深度学习筛查新型冠状病毒肺炎研究

工程6（2020）1122-1129研究冠状病毒病2019-文章一个深度学习系统到筛查新型冠状病毒病2019肺炎许小伟a，#、姜先高乙，#，马春莲c，#、彭督丁，#、李旭坤丁、吕双芝e《梁宇》a、秦尼a，燕飞陈a，俊伟苏a，官井朗a，永涛李a，洪赵a，君刘a，开进徐a，领翔阮e，吉方盛a，云青邱a，魏吴a，⇑，廷伯梁f，⇑，兰坎李a，⇑a传染病诊治国家重点实验室、国家传染病临床医学研究中心、诊断协同创新中心与传染病治疗浙江大学医学院附属第一医院杭州310003、中国乙温州市中心医院传染病科温州325000、中国c部门的感染疾病、The第一人民医院的温岭、温岭317500,中国丁人工智能实验室、杭州爱思迈视有限公司、有限公司、杭州310012、中国e部门的放射学、The第一附属的医院、学院的医药、浙江大学、杭州310003,中国f肝胆胰外科&浙江省胰腺疾病研究重点实验室&胰脏疾病研究创新中心浙江省的&浙江省肝胆胰疾病临床医学研究中心&的诊疗精准创新中心肝胆管和胰腺疾病的浙江大学、The第一附属的医院、学院的医药、浙江大学、杭州310003,中国A R T I CLE我N F O文章历史：3月23日接受2020修订2020年4月21日4月28日收到2020可用在线6月27日2020关键词：新冠肺炎位置-注意分类计算机模型断层摄影技术A B S T R A CTThe实时反面转录-聚合酶链反应（RT-PCR）检测的病毒RNA来自在2019冠状病毒病（COVID-19）早期阶段，鼻腔鼻腔拭子had是一种相对较低的阳性率。Meanwhile，美国通过计算机断层扫描(CT)发现的COVID-19清单影像学秀个体化特点that迪弗尔来自索塞的其他类型的病毒肺炎就像甲型流感病毒肺炎（IAVP）。这项研究是为了建立一个早期筛选模型。Distin-Guish Covid-19来自IAVP和健康病例通过肺CT图像使用深度学习 技 术 -niques。 共 收 集 了 618个 CT样 本 ： 来 自 110名 COVID-19患 者 的 219个 样 本 （ 平 均 年 龄 50年 ; 63（57.3%）马累病人）; 224桑普莱斯来自224病人与IAVP（中庸时代61年;156（69.6%）马累病人）;和175桑普莱斯来自175健康凯斯（中庸时代39年; 97（55.4%）男性病人）。所有CT样本均来自浙江省三家新冠肺炎（COVID-19）定点医院，中国。 第一、the坎迪泰特感染区域韦尔分段的出局来自the肺动脉CT使用三维深度学习模型的图像集。它们分离的图像在归类到COVID-19、IAVP和与感染无关（ITI）组、与对应信心评分在一起、使用位置-注意分类模型。each CT的最终、感染类型和总体信心评分凯斯韦尔可计算的乌辛the诺伊斯-奥尔贝叶斯功能。 The实验雷苏尔特的the基准数据集显示，在所有CT案例共同使用的术语中，总体准确率为86.7%。 深学习模型埃斯塔布利舍德在这研究韦尔效果为the早筛选的新冠肺炎患者和他们的指示者对一线临床的补充诊断方法作出承诺医生们。©2020 THE作者。 出版的比埃尔塞维尔有限公司论贝哈尔夫的中文学院的工程和高教育普拉斯有限公司公司。 这is安开放式阿克塞斯文章安德the CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1.导言2019年年底，2019冠状病毒病（COVID-19）报道[1-4]。2020年1月24日，Huang等人。[5]总结the临床特点的41病人与* 科伦布尔丁作者。电子邮件地址： 1198042@zju.edu.cn（W。吴）、liangtingbo@zju.edu.cn（T。良）、ljli@zju.edu.cn（L。 李）。#These作者贡献的等到这工作。COVID-19，指示常见的发病症状有发热、止咳、肌痛、或疲劳。所有41他们的病人有严重的肺炎，和他们的胸部计算机断层扫描（CT）检查-显示异常。复杂性包涵急性呼吸窘迫综合征、急性心脏损伤、二次感染 。 有 十 三 人 （ 31.7% ） 被 安 排 到 重 症 监 护 室 （ ICU ） ， 六 人（14.6%）死亡。陈等人。[6]在香港大学，中国首次发现人传人新冠肺炎证据时间。https://doi.org/10.1016/j.eng.2020.04.0102095-8099/© 2020年《作者》。由爱思唯尔有限公司在中国工程院和高等教育出版社有限公司的behalf上出版。这是CC BY-NC-ND许可下的开放准入条款（http://creativecommons.org/licenses/by-nc-nd/4.0/）。内容列表在ScienceDirect工程期刊首页：www.elsevier.com/locate/engX. 徐埃及艾尔。 /工程6（2020）1122-11291123The新型冠状病毒气蒙尼亚诊疗方案（试行第七版）[7]通过两种技术的平均值推荐COVID-19患者的病原学确认：核酸检测或特异性抗体检测。可获取性核酸测试在过去三个月份有很大的改进，但最短的仍然存在，它是一个高操作要求，一个时间消耗程序和一个相对较低的阳性率[8，9]。武汉展示口拭子、肛拭子、血液核酸检测阳性率的研究的因费克特德病人was 53.3%，26.7%，和40.0%尊敬的[10]。 弗瑟莫尔、抗体检测is不阿普罗普里亚特为早期筛查，这里是抗体检测的窗口期。朗等人。[11]关于both免疫球蛋白G（IgG）和IgM血清转换中位时间为13d后的报告发病。在同一时间，放射学专家通知通过CT成像发现COVID-19病例的清单有自己的特征，从CT成像清单中区分出其他病毒肺炎，就像甲型流感病毒一样肺炎（IAVP），作为展示在无花果。1。Therefore，临床医生选择用肺CT成像为一体替代核酸检测这种新型肺炎的早期诊断标准[12]，与the艾姆的伊姆梅迪亚特利柯尔宾传输。随着计算机技术的快速发展，数字图像处理技术在医学领域有其独到的应用，包络器官分割与图像增强和维修、特雷比普罗维丁支持为亚序列Medi-CAL诊断[13.14]。深度学习技术，就像卷积神经网络（CNN）与its斯特朗能力的非线性建模，also been在医学图像处理中的扩展应用[15-18]。肺结节诊断中有导引物的相关研究[19]《良性分类》和马利格南特肿瘤[20.21]，和肺动脉结核病分析与疾病预测[22-24]全球。在这项研究中，多个CNN模型已用于分类CT图像数据集和卡尔库拉特山the感染概率的COVID-19.他们在病人早期筛查中寻找伟大的帮助新冠肺炎。2. 材料和方法2.1. 研究数据集共采集618个横截面CT样本在这项研究中，从110名病人中纳入219人（平均年龄为50岁;63人（57.3%）马累病人）与新冠肺炎来自the第一附属医院、学院的医药、浙江大学;温州岑德拉医院;以及温岭市第一人民医院2020年1月19日至2月14日。所有三家医院都是指定的浙江省新冠肺炎医院。每个新冠患者痰或实时逆转录-聚合酶链反应（RT-PCR）检测的was确认鼻腔拭子，胸部CT图像中没有图像清单的病例是排除在外的。在附加中，同一病人扫描的CT数据集在顺序上至少有两天的时间差距，以确保样本的多样性。余399 CT样本韦尔集合来自the第一附属的医院、浙江大学医学院美国对照实验组。其中，224例CT样本来自224例IAVP包含H1N1、H3N2、H5N1 、 H7N9 和 如 此 丰 富 的 患 者 （ 平 均 年 龄 为 61 岁 ;156 例（69.6%）男性患者）;175 CT样本（平均年龄39年; 97（55.4%）马累病人）韦尔来自健康人啊。The诊断的IAVP was普罗韦德比theRT-PCR检测的病毒RNA来自痰或鼻咽拭子。还有198人（90.4%）新冠肺炎和196（87.5%）IAVP凯斯在早或进展─无花果。一、典型横断面CT图像：（a）COVID-19;(b)IAVP;和(c)无肺炎舱单。（a）和（b）从发病开始的10d算起症状。现场舞台;剩余的9.6%和12.5%的案件，尊重，在严重的阶段;两种疾病之间的阶段没有明显区别。CT样本的IAVP因其使用而被使用，对于将IAVP从疑似COVID-19患者中剔除至关重要中国。浙江大学医学院第一附属医院伦理委员会认可此项研究，该研究表现为与相关指导意见的一致性和条例。 所有参与人员与/或泰尔合法的卫报签个字知情的意见书形式前the研究图克普莱斯。共有528个CT样本（85.4%）用于培训和验证集，包括189个来自Covid-19患者的样本，194个来自IAVP患者的样本，145个来自健康人群的样本。剩余的90套CT（14.6%）已在美国使用测试集，包括30例COVID-19病例，30例IAVP病例和30例健康病例。弗瑟摩尔，CT集的测试案例是从那些在训练阶段没有被包含的人中挑选出来的。2.2. 进程无花果。2展示本次研究中COVID-19诊断报告生成的全过程。首先，CT图像预处理去提取有效的肺脏区域。第二个，一个三维（3D）CNN分段模型被用于“分段”多个可读图像立方体。 中心图像与它在一起的两个邻居的each立方体是收集为未来的步骤。第三，一个图像分类模型被用来分类所有图像帕特切斯进入三类型：新冠肺炎、IAVP、和与感染无关（ITI）。来自同一立方体的映像补丁‘’投票‘的类型和信心得分这被说成是一个整体。最后，单个CT样本的总体分析报告是用噪声或贝叶斯函数计算的[25]。3. 理论与计算3.1. 数据集预处理和可加工区域分割The研究was expedited比乌辛the同方法和数据预处理和可选择区域分割阶段的模型美国索塞乌塞德在a普雷维奥乌斯研究论肺动脉结核菌[23]。 The福克斯的the感染来自肺动脉结核菌哈德多重结构和型、包罗万象百亿元、浸润性、结节瘤、结核瘤和腔瘤。模型，VNet-Inception-Residual网络(IR)-区域提案网络（RPN）[23]，乌塞德一个VNet [26]带红外的骨干[27]结构是特征提取部分，which是按RPN到candidate区段的地区。 阿尔索夫资讯科技was受训为the目的的单方结核病检测，模型是由专业放射科医生验证的，可以很好地为病毒分离假斑块肺炎。这里的三维分割过程不是传统的像素级分割操作就像VNet或三维1124X. 徐埃及艾尔。 /工程6（2020）1122-1129无花果。 2. 进程流动海图-塔克一新冠肺炎凯斯美国例程。 胡：豪恩斯菲尔德单位。u型网[28]。 美国the边疆贝特韦恩a健康大区和the福克斯感染是明显的模糊和无差别的，它是极端的迪菲-库尔特到标签皮克塞尔-莱夫尔马斯克斯为莱西恩区域的the肺炎。熔化区域的可变三维结构也会增加这方面的工作。在这里使用的分割操作更像是对象检测算法中的操作。一印尼盾结构was乌塞德到捕获the大区的利益与像素级分段的三维包围盒instead面具。莫雷奥弗、在the研究的肺动脉肺结核、the VNET-IR-RPN模型was乌塞德为博思分割和分类。只有分段相关的包围盒回归部分是预先服务的，雷加德勒斯的the分类处理成果、贝考乌斯只the在这个阶段，Mer-Task是被请求的书房。3.2. 图像数据处理和加格曼蒂翁A大号码的非感染性区域埃尔雷莱万特到这用三维CNN分割模型、包含肺纤维化结构、钙化点和健康区域that哈德贝恩被认定的不正 经 的 。 Therefore ， ITI 的 extra category 添 加 到 COVID-19 和IAVP categories。这项研究包含了618个CT样本（219个COVID-19，224个IAVP和175个健康病例）。亚序列，从三维CNN分割模型中生成的3957个可读立方体的总数。只有接近这个立方体中间的领土才包含关于感染焦点的最大信息。Hence，只有each cube的两个邻居在一起的中心图像被收集来表示这个区域来进行未来分类步骤。接下来，所有图像斑块都由两名专业放射科医生手工分类为两种类型：ITI和肺炎。 晚分类中的图像被识别自动化为COVID-19或IAVP基于临床诊断结果。总共有11个871个图像斑块是从无认识步骤获得的，包含了2634个COVID-19，2661个IAVP和6576个ITI。对上一篇数据集分配的同意，训 练 和 验 证 集 had 528 CT 样 本 ， which were 等 价to 10 161（85.6%）图像，包含2301个COVID-19，2244个IAVP和5616个ITI图像。余1710（14.4%）影像留考数据集。The抽样可能性的the新冠肺炎和IAVP凯斯was扩展版三泰晤士报到巴朗斯the specimen号码的ITI案例，按顺序减少现在数据集中不同图像类型的未分配的影响。在同一时间，通用数据-扩展机制，就像随机一样剪裁、左-右翻转、上-下翻转和镜像操作，在增加训练样本数和预防数据的具体方面表现得很出色过度贴合。3.3. 深学习模型为分类处理3.3.1. 位置-注意分类处理坎恩的工作[29]丹·钟等人。[30]新冠肺炎最不突出的三个特征出现了：磨玻璃外观、随胸膜的周边分布以及单例感染的独立焦点。无花果。 3。模型是基于它们的寻找而优化的。图像分类模型被设计为区分不同感染的外观和结构。Moreover，距离边缘的相对距离对于订单中的模型来说是一个额外的权重，以便在单元体图像中了解补丁的相对位置信息。靠近胸膜位置的感染焦点韦尔更多利克利到be认可的美国新冠肺炎。距离each补丁边缘的相对距离被称为关注：第1步：测量从面具到补丁中心的最小距离（双头箭在无花果。 3(c)）。步二：奥布泰因the对角线的the最低限度西尔库姆斯克里贝德直角肺像（无花果。 3 (d)）。步骤三：通过分割来阻断与边缘的相对距离距离来自步1比the对角线来自步2.3.3.2. 网络结构两种分类模型在本研究中的评价，作为展示无花果。4。一个是一个基于相对传统残差网络（ResNet）[31]模型和其他是基于第一个网络结构设计的，方法是在全连接层连接位置注意机制，以提高总体精度率。这个机制加在第一个全连接层上，最大化这个因素对整体的影响网络。经典方阵-18网络结构用于图像特征提取。按顺序对数据降维不起作用的集合运算防止过拟合和改进问题广义化。卷积层的输出被平坦化为256维特征向量，并用全连接网络转换为16维特征向量。为位置-注意分类处理车型、the价值的theX. 徐埃及艾尔。 /工程6（2020）1122-11291125无花果。 3. (a)新冠肺炎图像与三格洛恩德-格拉斯福克斯的感染;(b) IAVP图像与四福克斯的感染;(c) the最低限度距离来自the面罩到补丁的中心（双头箭）;(d)肺最小圆角矩形的对角线图像。无花果。 4.The网络结构的传统基于18的Resnet-Based分类处理模型（无the相对的距离-自转边缘机制）。 The位置-注意模型分类was built论the骨干的雷斯内特-18比康卡特纳廷the位置-注意机械装置在the全连接方式层到改进the工装裤阿库拉西速率。 Conv2D：卷积二维。从边缘的相对距离是第一个常态化到同一顺序的的magnitude、和then康卡特纳特德到这全连接网络。接下来，三个全连接层是跟随输出的最终分类结果与它在一起信心评分。3.4. 诊断报告3.4.1. ‘’投票“为each candidate大区灵感比the理论的the套袋预测算法[32]在机器学习技术中，一个有疑义的区域被压制-发送比三图像补丁：the中心图像和its二邻居。 These三图片’’投票”为the整大区签署向跟随者战略：(1) Ifat最小二图片韦尔凯特戈里泽德进入the同类型，该类型中具有最大信心分数的图像是选的。(2) 其他人，最大信心分数的形象是被挑剔的（没有类型支配）。在下一个步骤中，“投票”是ITI类型的失败者。3.4.2. 诺伊斯-奥尔贝叶斯功能到德杜采the工装裤报告COVID-19最值得注意的特征之一是，在单个CT病例中，它比一个独立的感染焦点更多[29.30]。如果一个病人有两个新冠肺炎地区，就有50%的总概率来说，这是合理的。概率。 达成一致，the共计感染信任感分数(C) 为一感染类型was可计算的乌辛the概率关于噪声或贝叶斯函数的起源关注：C阿扎尔1-Yπ 1-C我Þπ 1我何地C我代表the信任感的the我th地区。两种类型的信心评分，C新冠肺炎和CIAVP;Were DeducedAccordingly;这些CT样本已被归类为应对小组对主导地位的承诺C价值。莫雷奥弗、the跟随战略韦尔乌塞德到埃克波特the孔菲登斯可能性的安恩蒂尔CT样本到普罗维德a临床合理参考医生们：(1) If博思C新冠肺炎和CIAVP韦尔等到0, then这CT Sam-Ple属于健康凯斯。阿扎尔在ÞP阿扎尔在Þke2阿扎尔-1126X. 徐埃及艾尔。 /工程6（2020）1122-1129(2) If一的the C瓦卢埃斯was等到0, then the其他C该价值是直接输出作为此CT样本的信心可能性。(3) 另外，软最大函数对产生两种自信是有用的记分。计算它们的值，TP，TN，FP和FN在哪里是真正的，真消极、假积极、和假消极、尊重。ATP þ先生3TPþ FP þ先生þ FNSeCj2P阿扎尔TPπ 4jCk何地j，k（COVID-19，IAVP）。S j它是作为each感染类型的信心评分输出的。softmax operation常态化和的S j到100%和迪德不阿尔特the判决雷苏尔特为INFEC-TION类型。However，调查手册应该被纳入来自TPþ FPRTPTP þFNf-分数阿扎尔2 ×P×Rπ5π6从临床医生的角度看，就像这样新冠肺炎怀疑1该地区是由模型捕获的，他们认为他们强大不成为大多数型。Pþ R4. 结果4.1. 评价平台一个英特尔i7-8700k中央处理器（CPU）与英伟达图形处理器（GPU）GeForce GTX 1080ti已使用作为测试服务器。数字上的处理时间大限的图像层在一CT布景。 论平均水平、资讯科技图克勒斯比30 s为a CT集与70层到围棋来自数据预处理到的输出报告。4.2. 培训进程美国一的the莫斯特经典损失功能乌塞德在分类模型，交叉熵在这项研究中是有用的。当纪元时的培训迭代法增加的到更多丹1000,the损失价值不是不存在的减少或增加，暗示模型是什么converged井到a相对的最优州无有差异的过度拟合。 The培训曲尔韦斯的the损失价值和the阿库拉西两种分类模型的速率在无花果。5。具有定位-注意机制的模型在训练数据集上取得了更好的性能-效果，在与原始餐厅的比较中。4.3. 测试中的表现数据集4.3.1. 表演测量A混沌矩阵它被使用，which是一张表，它被用来描述一个分类模型在测试数据集上的表现，因为which的真实价值是已知的。它对一个人的表演的可视化是有利的算法。准确性（A）如何纠正预判值的方法决定。精准（P）确定测量的可复制性，还是许多预测是如何纠正的。召回（R）印度如何马尼山的the科雷克特结果阿雷发现了。Thef1-分数乌塞斯a组合的精密和召回到可计算的a平衡平均结果。 The跟随等值秀如何到4.3.2. 图像预处理与分割从 each 组 中 随 机选 择 了 总 共 90 个 CT 样 本 （ 30 个 CT 集 来 自COVID-19，30个来自IAVP，30个来自健康病例）用于测试数据集。测试数据集的选择遵循这个人的任何CT都不被发现的规则在上位阶段训练，命令避免留下一个相似的CT。贝恩学习比the模特们。莫雷奥弗、the门限值为博思图像预处理和the分割韦尔优化的要成为更多随机性为the电流书房。 在the图像预处理阶段、the门限的the豪恩斯菲尔德单位（胡）价值、惠希was used到二值化处理the重采样图片、was拉伊塞德到200在命令最大化过滤出有效肺。VNet-IR-RPN的分割模型被配置为降低最大分割可分割区域的建议阈值，使其通过多个正常区域库被包含。我们通知了一个CT病例来自the新冠肺炎集团that哈德不图像帕特切斯was塞格-门特德美国新冠肺炎或IAVP、和was亨斯怀荣利分类的美国健康案例、美国肖恩在无花果。 6。 These福克斯的感染韦雷·巴雷利可通知的与the人类眼、和种子太特努乌斯山在这方面用分段模型捕获书房。4.3.3. 分类处理为a单身图像补丁总共从90个CT SAM-PLE获得了1710个图像斑块，包括357个COVID-19，390个IAVP和963个ITI（地面真相）。到确定最优途径，each方法的设计was阿萨塞德乌辛a困惑母体。 二分类模型被评估：有和无定位-注意机制，表现在表1和2。平均指数f1-两种车型的得分和总体准确率韦尔0.750/0.764和78.5%/79.4% ， 尊 重 。 多 一 点 ， 位 置 - 注 意 机 制 是 用 来 改 进 的COVID-19和IAVP组的尊重准确率，并在5.0%的可持续改进中显示了结果（260/273）和1.4%（276/280）。 这埃维登斯印度that the塞克-翁德模型与the位置-注意机械装置阿基耶韦德更好的表现。Therefore，这个模型是用来维持这个研究的。Moreover，ITI集团一直在消除干扰因素在这学习、资讯科技was无关紧要和不计数比the无花果。五、 两种分类的（a）损失和（b）精确率训练曲线模特们。X. 徐埃及艾尔。 /工程6（2020）1122-11291127无花果。六、 所有的CT图像（a-c）是从一个单一的CT病例。感染焦点被涂掉的箭。表1困惑母体的二分类处理模型为the新冠肺炎、IAVP、和ITI团体。集团新冠肺炎(M) 1/米2）IAVP (M) 1/米2）ITI (M) 1/米2）表3困惑母体为the新冠肺炎、IAVP、和ITI集团后投票。集团新冠肺炎IAVPITI新冠肺炎97157IAVP189814ITI52314表4召回、精准、f1-得分，和准确率a对于COVID-19，IAVP和ITI组在之后投票。集团RPf1-分数新冠肺炎0.8150.8080.811IAVP0.7540.8520.800ITI0.9780.9370.957新冠肺炎(M) 1/米2）260/27347/3250/52aThe工装裤阿库拉西速率为the三集团was 89.3%;和the平均IAVP(M)1/米2）55/46276/28059/64阿库拉西速率为新冠肺炎和IAVP集团was 78.3%。ITI(M) 1/米2）75/7781/82807/804米1：餐厅模型;米2：带有定位-注意机制的餐厅模型。表2召回、精准、f1-得分，和准确率aCOVID-19的两种分类模型IAVP和ITI团体。表5困惑母体的the埃克波特的the诺伊斯-奥尔贝叶斯功能为新冠肺炎、IAVP，and healthy凯斯。集团新冠肺炎IAVP健康集团RPf1-分数健康2127新冠肺炎(M) 1/米2）0.728/0.7650.667/0.6890.696/0.725IAVP(M) 1/米2）0.708/0.7180.683/0.7110.695/0.714ITI(M) 1/米2）0.838/0.8350.881/0.8740.859/0.854a M的总体准确率1和M 2对于三组是78.5%和79.4%; the阿库拉西拉特斯的米1和米2为新冠肺炎和IAVP集团阿雷71.8%和74.0%。最后一步的噪声或贝叶斯函数。在下一个步骤保持一致性，我们将进一步比照平均数f1-前两个组的得分和准确率，which were为0.720和74.0%，尊重。4.3.4. ‘’投票“为a大区Each图像补丁‘’投票‘代表实体被批准的地区。总共有570个合格立方体，包括119个COVID-19，130个IAVP和321个ITI地区（地面真相）。投票结果与对应召回率、精确度和f1-分数是在展示表3和表4，尊重。平均指数f1-三个类别的得分和总准确率分别为0.856和89.3%，尊重，当与上台阶比较时显示尊重的提高为12.0%和12.5%。美国为前两个群体，平均水平f1-得分和准确率分别为0.806和78.3%，尊重，挥霍尊重增加11.9%和5.8%。4.3.5. 雷苏尔特的the分类处理的CT桑普莱斯美国a整噪声或贝叶斯函数用于识别主导感染类型。最终报告中输出的三类结果：COVID-19、IAVP和健康案例。实验结果总结在表5和6。只有平均数f1-记分新冠肺炎和IAVP组的准确率与上乘结果有一定的可比性。他们有0.843和85.0%，尊重，炫耀a促销的4.6%和8.6%在这步。平均水平的一致性改进f1-得分和准确率有待观察。的分类准确率COVID-19和IAVP从74.0%（单一图像补丁）推广到78.3%（图片立方）、和then到85.0%（工作服CT凯斯基论表6召回、精准、f1-得分，和准确率a新冠肺炎的噪声或贝叶斯函数输出、IAVP与健康凯斯。集团RPf1-分数新冠肺炎0.8670.8130.839IAVP0.8330.8620.847健康0.9000.9310.915aThe工装裤阿库拉西速率为the三集团is 86.7%和the平均新冠肺炎和IAVP组was的准确率85.0%。主导感染型）。由所有三个基准组来衡量，the工装裤分类处理阿库拉西速率was 86.7%。Moreover ，以 突出的infec 为中 心的图 像系列伍 尔德阿 尔索beexported（examples肖恩在无花果。 7）。5. 讨论新冠肺炎危害严重公共卫生安全问题，以及hence是全球关注的问题[33-35]。在COVID-19的早期阶段，有些患者从痰或鼻咽拭子中获取了阳性肺成像，但没有痰或阴性核酸检测结果。这些病人没有被诊断为可疑或确认的病例。 Thus，他们不是被隔离的，也不是在时间礼仪中被处理的，使他们成为潜在的感染源。Meanwhile，CT检查是每个早期有发热和呼吸症状的病人的典型表现，是动态观察的重复检查，这是是廉价和容易操作。使用CT图像进行屏幕检查的患者可以改进COVID-19的早期检测，并在实验室核酸上得到缓解测试。TheCT影像学的新冠肺炎现在塞维拉尔迪斯廷克特《宣言》、签署到普雷维奥乌斯研究[29.30，36]。 These舱单----包含焦点格洛恩德-格拉斯暗影梅因利分布式沿着胸膜，多重联合阴影由环绕地面-玻璃阴影的‘’光环标志’、不同尺寸的多重联合以及网格形状的高密度阴影相伴而生。一位经验丰富的放射学家可以对其作出判断the新冠肺炎2631IAVP42511128X. 徐埃及艾尔。 /工程6（2020）1122-1129无花果。七、原始图像上带包围盒的两例CT病例报告例到亮点the福克斯的感染。 图片(a)-(c)阿雷来自一凯斯的IAVP.图片(d)-(f)阿雷来自一凯斯的新冠肺炎。 The分段的大区的肺动脉它是一个图像立方体，只有中心图像是用一个包围盒标记的，以促进对它的解释莱申斯。COVID-19的可能性是基于他或她的临床经验;有把握，这样的判断对主观有很大的影响因素和个人水平。在比较中，基于系统的深度学习屏幕模型通过数字化和标准化图像信息来揭示更多的具体和可靠的结果。Hence，他们可以帮助医生做出更多的临床决策精确。人工智能有很多先兆(AI)一种辅助模型，即现在在临床实践中使用的情况很复杂，就像是肺结节诊断系统。2019年6月，Ardila等人。[20]提出一种用病人当前和先验CT体积预测肺风险的深度学习算法巨蟹座。这个模型在6716例病例中几乎达到94.4%的准确率，在独立临床中表现相似1139个案例的验证集。在添加到拥有高精准率中，AI辅助模型能够工作速度快，比A更有效人类。在本研究中，深度学习技术是用来设计分类的网络为特丁格伊辛新冠肺炎来自IAVP. 在条款中的the网络结构、the经典雷斯内特was乌塞德用于特征的提取。 A比较was制造贝特韦恩模型使用和不使用添加的定位-注意机制。The实验展示了认识到的机制如何更好地从其他人身上区分COVID-19病例。弗瑟摩尔，多重增强方法韦尔因沃尔韦德在我们学习、苏奇美国图像补丁投票和噪声或贝叶斯函数，按顺序确定主导感染类型。所有这些努力都会产生一致性改进在the平均f1-分数和阿库拉西速率。这个研究有些限制。第一，COVID-19宣言梅哈夫索姆重叠与the舱单的其他肺炎菌苏奇美国IAVP、组织肺炎、和嗜酸性肺炎。 We只比较the CT货单站的新冠肺炎与that的IAVP. A临床诊断的新冠肺炎斯蒂尔尼德斯到结合患者的接触史、旅行史、首次症状、实验室检查。第二，本研究中模型样本的数目有限。的编号培训和测试样品应扩大以提高准确性在。未来。 更多多中心的临床研究should be以复杂的临床情况指导治疗。Moreover，Freforts应该为改进分段和分类模型而制作。一个更好的专属模型could be设计用于培训，could be模型的划分和分类精度改进型、和the泛化作用表演的这算法库尔德be查证与a拉尔杰数据集。6. 协奏曲在这项多中心案例研究中，我们提出了一种新颖的方法，该方法可以通过深度学习技术的均值来显示COVID-19自动化的CT图像。带有定位-注意机制的模型can classify新冠肺炎、IAVP、和健康凯斯总准确率为86.7%，而且很有希望一线临床的SUP-PlementaryDiagnostic Method医生们。埃克诺莱杰门茨这研究was支持比the国家科学和中国Technol-OGY重大项目（20182X10101-001）。作者‘贡献Wi Wu、Tingbo Liang、Lan Jan Li和Xuo Wei发起项目并提供临床专家和学习设计指导。李旭坤和彭杜设计网络架构和数据/建模基础设施、培训、测试设置和STA-Tistical分析。 小薇徐某、魏吴女士、徐昆李女士、和彭杜手稿书写。仙高姜、春莲马、双枝吕、梁宇、燕飞陈某、俊伟苏、官井朗、永涛李女士、洪赵、徐开金、阮令祥集数据集与互序the数据。 小薇徐某、仙高江某、春莲马、和彭督与此等同文章。合规性与伦理学指南许小伟、姜先高、马春莲、彭杜、李徐坤、双芝吕、梁于、秦倪某、燕飞陈某、俊伟苏、观景郎、李永涛、洪昭、刘军、徐凯金、阮令翔、吉芳盛、邱云卿、魏武、梁廷伯、李兰娟陈述他们之间没有任何利益冲突或财务冲突，揭秘。参考资料[1] 朱N、张D、王W、李X、杨B、宋J、等。一种新型冠状病毒《来自中国肺炎患者》，2019年。恩格尔N J地中海2020年;382（8）：727-33。[2] 李Q、关X、吴P、王X、周L、桶Y、埃及艾尔。 早传动装置动力在中国武汉，来自新型冠状病毒感染的肺炎。恩格尔N J迈德2020年;382（13）：1199-207。[3] 科恩J、诺米莱-D。中国新型SARS样病毒触发警报。科学2020年;367（6475）：234-5。[4] 科曼VM，兰特O，凯撒M，莫伦坎普R，迈杰尔A，楚DKW等。 通过实时RT-PCR检测2019新型冠状病毒（2019-nCoV）。欧元监察员2020年;25（3）：23-30。[5] 黄C、王Y、李X、任L、赵J、胡Y，等。患者临床特征中国武汉感染2019新型冠状病毒。柳叶刀2020;395（10223）：497-506。[6] 陈JFW、元S、怎么KH、到KKW、楚H、杨J、埃及艾尔。 A家族性的群集的肺炎 与2019 新 型冠 状病 毒 指标 人对 人 的传 播： 一 个家 庭 集群 的研 究 。柳 叶 刀2020;395（10223）：514-23。[7] 中华人民共和国国家卫生健康委员会，国家中医药管理局。新型冠状病毒肺炎诊疗方案（试行第七版）[互联网]。北京：全国健康委员会的the人民共和国的中国;[cited2020玛8]。可从：http://www.nhc.gov.cn/yzygj/s7653p/202003/46c9294a7dfe4cef80dc7f5912eb1989/files/ce3e6945832a438eaae415350a8ce964.pdf。中文。[8] Loeffelholz MJ，唐YW。新兴实验室诊断人类冠状病毒感染-艺术状态。2020年Emerg微生物感染;9（一）：747-56。[9] 王W、徐Y、高R、吕R、韩K、吴G、等。SARS-CoV-2检测在临床专科的不同类型中。贾马2020;323（18）：1843-4。[10] 张W、杜R、李乙、郑X、杨X、胡乙、埃及艾尔。 分子和血清学2019-nCoV感染患者调查：多重影响脱落路线。埃默格微生物感染2020年;9（1）：386-9。[11] 龙Q、邓H、陈J、胡J、刘B、廖P、等。COVID-19患者中对SARS-CoV-2的抗体反应：血清学测试在临床实践中的视角应用。2020. medRxiv：2020.03.18.20038018。X. 徐埃及艾尔。 /工程6（2020）1122-11291129[12] 中华人民共和国国家卫生健康委员会，国家中医药管理局。新型冠状病毒肺炎诊疗方案（试行第五版）[互联网]。北京：中华人民共和国国家卫生健康委员会;[cited2020Feb5]。可从：http://www.nhc.gov.cn/yzygj/s7653p/202002/d4b895337e19445f8d728fcaf1e3e13a/files/ab6bec7f93e64e7f998d802991203cd6.pdf。 中文。[13] 刘X、郭S、杨B、马S、张H、李J、等。自动器官分割用于基于超像素和卷积神经网络的CT扫描。J数字影像学2018;31（5）：748-60。[14] 加尔比M、陈J、巴伦JT、哈西诺夫SW、杜兰F. 深双边的学习为实时图像增强。ACM恍惚图2017年;36（4）：118。[15] Hesamian MH、Jia W、He X、Kennedy P。医学深度学习技术图像分割：成就与挑战。J数字影像2019;32（四）：582-96。[16] 赤木M、中村Y、平垣T、成田K、本田Y、周J、埃及艾尔。 深学习腹部超高分辨率CT的重建改进图像质量。 欧元Radiol 2019;29（11）：6163-71。[17] Nardelli P、Jimenez-Carretero D、Bermejo-Pelaez D、Washko GR、RahaghiFN、莱德斯马-卡巴约MJ，等。CT图像中的肺动脉-静脉分类乌辛深学习。 IEEE恍惚迈德影像学2018;37（11）：2428-40。[18] 朱W、黄Y、曾L、陈X、刘Y、钱Z、等。解剖学网：深度快速全自动全音量分段头和的学习颈部解剖。迈德·菲尔斯2019;46（2）：576-89。[19] 黄P、朴S、颜R、李J、楚LC，林CT，等。电脑的加值─小肺早期肺癌的CT影像特征辅助诊断结节：附加病例对照研究。放射学2018;286（1）：286-95。[20] Ardila D、Kiraly AP、Bharadwaj S、Choi B、Reicher JJ、彭L，等。端到端的肺癌筛查与低剂量下的三维深度学习胸部电脑断层扫描。灌浆面灌浆面2019;25（6）：954-61。[21] 埃斯特瓦A、库普雷尔乙、诺沃阿尔A、高J、斯韦特公元前，布劳嗯，埃及艾尔。 皮肤科医生-用深度神经网络进行皮肤癌分级。《自然》2017;542（7639）：115-8。[22] 拉哈尼P，孙达拉姆B。胸部放射成像的深度学习：自动化用卷积神经对肺结核病的分类网络。放射学2017;284（2）：574-82。[23] 吴W、李X、杜P、郎G、徐M、徐K等。诊断肺结核病的深度学习系统代定量CT报告。 2019. arXiv：1910.02285v1。[24] 李