深度学习技术下的快速COVID-19检测器：基于X射线图像的医学应用

医学信息学解锁22（2021）100506FCOD：基于深度学习技术的Amir Hossein Panahi，Alireza Rafiei，Alireza Rezaee*德黑兰大学新科学和技术学院，伊朗德黑兰A R T I C L EI N FO保留字：深度学习COVID-19检测医疗应用图像处理放射学图像胸部X光图像A B S T R A C T突如其来的COVID-19大流行因感染率和死亡率而引起全球严重关注。这是一种危险的疾病，最近已成为现代最大的危机。由于检测试剂盒的限制以及对患者进行筛查和快速诊断的需要，有必要执行自我操作的检测模型作为快速识别系统，以检测COVID-19感染并防止在人群中传播。在本文中，我们提出了一种称为快速COVID-19检测器（FCOD）的新技术，可以使用X射线图像快速检测COVID-19。FCOD是一种基于Inception架构的深度学习模型，使用17个可分离卷积层来检测COVID-19。与标准卷积层相比，依赖可分离卷积层降低了计算成本和时间，并且可以减少参数数量。为了评估FCOD，我们使用covid胸部X射线数据集，其中包含940个公开可用的典型胸部X射线图像。我们的研究结果表明，FCOD可以在0.014 s内为每个病例提供96%，96%和0.95%的准确度，F1评分和AUC。所提出的模型可以作为一个支持性的决策系统，以协助放射科医生在诊所和医院，以筛选病人立即。1. 介绍冠状病毒病（COVID-19）是一种普遍流行病，于2019年12月由中国武汉的一名中国医生发现[1]。在电子显微镜下，这些病毒的形状类似于日冕;因此，研究人员称它们为CoV [2]。冠状病毒家族可导致严重感染和疾病，如中东呼吸综合征（MERS-CoV）和严重急性呼吸综合征（SARS-CoV）。2020年2月，世界卫生组织（WHO）因病毒类型而将其称为COVID-19大流行[3]。截至2020年10月20日，它已导致全球超过4000万例感染和超过100万例聚合酶链反应（RT-PCR）检测痰冠状病毒识别因此，医学成像模式，如计算机断层扫描（CT）和胸部X射线（CXR），可以是检查阳性COVID-19感染的重要任务，特别是关于孕妇和儿童[5，6]。在先前的一些研究中，已经研究了体积CT胸部图像，以识别COVID-19 [5，7]。使用CT方法的主要限制是成本高且耗时[8]。相比之下，大多数诊所和医院都可以使用X光系统其用于生成患者胸腔的二维可视化图像通常，CXR方式是首选，它有助于放射科医师识别胸部病理。根据COVID-19的情况，CXR方式正在用于检测COVID-19 [5，9]。因此，本研究的重点完全是使用X射线成像来潜在地检测COVID-19患者。图1显示了COVID-19肺炎患者病例一周的胸部X射线图像。与X射线相比，使用CT时，患者可能会受到更多的辐射。因此，在某些情况下，建议使用X射线图像[8，10]。计算机辅助诊断（CAD）系统已被扩展以克服这一限制，并帮助医生自动识别X射线图像中重要器官的可疑疾病[11，12]。这些系统主要由快速和先进的计算机技术（如CPU，GPU和TPU）支持，用于操作医疗视觉计算算法，包括图像增强，分类，分割和肿瘤检测任务[13在几个医疗领域，人工智能（AI）方法，如深度神经网络和机器学习，成为高级CAD应用程序的核心。近年来，深度学习方法通过自动检查多模态医学图像来鼓励结果执行放射任务[16深* 通讯作者。电子邮件地址：arrezaee@ut.ac.ir（A.Rezaee）。https://doi.org/10.1016/j.imu.2020.100506接收日期：2020年10月21日;接收日期：2020年12月15日;接受日期：2020年12月16日2020年12月24日在线提供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/imuA.H. Panahi等人医学信息学解锁22（2021）1005062学习技术是鲁棒的神经网络结构之一以直观的方式在几个实际应用中使用，例如图像分割和分类[19]。通过为临床医生开发辅助工具，在医疗领域使用机器学习技术进行自动分析获得了新的声誉[20深度学习技术是人工智能的现代研究领域之一，它提供了端到端方法的开发，以在没有方便的特征利用的情况下，应用输入信息来实现承诺的结果[25，26]。然而，深度学习方法已被广泛用于各种挑战，如皮肤病分类[27，28]，心律失常识别[29-COVID-19疫情的快速发展需要开发基于AI方法的自动检测算法。由于不同地区的放射科医生数量有限，因此为每家医院提供专科临床医生是一项挑战。此外，准确、快速和简单的AI算法可以解决这个问题，并为患者提供实际帮助。放射科医生在这一领域的广泛经验起着关键作用;在放射学中，AI设备可能有助于获得精确的诊断[ 39 ]。此外，人工智能程序在减少诸如可能的RT-PCR检测试剂盒数量不足和检测成本等缺点方面可能是有价值的。在本文中，我们提出了一种快速准确的深度学习模型，用于从X射线图像中检测COVID-19。尽管功能重叠，但拟议的智能网络可将COVID-19和正常病例分为不同类别。在COVID-19的情况下，早期发现在疾病的处理中起着至关重要的作用。目前，对患者的检测是通过一套实验室实验来进行的。这些实验是一个耗时的过程，需要商业试剂盒。此外，研究人员确认，将实验室结果与临床影像特征相结合，早期发现COVID-19 [40放射学数据，例如从COVID-19病例收集的图像，包括诊断和治疗的有价值数据。一些分析发现，自COVID-19症状出现以来，胸部X线和CT图像存在差异[43]。因此，在COVID-19的情况下，替代检测方法至关重要。Inception网络被称为深度卷积神经网络（DCNN）模型之一，在分类任务中最初的Inception模型是图像处理任务中最流行的学习架构之一[44]。在这项研究中提出的模型是基于先启结构。然而，我们的创新是中间层改变了基础，tally，这是一种新的鲁棒分类模型。1因此，本研究将提出一种新的深度学习分类器的鲁棒框架，作为一种高级辅助工具来帮助放射科医生。它可以在诊所和医院的X射线图像中自动检测COVID-19。本文的总体贡献综述如下：设计一个基于深度学习的新框架来协助COVID- 19检测。分析建议的分类器架构，通过使用胸部X射线图像对COVID-19病毒进行分类，以实现更低的成本处理和预测时间。报告所提出的DCNN分类器模型的结果。拟议的框架支持研究人员为CAD设备开发高级人工智能方法，以防止新冠病毒的传播。本文的其余部分组织如下：第二部分给出了相关工作的回顾。第3节介绍了包含拟议模型的系统架构。我们在第4节中分析了所建议的算法的结果。最后一节给出了结论和讨论。2. 相关作品许多类型的研究都集中在COVID-19的诊断上。在大多数研究中，深度神经网络方法被应用于胸部X射线模型，以识别传染性和准确的结果。参考文献[47]中提出了一种基于预训练传输架构（ResNet 50 [45]、InceptionV 3 [44]和Inception-ResNetV 2 [46]）的DCNN模型，该模型可以从胸部X射线图像中预测冠状病毒感染。所提出的基于CNN的模型从被分类为两类（COVID-19和正常情况）的X射线图像的小样本中显示出优异的预测性能和准确性。此外，为了控制信息和训练时间的不足，ImageNet数据集使用了迁移学习方式[48]。结果证实了ResNet50模型的训练和测试等级对的优越性准确性。Abbas等人提出了一种基于类分解和迁移学习的新CNN模型，以在预训练模型上获得更好的X射线图像分类性能[49]。所提出的结构被称为DeTraC，包括三个阶段。在第一阶段，使用ImageNet预训练的CNN进行局部特征提取。在第二阶段，随机梯度下降（SGD）优化方法用于训练。最后，通过误差校正，调整类别组合层以用于图像Fig. 1. 一名50岁的COVID-19患者一周多的胸部X光图像。与softmax层相关的标准。应用ResNet18 [45]预训练的ImageNet架构，结果显示准确率为1Edgar Lorente，COVID-19 pneumonia - evolution over a week，https：radiopaedia.org.胸片诊断符合率为95.12%。Wand等人介绍了一种名为COVID-Net的DCNN，它可以检测····A.H. Panahi等人医学信息学解锁22（2021）1005063××W×∑=̂×来自CXR图像的COVID-19患者[50]。该体系结构设计包括人机协同设计方法和机器驱动的设计探索两部分。一个轻量级的残留物表1数据集类的宽度和高度的统计平均值、最小值和最大值。该体系结构采用了PEPX（projection-expansion-projection-extension）设计模式。此外，解释能力驱动的考试是类型图像计数最小宽度最大宽度最小高度最大高度执行 为 决定 验证。 的 模型 结果呈现高Hemdan等人提出了一种从胸部X射线图像中对COVID-19疾病进行分类的结构，该结构包含7个名为COVIDX-Net的图像分类器，Den-seNet201和VGG 19分类器的性能和准确性均达到90%[51]。Hassanien等人提出了一种利用多级阈值和SVM检测肺部X射线图像中COVID-19的分类方法[52]。他们的算法在40个对比增强的肺部X射线图像上进行了测试。其分型方法的敏感性为95.76%，特异性为99.7%，准确性为97.48%。Zhang等人提出了一种在CXR图像上形成的新型深度异常检测方法，用于COVID-19的筛查[53]。该网络由若干部分组成.提取图像的高层特征，然后将其作为输入。分类部分用于图像分类，并且由100个 神 经 元 的 隐 藏 卷 积 层 组 成。 标 量 异 常分 数 在 异 常 检 测 部 分（COVID-19病例）中生成。所建议的架构达到了假阳性率。结果表明，特异性和敏感性分别为70.65%和96.00%。3. 材料和方法3.1. 数据集在这项研究中，我们使用了一个存在于GitHub存储库中的公开可用的数据集，该数据集由参考文献[54]收集。这数据集包括感染COVID-19、SARS、肺孢子虫和其他类型肺炎的患者的X射线图像。我们刚刚分析了940个COVID-19和非COVID-19 X射线病例，并将其分为两部分，80%用于训练，20%用于测试模型。在图2中示出了数据集的一些示例。统计特征（平均值，最小值， 和 最大值） 的数据集的 图像 则载列图二. 数据集的一些例子。第一排是正常病例，第二排是COVID-19病例。2https://github.com/ieee8023/covid-chestX ray-dataset。COVID平均值- 180.5 2262 190 2262表1.3.2. 数据增强数据增强是深度学习中应用的一种流行操作，它扩大了可用训练/测试数据的数量[55]。在这项工作中，由于缺乏所需数量的可用样本，数据增强技术是由图像数据生成器完成的训练任务。变换函数在20像素的范围内应用随机旋转，在0.2像素的范围内应用宽度和高度移位操作，在0.8和1.2，以及水平翻转。ImageDataGenerator最终为该模型的训练阶段生成了3760张图像。数据增强改善并增强了网络的学习能力。数据增强是通过增加训练样本数量来防止网络过度拟合的有效方法[56]。3.3. 相关可分卷积层CNN可以自动提取特征，并使网络以高性能完成处理。由于大量的参数，CNN对计算成本和网络过拟合有一些限制。CNN的这些局限性可以通过使用早在2014年就已在神经网络中使用的深度可分离卷积来改善[57]。依赖可分离卷积减少了计算成本、时间和参数的数量。他们使用卷积神经过程，同时提高代表性的性能。可依赖分离的卷积层减少了在给定步骤中操作所需的参数数量，并且它们在图像分类算法中更成功地实现了更好的模型。标准卷积在一个步骤中执行通道和空间计算。然而，我们提出的网络是基于深度可分离卷积，一个标准的3 3卷积层分为3 3深度卷积和1 1逐点卷积。依赖可分离卷积层将计算分为两步：依赖卷积和逐点卷积。依赖卷积对每个输入通道使用卷积滤波器，逐点卷积用于混合得到的输出通道。图3显示了标准卷积和深度可分离卷积的比较。假设K是标准卷积滤波器，其大小为W×F是输入特征图，其大小为Df×Df× M。通过对输入特征图应用标准卷积，产生大小为Df×Df×N的输出特征图O，Ok，l，nKi，j，m，n<$Fk+i-1，l+j-1，m（1）i，j，m在深度可分离卷积中，这种计算分为两个级别。第一级使用3 × 3的去卷积K来输入通道，O<$k，l，m=∑K<$i，j，m，n<$Fk+i-1，l+j-1，m（2）i、j灵敏度和精密度分别为87.1%和96.4%，COVID43513743001564300COVID-19病例。非-505224224224224A.H. Panahi等人医学信息学解锁22（2021）1005064∑=×==图三. （a）标准CNN。(b)依赖可分离CNN。在深度可分离卷积中，标准卷积层分为两个不同的级别。Depressive卷积在单个深度切片中执行卷积，而逐点卷积则在整个深度上合并信息第二级施加11逐点卷积K，以便合并总输出，Ok，l，nKm，n<$Ok-1，l-1，m（3）M逐点卷积和去卷积在产生新特征方面具有不同的任务：第一个用于获得通道相关性，而第二个用于获得空间相关性。3.4. 激活函数ReLU（Rectified Linear Unit）是一种用于神经网络模型的非线性激活函数，定义为：f（x）=max（0，x）（4）其中x是输入参数。如等式（4）所述，零和函数输入之间的最大值是ReLU输出。当输入值为负时，输出等于零，当输入值为正时，输出为x。因此，等式（4）重新处理如下：层次。中间部分合并了12个独立的可分离卷积层。第一部分和中间部分之后都是批量归一化。此外，批量归一化可以实现显著的梯度，并且结果显示收敛速度更快[58]。在16个可分离卷积层之后使用dropout层，dropout比率为0.2 [59]。该网络以全局平均池（Global Average Pooling）结束，这是一个可分离卷积层，两个全连接（FC）层和一个softmax激活函数。3.6. 模型训练损失函数是一种分类交叉熵，它通过更新网络的权值来优化算法。分类交叉熵用于多类分类任务，以预测N个类上RMSprop 优 化算 法 用 于训 练 模 型[60] 。 我们 已 经 设置 了 100 个epoch，16个批量大小，以及0.001训练我们的网络。3.7. 分类性能0，如果x0

下载后可阅读完整内容，剩余1页未读，立即下载