基于CNN的深度学习识别胸部X射线中的新冠肺炎感染状态

智能系统与应用16（2022）200130使用基于CNN的架构从胸部X射线图像中识别Covid-19感染状态的深度观察ParthoGhose *，a，Md. Ashraf Uddin a，Uzzal Kumar Acharjee a，Selina Sharmin a计算机科学与工程系，Jagannath大学，孟加拉国达卡A R T I C L EI N FO保留字：冠状病毒（COVID-19）分类深度学习胸部X光卷积神经网络（CNN）A B S T R A C T近年来，冠状病毒（COVID-19）已演变为世界上主要的威胁生命的严重病毒性疾病之一自动执行的协议系统可能是阻止新冠病毒传播的更好选择，因为它具有快速诊断选项。许多研究已经调查了各种深度学习技术，这些技术对快速准确地早期检测Covid-19有着重大影响。然而，大多数现有技术尚未使用大量数据进行训练和测试。在本文中，我们的目的是利用深度学习技术使卷积神经网络（CNN）能够从胸部X光片中自动诊断新冠肺炎。为了训练和测试我们的模型，收集了10,293张X射线，包括2875张新冠肺炎的X射线，作为一个数据集。应用的数据集由三组胸部X光片组成：新冠肺炎、肺炎和正常患者。所提出的方法实现了98.5%的准确性，98.9%的特异性，99.2%的灵敏度，99.2%的精确度，和98.3%的F1评分。使用胸部X光片（特别是人眼）区分新冠肺炎患者和肺炎患者至关重要，因为这两种疾病具有几乎相同的特征。为了解决这个问题，我们使用X光对新冠肺炎和肺炎进行了分类，准确率达到99.60%。我们的研究结果表明，所提出的模型可能有助于临床医生和研究人员快速检测新冠肺炎患者，从而促进新冠肺炎患者的治疗。1. 介绍武汉是中国湖北省的商业中心，2019年爆发了新型冠状病毒。中国研究人员将这种新型病毒称为2019新型冠状病毒（2019 n-Cov）或武汉病毒（Singhal，2020）。全球病毒知识界将其称为冠状病毒2型严重急性呼吸综合征（SAR-S-CoV-2），甚至是2019年流行性冠状病毒感染（Covid-19）（Lai et al.，2020年; Li等人，2020; Sharfstein等人，2020年）。冠状病毒已经在主要暴露于作为野生动物的蝙蝠和大鼠的人类中引起疾病（Loey等人，2020 b; Rabi等人，2020; York，2020）。新型冠状病毒肺炎是一种由不可抗拒的来源引起的疾病，这种来源会使肺部发炎。尽管RT-PCR测试（Wang等人，2020 b）是目前识别新冠肺炎感染的最可靠方法，这是一个漫长、艰难和复杂的手动过程，而且检测试剂盒供应不足。此外，它涉及鼻咽拭子，这是不舒服的病人，而采取的样本。相比之下，X射线分析可以是一种替代的适当方法因为它涉及低成本，具有广泛的应用范围，并提供快速检测COVID-19。因此，这种方法可以消除与RT-PCR测试相关的问题 利用X射线图像对于筛查和诊断Covid-19病例至关重要，因为Covid-19靶向人类肺上皮细胞，X射线是确定患者肺部健康状况的宝贵工具（Bassi和Attu x，2022; Ghose等人，2021; Pham，2021; Rahman等人，2021;Wang等人，2020年a）。在没有人为干扰的情况下，卷积神经网络（CNN）能够发现和导出特征，并自行描述非常复杂的非线性运算。在监督训练过程之后，它仅基于输入数据进行操作。ImageNet大规模视觉识别挑战赛（ILSVRC）报告了一个众所周知的场景，即在2015年对图像进行分类的任务中，模型的输出超过了人类水平（He et al.，2015年）。除此之外，深度学习还成功应用于许多领域，因为它具有自动特征提取的卓越能力和出色的性能，例如，人类活动识别（Cheng et al.，2022; Huang等人，2021，2022; Tang等人， 2022）、基因调控网络的重建（Biswas et al.，* 通讯作者。电子邮件地址：parthoghosh92@gmail.com（P. Ghose），mdashrafuddin@students.federation.edu.au（Md.A.）Uddin），uzzal@cse.jnu.ac.bd（联合王国）Acharjee），selina@cse.jnu.ac.bd（S.Sharmin）。https://doi.org/10.1016/j.iswa.2022.200130接收日期：2022年5月31日;接收日期：2022年9月19日;接受日期：2022年9月22日2022年10月6日在线发布2667-3053/© 2022作者。爱思唯尔有限公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表智能系统及其应用杂志主页：www.journals.elsevier.com/intelligent-systems-with-applicationsP. Ghose等人智能系统与应用16（2022）20013022022），出租车流量的时间预测（Lv等人，2021 b）和城市交通可视化技术（Lv et al.，2021年a）。许多研究人员（Biswas等人，2022; Abdul Salam等人，2021;Akter等人，2021; Mahbub等人，2022 b）已经提出了基于CNN的Covid-19检测方法。例如，Akter et al. （2021）提供了一种基于深度学习和卷积神经网络的自动分类方法，显示了快速的COVID-19检测率。训练数据集包括3616张COVID-19胸部X射线图像和10，192张健康胸部X射线图像。 Abdul Salam等人（2021）开发了两个机器学习模型，其中一个是联合学习模型，另一个是标准机器学习模型，以显示使用描述性数据集和来自COVID-19患者的胸部X射线（CXR）图像检测COVID-19的准确性比较。Agrawal和Choudhary（2022）提出了一种基于深度卷积神经网络的架构，用于利用胸部X射线摄影检测COVID-19。他们使用了相当大的数据集，并从他们的模型中获得了有希望的准确性。Biswas等人（2022）收集了许多公开可用的独特COVID-19X射线和CT图像数据集。他们评估并比较了他们建议的22层卷积神经网络模型与ResNet-18和VGG 16的性能。这项研究旨在开发一种基于深度学习的范式，通过分析症状或X光异常的存在，将Covid-19患者与健康和正常个体区分开来。 我们打算为放射科医生和医疗专业人员提供一种低成本的方法，以交叉检查他们的解释，并确定任何潜在的结果，否则可能会错过。此外，我们设计了一种筛查方法，可以帮助放射科医生轻松识别Covid-19、细菌性或病毒性肺炎以及正常人的X射线部分。我们研究了放射学会、kaggle、gitthub等网站和其他研究人员新生成的数据集。这个数据集为我们提供了训练和测试我们的分类架构所需的标记数据。然后，我们从收集的X射线中制作了两个数据集（datset-1和datset-2）。数据集-1包含三类X射线图像，即Covid-19、正常和肺炎患者图像，而数据集-2由Covid-19和肺炎图像组成。本文的贡献可归纳如下：• 收集和预处理X射线数据，构建基于CNN的架构以识别Covid-19患者首先，我们训练我们的系统分类三类X射线图像。利用我们的架构，我们可以识别3类（Covid-19、正常和肺炎）的胸部X射线图像，准确率为98. 5%。对于两类分类，我们训练我们的模型来区分Covid-19患者和肺炎患者，这是非常必要和关键的。我们所述的架构表现出良好的性能，在dataset-2上获得了99.60%的准确率。最后，应用梯度类激活图（Grad-CAM）技术从X射线中定位典型特征，以辅助检测案例的视觉解释决策。本文的其余部分概述如下：在第二部分，文献综述描述，同时简要讨论我们的问题陈述在第三部分。我们提出的Covid-19检测系统的方法在4中讨论。最后，展示了第五章和第六章的研究成果，并对我们的研究进行了总结，提出了未来的研究方向。2. 文献综述最近，许多研究人员探索了不同的深度学习方法，利用CT扫描和X光等临床数据来识别新冠肺炎例如，Alqudah等人（2019年）应用机器学习方法构建了一种工具，用于从胸部X光片中对Covid-19进行分类。他们应用了几种分类算法，如SVM和RF对X射线图像进行分类。他们声称准确率为95.2%，特异性为93.3%，敏感性为93.3%。这种方法的挫折在于，机器学习算法不适合处理像X射线这样的图像出于这个原因，许多深度学习方法已被应用于从图像中检测COVID-19的研究中。接下来要提到的是，Loey等人（2020 b）提出了一种生成对抗网络（GAN）来使用X射线检测Covid-19。为了识别Covid-19，该系统探索了三个预先训练的模型：GoogleNet，Rest-NeT 18和AlexNet。在这四类案例中，GoogleNet被选为强大的DL技术，作者获得了80.测试三个类别分类的相比之下，AlexNet在三个类的情况下达到然而，他们的模型是使用有限数量的X射线训练的同样，Horry等人（2020年）设计了一种深度学习模型，使用胸部X射线识别新冠病毒，并将其输入预先训练的算 法 。 对于X 射 线 分类 ， 推 荐 的系 统 使 用 Inception 、 ResNet 、Xception、VGG16和VGG19。该模型使用的数据集是通过收集322张肺炎患者的图片，115张Covid-19病例的图像和6162张普通个体的图像生成的。VGG16和VGG19分类器都具有80%的灵敏度和准确度，这对于这种敏感的传染病来说并不那么有Bhattacharyya等人（2022）再次建立了一种方法，利用X光图像有效区分新冠肺炎患者和健康人。他们使用基于深度学习的分割过程对X射线进行分割，然后将数据输入分类模型以增强结果。应用条件生成对抗网络（GAN）来分割肺部图像，并通过使用piX el到piX el方法使用可用的地面真实掩模进行训练。最后，他们使用了几种ML算法，包括soft-max，RF，SVM和XGBoost来对图像进行分类。VGG 19架构结合BRISK关键点挖掘方法（以RF作为分类层）的准确率为96.6%。Ucar和Korkmaz（2020）引入了一种基于深度CNN的Covid-19检测系统，该系统利用X射线图像。用于训练模型的数据集包括1583张正常病例的图像，4290张肺炎病例的图像，76张Covid-19病例和Covid-19病例的图像，模型达到了98.3%的准确率。然而，数据集并不足以在现实生活中采用该模型。与此同时，Apostolopoulos和Mpesiana（2020）也提出了一种采用CNN的迁移学习技术。这种方法可能通过分析胸部X光片的关键特征来有效识别新冠肺炎患者该方法 使 用 五 个 CNN 模 型 对 Covid-19 图 片 进 行 分 类 ， 即 Inception ，InceptionResNetV 2，VGG 19，Xception和MobileNet。选择VGG19作为获得最高结果的主要模型他们使用了700张肺炎患者的图像，224张Covid-19患者的图像和504张普通人的图像作为数据集。相比之下，Bandyopadhyay和Dutta（2020）提供了 一个完全采用LSTM-GRU来描述确诊、出院、阴性病例和死亡病例的新方法原始系统对确诊病例的准确率为8%，对阴性患者的准确率为67.8%，对死亡病例的准确率为62%，对出院病例的准确率为40.5%。Khan等人（2020）提出了一种增强的DL网络，通过肺部X射线自动检测Covid-19病例。这项研究使用了1248张图像作为数据集，结合了新冠肺炎病毒、细菌性肺炎和普通个人在新型冠状病毒肺炎疫情中，建议的方法实现了93.5%的准确性、97%的精确性和100%的灵敏度为 了 使 用CT 扫 描 区 分Covid-19 病 例 与 正 常病 例 ， Singh 等 人（2020）应用了深度迁移学习模型VGG。在这种方法中，特征提取使用主成分分析（PCA）与四个不同的分类器进行分类。使用Bagging集成方法和SVM分类器，发现以下性能指标：95.6%的准确率，94.8%的精度和96.3%的F1分数。同样，Ahuja等人（2021）提出了一种采用三阶段方法的迁移学习技术。几个预先训练好的···P. Ghose等人智能系统与应用16（2022）2001303方法与利用ResNet18模型的增强图像进行拟合，以指示图像的不规则性，导致99.4%的测试用例准确度。Alshazly等人（2021）展示了一种使用胸部CT扫描训练的深度学习模型，使这一过程更加快速和自动化。一些研究人员试图通过结合多种模型来更可靠地检测covid19例如，Aslan et al. （2021）有效地合并了两个预训练的Alexnet架构（迁移学习和BiLSTM层），用于检测Covid-19。他们声称，拟议的混合系统显示出比任何单一模型更高的Covid-19检测此外，Ter-Sarkisov（2022）提出了一种COVID-CT-MaskNeT模型，使用胸部CT扫描图像预测Covid-19，他们通过仅训练模型参数的一小部分，获得了Covid-19病例的90.80%灵敏度，肺炎病例的91.62%灵敏度，平均准确率为此外，Karthik et al. （2021年）实施了基于CNN的定制系统来区分Covid-19实例，它可以为每种类型的肺炎采用不同的卷积过滤器模式。为了预防流行病和增加产量，Lv等人（2021 a）引入了深度学习模型。为了预测中国有影响力城市的城市交通振兴指数，他们使用深度学习构建了DeepTRI。在大流行期间，旅行是一个大问题。因此，考虑到环境因素的旅行需求预测是一个重要因素，并且牢记这一点（Xu等人，2022）提出了一种基于深度学习的出行需求预测系统。深度学习也在许多医疗领域得到了成功应用。例如，PreRBP-TL用于重建基因调控网络和预测基因组特性，例如可接近区域、染色质连接和TFBS（Biswas et al. 2022年）研究人员还探索了各种各样的系统，可以有效地从胸部X光检查中检测出新冠肺炎患者。上述讨论表明，深度学习，主要是卷积神经网络（CNN），在识别和表征医学成像中的Covid-19感染方面发挥着至关重要的作用。因此，本研究旨在探索深度学习从X射线图像中检测Covid-19。表1简要介绍了几种最先进的作品。表1评估DL方法用于Covid-19识别的研究。使用的研究人群模型准确度（%）3. 问题陈述新型冠状病毒，就像所有其他细菌或病毒一样，已被证明会导致一些患者的肺炎。然而，这些案件的处理方式完全不同。如果一个人被发现生病，在诊断的同时采取某些预防措施。在新冠病毒感染的情况下，需要采取将患者隔离几天等预先警告措施，以低估感染某人的风险。同样重要的是要弄清楚COVID-19在全球不同地区的分布情况，并采取必要措施尽量减少传播。因此，准确和及时地检测由Covid-19病毒引起的肺炎是最大的问题。世卫组织批准的冠状病毒检测工具是反向传递聚合酶链反应（RT-PCR）方法，其中分析并复制或强化短DNA或RNA序列（Corman etal.，2020年）。为了找出冠状病毒的可能性，特定的个人需要一个以上的测试。世卫组织实验室研究人员证实，RT-PCR测试中的阴性结果并没有忽视先前感染的个体可能携带病毒的机会（Liu et al.，2020年）。因此，在这种情况下，需要快速测试，这可以通过使用X射线来实现。除此之外，新型冠状病毒扫描工作站和研究工具包供应不足，对医生和人员应对问题造成了重大负担。在这种情况下，快速有效地识别可疑的Covid-19需要使用试剂盒进行多次检查，以确保患者的适当感染状态，从而做出可接受的决定，这种情况通常呈指数增长此外，早期发现潜在的Covid-19病例是一种关注，因为它包括公共卫生保护和流行病预防。任何无法发现由Covid-19病毒引起的疾病的情况都会导致死亡风险上升。这意味着感染病毒和开始出现疾病迹象之间的时间是1-14天。这使得诊断Covid-19疾病变得非常困难，伴随着个人的健康状况处于非常初步的阶段。为了克服所有这些困难，使用X线诊断可能是一个很好的选择。具体目标如下：帮助放射科医生和医学专家识别多个X射线之间的缝隙和缓慢变化，否则可能会被忽视。由于放射科医生的昂贵费用，许多欠发达国家的人无法访问他们。该工具可能有助于将胸部X光片解释为新冠肺炎、肺炎或正常。Loey等人（2020年a）Alshazly等人（2021年）760 CT扫描CGAN，AlexNet，GoogleNet，VGGNet16，VGGNet19，ResNet50 2482 CT扫描SqueezeNet，ResNet50，InceptionV3、ResNet101、ResNeXt50、ResNeXt101、Xception、DenseNet169、DenseNet20182.993.7由于COVID-19和肺炎在性质上非常相似，因此很难用肉眼区分它们。出于这个原因，我们构建并训练了我们的模型，以使用X射线对新冠肺炎和肺炎患者进行分类。4. 研究方法Maghded等人（2020年）实时CT扫描图像智能手机、车载传感器、ML模型N/A本节介绍了本文的主要贡献：所提出的方法的架构设计和开发。主要拉赫赛尼等人（2021年）4986次CT扫描DenseNet121、DenseNet201、VGG16、VGG1997.8本文提出的方法的想法是提高从胸部X光数据集中检测Covid-19患者Panwar等人（2020年）337X射线nCOVnet 97.974.1. 方法和材料Aslan等人（2021年）2905X射线mAlexNet BiLSTM（Hybrid）架构97.70COVID-19检测整体系统的艺术品主要是Purohit等人（2022年）5220 CT扫描深度学习96.47由图中所示的多个阶段组成。1.一、巴西和阿图什（2022）Mahbub等人（2022年a）2064X射线深CNN 99.021200X射线定制DNN 97.87在快速时，原始X射线图像在预处理流水线中给出，用于执行预处理任务，如缩放、归一化、翻转、缩放和旋转。在预处理阶段之后，数据集被分成训练集和测试集。然后，训练数据用于训练所提出的架构。在每一个历元之后，Gaur等人（2021年）3106X射线EfficientNetB0，VGG16，InceptionV392.93···P. Ghose等人智能系统与应用16（2022）2001304确定训练和验证。随后，使用评估指标评估有效性：混淆矩阵，准确性，P. Ghose等人智能系统与应用16（2022）2001305Fig. 1. 新冠病毒检测系统的工作流程包括：数据收集、数据预处理、CNN模型设计和评估。灵敏度、特异性、F1评分、精密度和使用ROC的AUC。4.1.1. 数据收集和描述由于新型冠状病毒（COVID-19，即2019冠状病毒病）是最近才出现的，几乎没有任何大型档案包含任何COVID-19标签数据。因此，我们必须依赖各种成像来源，包括正常、肺炎和Covid-19病例。对于Covid-19病例，从后续网站收集了2875张X光照片：GitHub（Cohen et al.，2020）和Kaggle（Patel，2020）。对于肺炎和正常病例，从Kaggle存储库中获取4200和3218张X射线图像（Mooney，2017; Patel，2020）。我们总共收集了10,293张X光照片.之后，图像将重新整形为224X 224PIXel分辨率。每类的一些X射线照片的描述如图所示。 二、我们的目的是使我们的模型更健壮。出于这个目的，我们从收集的数据中制作了两个数据集，并使用这两个数据集训练了我们的staed模型。一个（数据集-1）用于三个类别，组合了表2中所示的Covid-19、正常和肺炎患者的X射线图像，另一个（数据集-2）用于两个类别，组合了表3中所述的所有Covid-19和肺炎X射线。4.1.2. 图像预处理通常执行图像的预处理以增强模型的效率。在我们的工作中，我们也进行了一定的预处理活动，以产生更好的性能.本节列出了本研究中使用的预处理技术。A.1 调整图片大小以捕获中心部分并删除黑条通常，CNN使用方形图像作为细节。我们的胸部X射线数据收集是从不同大小的各种源数据集获得的。所以，为了满足网络的需求，我们必须将照片的比例改为正方形格式。 但正如图中所见。 3、它会导致图像.为了避免从图像中删除可用数据，我们希望避免输入图像的失真。因此，我们使用了Pasa等人（2019）引入的技术来移除中心区域并删除黑条。图4描绘了预处理的图像图二、数据集的一些X射线图像。表2数据集-1：三类数据集（Covid-19、正常和肺炎患者）。数据集正常COVID肺炎总列车组2606230034028308验证集290288378956测试集3222874201029总32182875420010,293表3数据集-2：两个类别的数据集（Covid-19和肺炎患者X线）。数据集COVID-19肺炎总列车组230034025702验证集288378666测试集287420707总287542007075图三. 由于图像被调整为正方形而导致的失真。(a)显示COVID患者的原始X射线形式;（b）以方形显示重新采样的图像。见图4。预处理应用于所有数据集文件。(a)显示新冠病毒感染者的原始X光片（b）显示预处理图像的方形。执行以下操作：1. 如果在图像的边缘出现任何黑带，则将其丢弃。2. 直到大约最小边界计数224像素，图像的维度被变形。3. 将224X 224 piX el核心区域重新配置。A.2 正常化这些照片随后被标准化，并在最后阶段转换为适当的数据格式。原始图像中的单个像素存储为Unit8类型，值范围为0到255。必须为Keras模型提供float32类型的数据。因此，必须对经过预处理的照片进行转换。它也被缩放到0到1的范围。为了归一化图像，将每个PIXEL除以uint8的最大值，即255。A.3 数据增强深度学习方法，如CNN，如果使用大量图像，也会提供有利的解决方案。因此，数据P. Ghose等人智能系统与应用16（2022）2001306×=增强在开发基于CNN的系统中具有价值。出于这个原因，在训练时，我们执行了相应的数据增强操作：• 5到10度的自发旋转。• 在大约+10%和-10%的范围内缩放• 水平翻转。4.1.3. CNN模型开发本文建立了一个系统，使用三种类型的X射线图像系统地诊断新冠肺炎事件。用于Covid-19检测的建议CNN模型架构如图所示。 五、提出的CNN模型有五个卷积块。每个卷积块具有多个层，并且每个层具有一个称为整流线性单元（ReLU）的激活函数。第三块和第四块有一个dropout层，以减少过度拟合问题。使用了两个全连接层（FCN），第一个FCN与dropout层一起使用，最后一个FCN层与softmax分类器连接A.1 卷积层该模型的每个卷积块都有多个卷积层。第一个卷积块的名称由conv 1-layer 1，conv 1-layer 2组成类似地，第二卷积块conv 2-layer1、conv 2-layer 2，第三卷积块conv 3-layer 1、conv 3-layer 2，第四卷积块conv 4-layer 1、conv 4-layer 2，以及最后的第五卷积块conv5-layer 1、conv 5-layer 2。第四块和第五块有一个额外的dropout层，以减少过拟合问题。Conv1块总共使用了32个过滤器，每个过滤器的大小为5X 5。Conv2块总共使用了64个过滤器，每个过滤器的大小为3X 3。Conv3块总共使用了128个过滤器，每个过滤器的大小为3X 3。Conv4块总共使用了256个过滤器，每个过滤器的大小都是3X3，同样，Conv5块总共使用了512个过滤器，每个过滤器的大小都是3X 3。由卷积层执行的功能过程如下：Σ（x，y）=（I×β）（x，y）=∑∑I（x+m，y+n）β（m，n）（1）其中，输入矩阵X用I表示，大小为m×n的2D滤波器用β表示，并且β表示2D特征映射I β描述卷积层的操作。A.2 修正线性单元每个卷积层都有一个激活函数。在这里，该模型使用了整流线性单元（ReLU）激活函数。ReLU层用于特征映射以增加非线性。通过将阈值保持为零，ReLU激活神经元。数学表述如下：（α）=max（0，α）（2）A.3 零填充层这一层的应用是零到左，右，顶部和底部边缘的图像。我们在工作中应用了1X 1零填充。A.4 池化层在ReLU层之后，我们决定应用池化层。它被用来动态地减少表示的空间大小，此外，用于减少网络中的参数和计算的数量。因此，它最终有助于最大限度地减少过度拟合问题。在不同的池化系统中，最常用的是MAX池化，过滤器大小为2× 2。A.5 丢弃层有很多方法可以控制卷积神经网络的容量，以防止过度拟合。脱落层（Srivastava等人，2014）是防止过拟合问题的主要正则化方法之一。在训练期间，dropout层随机将一些神经元的激活设置为零，并且神经元不会更新其权重。在训练时，dropout以一定的概率将神经元激活，否则将其设置为零。由于dropout，一些神经元不能学习所有的特征。在测试过程中，没有应用掉层。大多数情况下，脱落率的值，p 0.5是一个舒适的默认值。虽然这个值也可以在数据验证期间调优A.6 全连接层全连接层在一层中的每个神经元与另一层中的每个其他神经元之间创建连接。该层基本上接受输入图像或对象，并输出一个N维向量，其中N是模型或程序必须从Chang et al.（2018）中选择的给定类的数量。它的工作过程是，就像，它在前一层的输出上的方面，并确定哪些特征主要与特定的类相关联。从根本上说，一个完全连接的层会查看哪些高级特征与特定的类最强相关，并具有特定的权重，这样当我们计算权重和前一层输出之间的乘积时，我们就得到了分类值。A.7 Softmax具有损失的softmax函数（Chen等人，2014）是一种将随机实值的N维向量x压缩为从0到1的范围内的实值的N维向量（x），其总和为1。该函数如下式3所示：图五. 提出了具有细节分层视图的CNN架构。P. Ghose等人智能系统与应用16（2022）2001307J==k=-（τη+fρ）（τρ+fρ）ez（x）j=∑kez（三）5.1.1. 实验环境所提出的方法是基于0.001的学习率与25k=1j这里，j1，2，。K.对于此模型，输出特征图将针对3个类。在输出特征图中，属于预测类的piX el将为1，并且对于相同的piX el，其他类将包含零。4.1.4. 代价敏感学习我们所提出的方法侧重于基于CNN从X射线图像中自动学习特征。成本敏感学习（CSL）（Lo'pez等人， 2012）是一种机制，其中对分类问题中的每个类进行排名的方法可以受到惩罚。当使用CNN时，CSL有助于防止分类中的偏见。CSL然后协助一个工具，以克服不平衡的问题。我们选择它是因为我们的数据集是不平衡的。在此分析中，类权重的策略被应用作为一种可以想象的方式，同时准备减少数据不平衡的未来影响。我们改变类权重系统中的权重，与原始数据中的类发生率成我们使用了Sci-Kit Learn功能来完成所有这些，它获取数字以匹配以逻辑回归概念为中心类别k中的权重W k由以下等式确定：（4）、epoch编号提出的CNN是使用Python以及Keras包在1.80 GHz Intel（R）Core i5- 8265 U处理器上使用TensorFlow 2后端引入的。此外，测试是使用Google Colab提供的GPU进行的。我们应用Open CV进行图像预处理，matplotlib和seaborn用于可视化图形，sklearn用于分类矩阵，numpy和pandas。5.1.2. 将数据分为训练集和测试集我们将数据分为90%的训练图像和10%的测试图像，即1029张图像。我们进一步将训练数据分解10%以进行验证。我们对表3和表2中提到的两个数据集都进行了此过程。确保照片在测试数据集和训练数据集之间随机划分，使得两个数据集在组之间几乎均匀地划分。同样重要的是，该模型是在交替类别的教育。换句话说，它会过度拟合，这是不可取的。此外，我们进行了五重交叉验证，以检查我们的模型的鲁棒性5.1.3. 模型训练法亚当优化器用于训练改进W病例总数类别数×类别中的病例数（k）（四）具有正常性能参数（β 10. 9和β 20。999）使用大小为32的批处理，并在每个时期当匹配标准时，使用组的权重。因此，我们在损失函数中为较小的组分配较大的值。估计的损失将是加权平均值，其中Wk被定义为损失计算期间与每个类别相关的每个样本内的权重。4.1.5. 损失函数网络训练的目标是最大化实际类的概率。这是通过降低每个训练样本的交叉熵损失来实现的。在我们的工作中使用的损失函数是分类交叉熵损失。在下面的Eq。(5)指定分类交叉熵。n（p，q）=-∑Wkpklog（qk）（5）其中，k是用于训练模型的类的数量，q是Softmax函数或类k的预测概率，Wk是类k的权重。在整个数据集中。最后，添加一个名为“ReduceLROnPlateau“的有效学习在5个时期之后，我们将超参数学习率降低了0.5倍，其中检测器没有记录到改进。在正则化部分，为了减轻过度学习的后果，我们还提前停止了网络的过度学习。在所提出的模型中使用的超参数如表4所示。我们保持二元分类（Covid-19和肺炎）的参数相同对于二进制分类，我们只将最后一个密集层改为两个而不是三个。5.2. 业绩评价指标结果评价措施，包括准确度，精密度，灵敏度，特异性和F1评分，用于评估所提出的系统的性能。性能评估指标可以计算为：4.1.6. 筛选和定位病原体为了更好地理解所开发模型的最后卷积层的刺激，我们应用了加权（τρ+τη）（τρ + τη + f ρ + fη）（六）类激活映射（Grad-CAM）算法。最后一个卷积-灵敏度=τρτρ（七）任务层是唯一一个提供逻辑参数的层（+ fη）层的最终参数，以确定概率分布输出。为了构造输入文件的Grad-CAM，使用了该层的渐变。因此，Grad-CAM给出了粗略的定位特异性=（8）显示图片中最重要区域的地图（放射性特征）。5. 实验结果与讨论在本节中，我们讨论了精度=τ ρ表4（九）所提出的架构的分类效率。我们提出的系统的性能和特点也与现有的Covid-19检测工作进行了比较。5.1. 实验过程本节描述了本研究中进行的实验细节。网络的超参数超参数权重批量32分类交叉熵学习率（LR）0.001学习率乘数0.5LR平台期后衰减时代25优化器亚当准确度=σP. Ghose等人智能系统与应用16（2022）2001308--F1-评分=（2τρ2τρ+fρ+fη）（十）其中，τρ真阳性假阳性：τη真阴性和fη假阴性通常通过示意性方法评估分类结果，例如受试者工作特征曲线（ROC曲线）及其总体排名，曲线下面积（AUC）。因此，我们还计算了AUCROC。5.3. 结果分析本节讨论了我们所述模型的详细结果。首先，我们使用dataset-1（表2中给出）训练我们的模型，以查看所述模型的性能。之后，我们在数据集-2上训练我们的模型（如表3所示），以检查我们的模型是否能够正确区分Covid-19和肺炎病例。5.3.1. 三个类别分类（Covid-19、正常、肺炎）的结果：混淆矩阵使我们能够量化分类任务结果的指标。提出的CNN的混淆矩阵是-测试用例的架构如图所示。第六章在1029张测试图像中，我们建议的方法仅误解了44张图像，这些图像指示更好和更一致的真阳性和有效阴性值。因此，建议的CNN架构可用于正确分类Covid-19实例。此外，CNN分类器的性能在图1和图2中直观地显示。7和8在训练和验证阶段的准确性和损失方面。例如，在epoch数25处的训练和验证准确率分别为98.6%和97.8%。此外，建议的方法确保训练和验证损失分别为0.102和0.205。表5总结了拟定系统每种情况的一般准确度、特异性、灵敏度、精密度和F1评分。对于Covid-19病例，拟议的CNN网络实现了99.3%的准确性，99.4%的特异性，99.0%的灵敏度，99.6%的F1评分和98.0%的精确度。对正常人的诊断准确率为99.2%，特异性为99.6%，敏感性为99.0%，精确性为99.0%，F1评分为98.4%。肺炎病例诊断的准确性为96.9%，特异性为97.9%，敏感性为99.0%，F1评分为99.0%，精确度为98.2%。在正常病例中获得了最佳的准确性、特异性和敏感性。在肺炎患者中检测到最好的F1评分和精确度，以及最简单的特异性值。图第六章 混淆矩阵为拟系统的三类分类。图第七章拟议系 统 的准确度图 。见图8。 拟议系统生成的损失曲线图表5拟议网络用于分类Covid-19、正常和肺炎患者X射线图像的性能类精度特异性灵敏度F1得分精度COVID1999.399.499.099.698.0肺炎96.997.999.099.098.2正常99.299.699.099.098.4平均98.598.999.098.399.2此外，生成真阳性率和假阳性率之间的ROC曲线以验证总体性能，如图9所示。对于推荐的CNN架构，ROC曲线下面积（AUC）报告为96.6%。实验结果表明，该结构对三种病例的平均AUC为96%，准确率为98.5%，特异性为98.9%，敏感性为99.0%，F1评分为98.3%，精确度为99.2%。在这项研究中，我们所陈述的模型已经与五种不同的架构进行了比较。我们保持参数相同，以训练VGG16，VGG19，P. Ghose等人智能系统与应用16（2022）2001309=图第九章 针对数据集-1（covid、正常和肺炎病例）的开发工作的ROC分析。Xception，MobileNet和Inception-V2-Resnet在这个数据集上与我们的系统进行有效的比较。表6描述了这些模型与我们开发的模型的比较性能，评价标准为准确度、精密度、特异性、灵敏度和F1评分。如表6所示，建议的模型在所有评价指标中也产生了良好的性能，胸部X射线图像的准确度为98.5%5.3.2. 两类分类的结果（Covid-19和肺炎病例）：针对数据集-2提出的CNN架构的混淆矩阵如图所示。 10.混淆矩阵表明，我们引入的深度学习模型在精确地将Covid-19患者与肺炎患者分类方面表现得非常好。表7总结了Covid-19和肺炎病例的准确度、特异性、灵敏度、精密度和F1评分。对于新冠肺炎病例，拟议的CNN网络实现了99.8%的准确性、99.9%的特异性、99.3%的灵敏度、99.7%的F1评分和99.4%的精确度。在肺炎病例中，其准确性为99.2%，特异性为99.9%，敏感性为99.5%，精确性为99.9%，F1评分为99.2%此外，ROC曲线是在实际-阳性-率和假阳性率，以确定图11所示的一般性能。对于数据集-2，我们获得了拟议CNN架构的ROC曲线下区域（AUC）99%再次，为了比较我们引入的CNN模型的性能，我们考虑了VGG16，VGG19，Xception，MobileNet和见图10。混淆莫尼亚类。表7马特里X新冠病毒和肺炎的既定制度Inception-V2-Resnet深度学习模型，并使用dataset-2训练这些模型。表8描述了这些模型与采用评价标准的我们开发的模型的比较性能。如表8所示，所述模型再次显示出良好的表6在数据集-1的性能指标方面，对所提出和重新实现的深度CNN架构的三个类别分类结果进行比较分析（以%为单位）。使用数据集2对Covod-19和肺炎病例进行分类的拟议网络的性能