测错正确不错检测检测检测检测检测检测检测检测Xception265101398343756962456063781个ResNet50V22749638585624806334517507级联2656837456753096526325628Xception23842387454640964264255282 ResNet50V22296736597615016340511713级联2382739135074346413438492Xception21928394247843664114404633 ResNet50V22289737706503926433418587级联2553538475733426502349550Xception22942381860243364114405764 ResNet50V22297840154057586065786364级联2657738605604806340511519Xception211041404137950263355163625 ResNet50V221104236048162846549302802级联2474339414793906442409462其中，FN（假阴性）是已被检测为另一类别的类别的图像的数量，TN（真阴性）是不属于类别并且未被分类为属于该类别的图像的数量。4. 讨论从混淆矩阵和表格中可以理解，级联网络在检测COVID-19和不检测COVID-19的假病例方面表现更好，并且输出更好的总体准确性。虽然我们有一个不平衡的数据集和一些COVID- 19病例，但通过使用所提出的技术，我们可以改进COVID-19检测以及其他类别的检测。COVID-19类别的精度较低的原因是，在我们的工作中，尽管有一些其他研究致力于从X射线图像中检测COVID-19，但我们在大量图像上测试了我们的神经网络。我们的测试图像比我们的火车图像多得多。如上所述，由于我们只有31例COVID-19病例和11271例来自其他两个类别的病例，因此COVID-19类别的假阳性将超过真阳性。例如，在第一个折叠中，级联网络在31个COVID-19病例中正确检测到26个病例，而在11271个其他病例中，仅错误地将68个病例识别为COVID-19。如果我们从COVID-19类别中获得的样本与从其他类别中获得的样本相同，则精度将变得很高。尽管如此，由于只有很少的COVID-19病例和许多其他病例需要验证，精确度的价值将变得很低在另一项研究中，结果以2和3两种形式呈现类，由于数据集的不平衡，有几个无意义的结果[39]。我们已经为每个类和所有类提供了结果，这些结果更有意义，更实用。 我们本可以像最近的一些其他研究一样，在一些案例上测试我们的网络，但我们想在很少的COVID-19案例中展示我们网络的真实性能。如前所述，从11271例病例中错误地检测出68例感染COVID-19的病例并不多，但也不是很好，我们希望通过使用大量提供的COVID-19感染患者的数据，检测准确性将进一步提高5. 结论本文提出了一种基于Xception和ResNet50V2网络的级联神经网络对胸部X线图像图像分为三类，正常，肺炎和COVID-19。我们使用了两个开源数据集，分别包含180张和6054张来自COVID-19感染者和肺炎患者的图像，以及8851张来自正常人的图像。由于我们有一些COVID-19类的图像，我们提出了一种在数据集不平衡时训练神经网络的方法。我们将训练集分为8个连续的阶段，每个阶段有633张图像（149张COVID-19，234张肺炎，250张正常）。我们在每个阶段选择了几乎相等的每个类别的数量，这样我们的网络也学习了COVID-19类别的特征，而不仅仅是其他两个类别的特征。在每个阶段，正常和肺炎类别的图像都是不同的，因此网络可以更好地区分COVID-19和其他类别。我们的训练集包括3783张图像，其余的图像被分配用于评估网络。我们试图在大量图像上测试我们的模型，以便我们真正达到的准确性将是清晰的。我们实现了99.50%的平均准确度，对COVID-19类别的灵敏度为80.53%，五倍之间的总体准确度为91.4%。我们希望我们公开的训练有素的网络将有助于医疗诊断。我们还希望在未来，来自COVID-19患者的更大数据集变得可用，通过使用它们，我们提出的网络的准确性进一步提高。代码可用性在 这 个 GitHub 配 置 文 件 （ https://github.com/mr7495/covid19 ）中，我们分享了本文中训练的网络和所有使用的代码。我们希望我们的工作能对未来的研究有所帮助作者同意声明我们声明，这份手稿是原创的，以前没有发表过，目前也没有考虑在其他地方发表。我们确认，所有署名作者均已阅读并批准了该手稿，并且没有其他符合作者资格标准但未列出的人员。我们进一步确认，手稿中列出的作者顺序已得到我们所有人的批准。我们理解，通讯作者是编辑过程的唯一联系人。他负责与其他作者沟通进展情况，提交修订和最终批准证明。M. Rahimzadeh和A. Attar医学信息学解锁19（2020）1003608竞合利益作者声明没有竞争利益。确认我们要感谢约瑟夫·保罗·科恩和其他提供这些感染COVID-19的患者的X射线图像的人。我们感谢Linda Wang和Alexander Wong提供他们的代码，我们在研究中使用了其中的一部分来准备我们的数据集。我们也感谢Google Colab服务器提供免费的GPU。附录A. 补充数据本 文 的 补 充 数 据 可 在 https ： //doi 网 站 上 找 到 。org/10.1016/j.imu.2020.100360。引用[1] Pirouz B，Shaffiee Haghshenas S，Shaffiee Haghshenas S，Piro P.调查可持续发展过程中的一个严重挑战：通过使用人工智能和回归分析的二元分类分析确诊的COVID-19（新型冠状病毒）病例。可持续发展2020;12（6）：2427。[2] 作者：Shaffiee Haghshenas S，Pirouz B，Shaffiee Haghshenas S，Piro P. 为调查新冠肺炎确诊病例中气候和城市参数的影响开发评估方法：可持续发展的新挑战。IntJ Environ Res Publ Health 2020;17（8）：2801.[3] 大学1.关于冠状病毒的一切https：//medicine-and-mental-health. 2020-04-12.[4] 麦金托什湾2019冠状病毒病（COVID-19）：病原学，病毒学，临床特征，诊断和预防。2020年4月10日。[5] 姜芳，邓丽，张丽，蔡艳，张庆华，夏志。回顾2019冠状病毒病的临床特征。J Gen Intern Med 2020：1-5.[6]美国 WHO. https://www.who.int; 2020-04-10.[7] 孙丹，李红，陆小新，肖红，任杰，张芳荣，刘志生.武汉市2019年冠状病毒病重症患儿临床特征：单中心观察性研究。世界儿科杂志2020年：1-9。[8] An P，Chen H，Jiang X，SuJ，Xiao Y，Ding Y，Ren H，JiM，Chen Y，ChenW，et al. 2019新型冠状病毒肺炎临床特征表现为胃肠道症状，但无发热起病。2020年[arxiv]。[9] Song F，Shi N，Shan F，Zhang Z，ShenJ，Lu H，Ling Y，Jiang Y，Shi Y.新出现的2019新型冠状病毒（2019-ncov）肺炎。放射学2020：200274。[10] Litjens G，Kooi T，Bejnordi BE，Setio AAA，Ciompi F，Ghafoorian M，VanDerLaakJA，VanGinnekenB，Sa�nchezCI. 深度学习在医学图像分析中的应用。Med Image Anal2017;42：60-88.[11] 程继忠，倪东，周永华，秦建，刁春明，张永春，黄春生，沈东，陈春-M.深度学习架构的计算机辅助诊断：应用于超声图像中的乳腺病变和ct扫描中的肺结节。Sci Rep 2016;6（1）：1-13.[12] [10]杨晓波，王晓波.用于ct图像肺癌分类的最优深度学习模型。FutureGeneratComput Syst 2019;92：374-82.[13] Zreik M，Lessmann N，van HamerspyruverRW，Wolterink JM，Voskuil M，J.J.M，J.M，J.M. 冠状动脉ct血管造影中心肌的深度学习分析，用于识别功能显著的冠状动脉狭窄患者。医学图像分析2018;44：72-85。[14] Rahimzadeh M，Attar A，et al. Sperm detection and tracking in phase-contrast microscopy image sequences using deep learning and modified csr-dcf.2020. 2002.04034.[15] 杨荣，李新，刘宏，甄英，张新，熊清，罗英，高春，曾伟。胸部ct严重程度评分：评估严重covid-19的成像工具。放射科：心胸外科。图像2020;2（2）：e200047.[16] [10]张海，张伟.新型冠状病毒（COVID-19）大流行的快速人工智能开发周期：使用深度学习CT图像分析进行自动检测患者监测的初步结果&2020.2003.05037。[17] Wang S，Kang B，MaJ，Zeng X，Xiao M，GuoJ， Cai M，YangJ， Li Y，Meng X，et al.使用ct图像筛选冠状病毒疾病（covid-19）的深度学习算法。2020年[medR X iv]。[18] 王力，王A. Covid-net：一个定制的深度卷积神经网络设计，用于从胸部X光摄影图像中检测COVID-19病例。2020. 2003.09871。[19] 放大图片Narin A，Kaya C，Pamuk Z.使用X射线图像和深度卷积神经网络自动检测冠状病毒病（COVID-19）2020年。2003.10849。[20] Li L，Qin L，Xu Z，Yin Y，Wang X，Kong B，BaiJ，Lu Y，Fang Z，Song Q，et al. 人工智能在胸部ct上区分新冠肺炎和社区获得性肺炎。放射学2020：200905。[21] Ronneberger O，Fischer P，Bro X T. U-net：用于生物医学图像分割的卷积网络。在：医学图像计算和计算机辅助干预国际会议。Springer; 2015. 第234- 241页。表4本表报告了一些评价指标网络倍COVID-19灵敏度83.8787.0983.8774.1970.9674.197073.3383.3370.9670.9683.8767.7467.7477.4173.3574.0280.53精度正常灵敏度91.1592.4595.2593.7992.5493.6093.5793.8994.9093.5788.5292.5492.4695.5994.0392.9192.6094.06肺炎灵敏度90.1187.2884.7287.6482.7888.5289.1885.2987.0386.3890.8387.3391.4281.5389.1688.9585.5487.35肺炎特异性91.7393.0395.5194.0692.7293.6993.6694.3095.0393.7188.9993.0392.7195.8794.3393.1792.9894.32COVID-19特异性99.199.1599.499.6399.4199.7699.7599.1499.6999.6399.3199.3299.6499.6399.6299.5599.3399.56COVID-19精度99.0699.1299.3599.5699.3399.6999.6799.0799.6599.5599.2399.2799.5599.5499.5699.4899.2699.50正常特异性91.5188.6185.8988.1483.9888.9589.686.8187.6487.0691.8288.3491.8781.9889.6289.6386.6488.09正常精度91.2990.9491.5791.5789.1791.7792.0191.1192.0491.0189.8290.8992.2390.2392.2991.6290.2591.71肺炎精度91.1090.7891.2991.5588.8391.6791.9190.7891.9090.8489.7190.892.2090.2792.3191.5290.0791.60肺炎精度87.5088.9392.3790.4587.9590.0190.0490.5891.8389.8184.1188.9488.9592.6990.9989.3588.8590.83COVID-19精度20.4721.9527.6535.3824.714642.8518.4841.6634.372225.2433.8733.3335.8233.3924.0935.27正常精度94.2992.5891.2292.4089.8992.8793.2691.6392.2091.7594.3392.4394.5989.0893.3093.2691.5092.40XceptionResNet50V2级联 XceptionResNet50V2级联 XceptionResNet50V2级联 XceptionResNet50V2级联 XceptionResNet50V2级联 XceptionResNet50V2级联90.7290.4191.1091.3388.6691.5691.7990.4791.7990.7089.3890.4791.9990.0192.0891.3189.7991.4012345平均M. Rahimzadeh和A. Attar医学信息学解锁19（2020）1003609þþ[22] 单F，Gao王军，施伟，施南，韩明，薛忠，沈东，施勇.使用深度学习对ct图像中的covid-19肺部2020. 2003.04655.[23] Xu X，Jiang X，Ma C，Du P，Li X，Lv S，Yu L，Chen Y，Su J，Lang G，et al.Deeplearning system to screen coronary disease 2019 pneumonia. 2020年。2002.09334。[24] Rahimzadeh M，Attar A.介绍一种基于深度学习的开心果检测和计数的新数据集和方法。2020. 2005.03990。[25] Lih OS，Jahmunah V，San TR，Ciaccio EJ，Yamakawa T，Tanabe M，KobayashiM，Faust O，Acharya UR.基于深度学习的综合心电图诊断。 Artif Intell Med2020;103：101789.[26] 王新，钱宏，Ciaccio EJ，Lewis SK，Bhagat G，Green PH，徐S，黄L，高荣，刘Y. 基于残差学习和深度特征提取的腹腔疾病诊断。 计算方法进展生物医学2020;187：105236。[27] [10]张晓刚，张晓刚.深度学习在cad和plm大数据应用中的研究回顾、机遇和案例分析。《计算机工业》2018年;100：227-43。[28] Simonyan K，Zisserman A.用于大规模图像识别的深度卷积网络。 2014年。[29] 何克，张X，任S，孙杰，深度残差学习图像识别。 2015年。[30] 黄G，刘Z，范德马滕L，温伯格KQ.密集连接的卷积网络。 2016年。[31] SzegedyC，Liu W，Jia Y，Sermanet P，Reed S，Anguelov D，et al. 更深入地进行卷积。波士顿，MA，2015，：IEEE计算机视觉和模式识别会议（CVPR）;2015年。p. 一比九[32] 肖莱湾Xception：深度学习与深度可分离卷积。在：IEEE计算机视觉和模式识别会议论文集;2017年。p. 1251- 8[33] 邓军，董伟，苏彻R，李林杰，李凯，李飞飞。ima-genet：一个大规模的分层图像数据库。2009年IEEE计算机视觉与模式识别会议。2009年12月。第248-255页。[34] Szegedy C，Ioffe S，Vanhoucke V，Alemi A.初始-v4、初始-再网络以及剩余连接对学习的影响。 2016年。[35] Zoph B，Vasudevan V，ShlensJ，Le QV. 学习可迁移架构的可扩展图像识别.2017年。[36] 何克，张翔，任胜，孙杰。深度剩余网络中的恒等映射。在：欧洲计算机视觉会议。Springer; 2016. p. 630比45[37] 杨文辉，杨文辉，杨文辉. COVID-19图像数据收集。 2020. 2003.11597。[38] Chollet，F.其他（2015）。keras。[39] Apostolopoulos ID，Mpesiana TA.新冠肺炎：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Med. 二零二零年：1.
我的内容管理
展开
