COVID-19肺部CT图像的深度学习分割和分类框架：基于计算机断层扫描和多种技术的应用

电子科学与技术学报20（2022）100161基于计算机断层扫描肺部图像的COVID-19分割和分类框架韦萨姆·M穆斯塔法·萨拉马Alyb，*a埃及，亚历山大，12455，法罗斯大学，工程学院，基础科学系b阿拉伯科学、技术和海运学院工程和技术学院电子和通信工程系，埃及A R T I C L EI N FO编辑：Xuan Xie保留字：增强分类计算机断层扫描（CT）2019冠状病毒病（COVID-19）深度学习ResNet50分段U网VGG16A B S T R A C T2019冠状病毒病（COVID-19）已影响全球数百万人，并导致超过630万人死亡（世界卫生组织，2022年6月人们越来越多地尝试开发深度学习方法，以基于计算机断层扫描（CT）肺部图像诊断COVID-19。复制和获得CT肺部数据是一个挑战，因为它不是公开的。 本文介绍了一种新的通用框架，用于分割和分类CT图像，并基于肺部CT图像确定患者对COVID-19的检测结果是阳性还是阴性。在这项工作中，许多不同的策略被探索的分类任务。应用ResNet 50和VGG 16模型将CT肺部图像分类为COVID-19阳性或阴性。此外，VGG 16和ReNet 50与U-Net（深度学习中最常用的图像分割架构之一）相结合，用于在分类过程之前分割CT肺部图像，以提高系统性能。此外，图像大小相关的归一化技术（ISDNT）和维纳滤波器被用作预处理技术，以增强图像和噪声抑制。此外，我们采用迁移学习和数据增强技术来解决COVID-19 CT肺部图像不足的问题，从而避免深度模型的过度拟合所提出的框架包括端到端的VGG 16、ResNet 50和具有VGG 16或ResNet 50的 U-Net，其应用于来自Kaggle中的COVID-19肺部CT图像的数据集 分类结果表明，使用预处理后的CT肺部图像作为U-Net与ResNet 50 混合的输入，实现了最佳性能。所提出的分类模型实现了98.98% 的准确性（ACC），98.87% 的ROC曲线下面积（AUC），98.89% 的灵敏度（Se），97.99% 的精确度（Pr），97.88%的F1评分和1.8974秒的计算时间。1. 介绍2019冠状病毒病（COVID-19）是一种传染病，影响了全球数百万人，导致超过630万人死亡（世界卫生组织，2022年6月）[1]。为缓解目前COVID-19样本的不足和稀缺，大量工作已投入寻找替代研究方法。 几项研究表明，计算机断层扫描（CT）扫描显示COVID-19患者的放射学观察结果一致[2]。CT设备的广泛使用使测试更加有效和方便。虽然CT成像对COVID-19的诊断很有用，但阅读扫描结果* 通讯作者。电子邮件地址：wessam. pua.edu.eg（W.M. Salama），mosaly@aast.edu（M.H. Aly）。https://doi.org/10.1016/j.jnlest.2022.100161接收日期：2021年1月5日;接收日期：2022年6月24日;接受日期：2022年6月25日2022年6月30日在线提供1674- 862 X/©2022电子科技大学。Elsevier B. V.代表KeAi Communications Co. Ltd.提供的出版服务。这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表电子科学与技术学报期刊主页：www.keaipublishing.com/en/journals/journal-of-electronic-science-and-technologyW.M.萨拉马，M.H. Aly电子科学与技术学报20（2022）1001612þþ手动地是耗时的并且容易出现人为错误。因此，需要基于先进人工智能（AI）的自动图像分析来分析CT扫描以评估COVID-19。基于AI的图像分析方法可以提供准确快速的疾病诊断，以应对大量患者的需求例如，CT扫描的手动评估可能需要长达15分钟，而基于AI的图像分析只需几秒钟。此外，为了减轻医疗专业人员阅读CT扫描的负担，一些工作已经开发了深度学习方法，可以自动解释CT图像并预测CT扫描是否显示COVID-19阳性[3]。虽然这些研究显示了积极的结果，但也有两个缺点首先，由于隐私问题，这些作品中使用的CT扫描数据集不能向公众共享因此，他们的发现无法复制，学习的模型无法在其他医院看到。此外，缺乏开源注释的COVID-19 CT数据收集严重阻碍了深度学习模型的训练。由于COVID-19 CT肺部图像质量较低，因此应用了一些预处理技术来提高图像质量。在过去的二十年里，人们对预处理技术进行了大量的研究工作Guo等人应用了Gabor算法滤波器技术[4]的文件。图像大小相关归一化技术（ISDNT）[5]被用作增强图像的主要部分以前的研究[6，7]比较了六种图像去噪技术的效率：高斯滤波器，平均滤波器，加权平均滤波器，维纳滤波器和中值滤波器，表明维纳滤波器提供了最佳结果。通过在生物医学领域使用深度学习算法[8]，特别是深度卷积神经网络（CNN），已经取得了令人印象深刻的结果。为了学习数百万个参数，深度CNN需要大量的训练图像以及其地面实况的可用性，这阻止了许多优秀的深度CNN用于医学应用[9]。 U-Net模型是分割的主要架构，而VGG 16和ResNet 50模型都被认为是图像分类的强大工具。数据增强[10]是克服医学图像稀缺性的应用技术之一。它通过对现有数据应用一系列随机变换来扩展训练数据作为新样本它具有加快收敛过程、防止过拟合和提高泛化能力的优点此外，迁移学习[11]被定义为使用从一个问题到解决另一个问题的预训练模型这一点在第3.5小节中有更详细的解释在[12]中，开发了一些算法来描述深度学习，例如AlexNet，GoogLeNet [13]，ResNet [14]，VGG 16，VGG 19和U-Net模型，用于分类和分割过程[15，16]。自COVID-19疫情以来，人们一直在努力开发深度学习方法来进行基于COVID-19筛查的诊断，例如使用CT扫描和胸部X光来分类阳性或阴性COVID-19。Ni等人建立一个早期筛查过程，重点关注几个CNN模型，以区分COVID-19患者此外，CNN还用于根据胸部X射线图像对COVID-19患者进行分类[18]。一些研究使用三维（3D）深度学习模型来查看基于胸部CT图像的COVID-19[19]-[22]。转移学习技术是由Wang等人使用[23]开发深度学习模型。Zhang等人使用神经网络“Visual Basic-Net（VB-Net）”进行CT扫描，以分割COVID-19感染区域[24]。Chen等人开发了一个基于U-Net的框架，使用CT图像对COVID-19患者进行分类[25]。Shi等人介绍了一种随机森林（iSARF）感染大小感知方法，该方法可以自动将受试者分类为感染病灶大小的特定集合[26]。然而，文献中的最新方法有许多缺点和优点。 主要缺点之一是需要大型数据集和大量计算资源（内存和存储）来构建和训练CNN。在我们的工作中，数据集是有限的，因此它不足以构建和训练CNN，但数据增强技术和迁移学习被应用于克服缺乏标记数据的问题，并相应地减少计算成本，提高我们的框架性能。然而，CNN在医学诊断中仍然发挥着重要作用。在本文中，VGG 16和ResNet 50模型用于区分阳性和阴性COVID-19 CT肺部图像结果，而U-Net与两种模型一起使用以应用图像分割以提高系统效率。除了增强和噪声抑制外，还应用了预处理技术，如ISDNT和Wiener滤波器。此外，通过使用迁移学习和数据增强来提高系统性能。2. 方法该框架分为四个阶段：1）预处理阶段; 2）数据增强和迁移学习; 3）基于U-Net架构的分割; 4）基于VGG 16和ReseNet 50模型的分类这项工作提出了将COVID-19 CT图像分割和分类为阳性或阴性的技术这项工作取决于充分利用前-图1.一、 图像预处理阶段。W.M.萨拉马，M.H. Aly电子科学与技术学报20（2022）1001613训练ResNet 50和VGG-16，因为从头开始训练将导致过度拟合，耗时和高计算性。2.1. 图像预处理阶段在该算法中，增强图像对比度和去噪作为预处理步骤的CT肺部图像。执行此步骤是为了提高图像质量，从而增加图像识别。 在本文中，ISDNT [5]给出了最好的结果。此外，Wiener滤波器[27]用于对CT肺部图像进行降噪，如图所示。1.一、2.2. 数据扩充阶段我们已经尝试了许多数据增强策略，包括旋转和移位[10]。首先，在我们的工作中进行裁剪，填充和水平裁剪然而，据观察，在执行这些数据增强技术后，CT图像内部的一部分重要信息丢失，这影响了系统的性能。其次，执行另一种数据增强技术，其中我们的CT图像被旋转45 °，45 °垂直平移和水平平移。然而，这种数据增强技术实现较差的性能。最后，在我们的工作中，一些其他的旋转方式进行每个预处理图像分别旋转0、90度、180度和270度因此，每个预处理的图像被增强为四个图像，如图1所示。二、因此，据观察，图中的第三个原始。2是最优的。第一和第二两种数据增强技术的结果添加在图1和图2中。3和42.3. 迁移学习在这项研究中，使用预训练的VGG-16和ResNet 50模型[14，15]来产生比从头开始使用这些模型更高的性能。从头开始训练需要大量的数据集。因此，使用预先训练的模型可以节省时间并加快我们建议的方法。迁移学习是使用预训练模型并修改其参数的过程这解决了小型COVID-19 CT肺部数据库的问题，这是我们的目标。2.4. 分割阶段感兴趣区域（ROI）的分割是CT图像自动分析的关键步骤。分割可以被视为分类任务，以将数据集图像中的每个像素分类为ROI或背景（BG）[28]。图二. 数据增强：CT肺部图像旋转：（a）90°旋转，（b）180°旋转和（c）270°旋转。W.M.萨拉马，M.H. Aly电子科学与技术学报20（2022）1001614图三. 数据增强：（a）原始CT肺部图像，（b）水平平移，（c）填充和裁剪，以及（d）旋转。图四、 数据增强：（a）原始CT肺部图像，（b）45 °垂直螺旋旋转，（c）45 °旋转，（d）垂直螺旋旋转，（e）水平螺旋旋转。图五. U-Net架构[15]。W.M.萨拉马，M.H. Aly电子科学与技术学报20（2022）1001615×××××× ×××该阶段的输入是预处理的COVID-19 CT肺部图像，输出是ROI分割的COVID-19 CT图像。然后，ROI图像被原始灰度CT肺部图像掩蔽，作为分类器阶段的输入 图第五章解释了U-Net模型。 它由两条路径组成，两条路径具有相同的填充，然后是修正线性单元（ReLU）和一个步 长 为 2p ixe l 的 2-pi X el最大池[16]，这是基于全卷积神经网络（FCN）架构的U-Net的基本元素，作为收缩方向上的卷积层和扩展路径中的反卷积层的混合。COVID-19阴性和阳性图像的分割图像显示在图1A和1B中。6和图72.5. 基于深度CNN的根据我们以前的工作[14]中获得的结果，可以观察到ResNet50和VGG16模型在分类过程中实现了最佳性能 灰度CT肺部图像的大小调整为572 572像素，如图1所示。 5、适合作为所建模型的输入。我们的目标是将COVID-19 CT图像分为两类：阳性和阴性。调整了一些设置，以提高COVID-19 CT图像分类程序的性能首先，对参数（迭代次数为1 10 7，初级学习调整为1 10 - 6，epoch数为150，动量为0.9，权重衰减为5 10 - 4）进行微调以提高性能，而先前的参数反映了ResNet 50模型中的迭代次数，学习率，epoch数，动量和权重衰减。第二，为获得最优性能，在VGG16模型中，迭代次数、初始学习、历元数、动量和权值衰减分别应为1 × 10 - 6、1 × 10- 5、200、0.7和4 × 10 - 3。表1和表2给出了深度卷积神经网络算法的更详细描述3. 结果CT肺部扫描有望提供准确、快速和廉价的COVID-19筛查和检测[29]。我们收集的COVID-19-CT数据集包括349个COVID-19 CT和397个非COVID-19 CT。研究中的数据集分为两组：70%用于训练，30%用于基于患者ID的验证和测试。这些CT图像具有不同的尺寸。平均高度、最大高度和最小高度分别为491像素、1853像素和153像素。平均宽度、最大宽度和最小宽度分别为383像素、1485像素和124像素。我们的CT图像被调整为244 224像素，以适合我们提出的深度学习模型。我们的研究基于Keras，这是一个高级Python库，可以在笔记本GPU云（2个CPU内核和13 GB RAM）上流畅运行我们提出的框架在2312个总阳性和阴性COVID-19 CT肺部图像上实施研究中的所有图像分别是用于训练的2088幅增强CT图像和用于测试和验证的224幅CT图像。以便认证见图6。COVID-19阴性图像的图像分割：（a）原始图像，（b）分割图像和（c）地面实况。W.M.萨拉马，M.H. Aly电子科学与技术学报20（2022）1001616见图7。 COVID-19阳性图像的图像分割：（a）原始图像，（b）分割图像和（c）地面实况。表1ResNet50架构的CNN层总结1×1 × 2563×3 × 1283×3 × 2563×3 × 5121×1 × 2563×3 × 1283×3 × 2563×3 × 512层号类型大小内核/步幅激活/1个2输入卷积卷积224×224 × 364×3 × 31×1 × 64/2个2/ReLUReLU3卷积卷积Convolution卷积3×3 × 641×1 × 1282ReLU4Convolution卷积卷积1×1 × 5121×1 × 2562ReLU5卷积输出1×1 × 10241×1 × 5121×1 × 204822/ReLUSVM表2VGG-16架构的CNN层总结层号类型大小内核/步幅激活/1个2输入卷积卷积224×224 × 364×3 × 31×1 × 64/2个2/ReLUReLU3卷积Convolution卷积3×3 × 641×1 × 1282ReLU4Convolution卷积卷积1×1 × 5121×1 × 2562ReLU5卷积输出1×1 × 10241×1 × 5121×1 × 20482ReLUW.M.萨拉马，M.H. Aly电子科学与技术学报20（2022）1001617表3不同阶段的阳性或阴性COVID-19分类结果（未进行数据增强的CT肺部数据库（LUNA 16和NLST））。ResNet50 - 5000U-Net 89.48 89.45 88.98 88.57 88.99预处理模块VGG16 85.48 85.45 84.98 85.57 84.99预处理模块ResNet5092.74 92.89 91.99 92.44 93.13预处理U-NetVGG 16 94.89 94.99 94.88 95.43 95.12预处理C2U-NetC2 U-NetResNet 50 96.88 96.87 95.99 95.78 96.46表4不同阶段数据增强的阳性或阴性COVID-19分类结果（CT肺部数据库（LUNA 16和NLST）数据增强）。ResNet500U-Net 90.68 90.45 89.99 90.57 89.99预处理模块VGG16 87.98 88.95 87.98 88.77 87.99预处理模块ResNet5094.54 94.89 93.99 94.34 94.43预处理U-NetVGG 16 96.79 95.99 96.78 96.53 96.82预处理器U-NetU-NetResNet 50 98.98 98.87 98.89 97.99 97.88根据诊断结果，介绍了不同的策略，如表3和表4所示。 据观察，使用阳性和阴性COVID-19 CT肺数据库的所提出的框架在有和没有数据增强的情况下在所有度量（准确度（ACC）、灵敏度（Se）、精确度（Pr）、F1分数和ROC曲线下面积（AUC））方面实现了最佳性能。为了增加图像的总数，使用不同的旋转方向将训练图像增强为四个图像，以获得共2312张CT图像。根据ACC、Se、Pr、F1评分、AUC和计算时间评价诊断性能ACC是如⑴中的真实预测的量度; Pr是如⑵中的匹配基本事实的检测到的恶性病例的阳性预测值或分数; Se是如⑶中的检测到恶性的真实阳性率或真实恶性病例的分数。F1-score是Pr和Se的调和平均值，并且它表示平衡两者的更一般化的形式，其给出如（4）中所表示的样本集、相似性和多样性。AUC可以直接从结果中获得（没有定义方程）。 它测量整个ROC曲线下的整个二维区域，并提供所有可能的分类阈值的综合性能测量。除AUC外，上述指标定义如下[30]：ACC¼TP TN=TPFPTNFN（1）Pr/TP=Pr/TP/FP（2）Se ¼ TP =0.0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000F1-分数<$2分Pr×Se=Pr×Se（4）表5基于不同CNN架构、数据集和我们提出的模型的几种分类方法之间的比较模型数据集图像总数ACC（%）F1-评分（%）AUC（%）我们的建议COVID-19 CT图像231298.9897.8898.87预处理CNOU-NetCNOResNet 50我们提出的框架预处理ResNet 50 COVID-19 CT图像231294.5494.4394.89我们的建议COVID-19 CT图像231290.6889.9990.45ResNet50智能网我们的建议COVID-19 CT图像231285.8885.9985.45ResNet50VGG-16 [30]COVID-19 CT图像74676.0076.0082.00模型ACC（%）AUC（%）硒（%）Pr（%）F1-评分（%）VGG1678.5878.9978.7878.9778.89ResNet5083.5883.4582.8883.5782.99VGG16-U-Net86.7887.8586.9887.4386.59模型ACC（%）AUC（%）硒（%）Pr（%）F1-评分（%）VGG1680.6880.8980.7880.9780.92ResNet5085.8885.4585.9585.8285.99VGG16-U-Net88.5887.8587.9888.4388.59W.M.萨拉马，M.H. Aly电子科学与技术学报20（2022）1001618ResNet-50 [30]COVID-19 CT图像74683.0085.0091.00DenseNet-169 [30]COVID-19 CT图像74686.0085.0094.00DenseNet-169 [31]COVID-CT-349图像81287.1088.1095.20ResNet-50 [31]COVID-CT-349图像81277.4074.6086.40W.M.萨拉马，M.H. Aly电子科学与技术学报20（2022）1001619¼其中FP是分割为病变PIXEL的非病变pixel，其表示假阳性; FN是分割为非病变PIXEL的病变PIXEL，其表示假阴性。TP是真阳性，TN是真阴性。表3及表4显示使用建议分类模型对CT肺部图像进行COVID-19分类的结果。 为评估四个阶段中每一阶段对建议分类框架的影响，本集团会个别评估以下模型的表现：◆ VGG 16和ResNet 50将CT图像分为阳性或阴性COVID-19。◆ U-Net进行分割，然后VGG 16和ResNet 50将分割的CT图像分类为阳性或阴性COVID-19。◆ 在使用ISDNT和维纳滤波器对CT图像进行预处理后，然后由VGG 16和ResNet 50进行分类。◆ 预处理之后是U-Net分割网络，然后是VGG 16和ResNet 50分类网络。此外，为了证明数据增强技术对模型性能的影响，探索了具有和不具有数据增强的分类器性能，如表3和表4将阳性或阴性COVID-19 CT肺部分类的拟议框架与其他最新系统进行比较[31，32]，结果见表5。 结果表明，所提出的框架实现了更好的性能，如表5所示。4. 结论在本文中，首先，端到端，VGG 16和ResNet 50分别用于将肺部CT图像分类为阳性或阴性COVID-19。然后，执行具有VGG 16或ResNet 50模型的U-Net，以将肺部CT图像分割并分类为阳性或阴性COVID-19。此外，预处理技术用于改善图像质量和去除噪声。应用数据增强和迁移学习来克服标记COVID-19数据集的缺乏根据AUC、ACC、Se、Pr、F1评分和计算时间评价诊断性能 实验结果表明，采用预处理、U-Net结合ResNet 50架构和数据增强的分类策略，对所用数据库的平均AUC为98.87%，ACC为98.98%，Se为98.89%，Pr为97.99%，F1-score为97.88%，分类结果非常准确，且该策略的计算内存需求尽可能低。结果突出了使用数据增强和迁移学习在提高分类性能方面的积极影响。 通过将该系统与其他最近的COVID-19分类系统进行比较，研究了该系统的鲁棒性，结果表明该方法具有优越的性能。竞合利益作者声明无利益冲突附录A. 补充数据本文的补充数据可在https://doi.org/10.1016/j.jnlest.2022.100161上找到。引用[1] 世卫组织，冠状病毒疾病（COVID-19）仪表板[在线]。可用网址：https://covid19.who.int/?gclidEAIaIQobChMI3tGszJC76QIVh_hRCh2jFg4nEAAYASAAEgLmr_D_BwE.2020.[2] A.伯恩海姆，X. Y. Mei，M.- Q. Huang等人，冠状病毒病的胸部CT结果-19（COVID-19）：与感染持续时间的关系，放射学295（3）（2020年2月）685- 691。[3] X.- W. Xu，X.江角L. Ma等人， A deep learning system to screen novel Coronavirus Disease 2019 pneumonia，Engineering 6（10）（2020）1122- 1129.[4] Y.-- M. Guo，Y.Liu，中国粘蝇A.Oerlemans，S.Y. Lao，S.吴女士Lew，Deep learning for visual understanding：a review，Neurocomputing 187（Apr.2016）27- 48.[5] 地方检察van Dyk，X.-L. 孟，数据增强的艺术，计算和图形统计杂志10（1）（3月。2001）1- 50。[6] M.S. Al-Tarawneh，Lung cancer detection using image processing techniques，Leonardo Electronic Journal of Practices and Technologies 11（20）（2012）147-158。[7] S.M. Sandeep，使用图像大小相关归一化技术增强低对比度鸟类图像，Intl.计算机科学高级研究杂志8（8）（2017）628- 631。[8] A. Shrestha，A. Mahmood，深度学习算法和架构综述，IEEE Access 7（2019年4月）53040- 53065。[9] M.T. McCann，K.H.金，M.Unser，Convolutional neural networks for inverse problems in imaging：a review，IEEE Signal Processing Magazine 34（6）（2017年11月）85- 95。[10] X. Li，W.张，智-地丁，J- Q.孙，基于数据增强深度学习的智能旋转机械故障诊断，智能制造杂志31（2）（2020）433- 452。[11] S.J. 潘角，澳-地杨，迁移学习研究综述，IEEE Trans. 22（10）（2010）1345- 1359，Oct.[12] G. Hinton，Deep learning-a technology with the potential to transform health care，JAMA 320（11）（2018）1101- 1102，Sept.[13] S.G.李，Y。Sung，Y.G. Kim，E.Y. Cha，Variations of AlexNet and GoogLeNet to Improve Korean Character Recognition Performance，Journal ofInformationProcessing Systems 14（1）（Feb. 2018）205- 217.[14] W.M. Salama，A.M. Elbagoury，M.H. Aly，基于深度学习的新型乳腺癌分类框架，IET图像处理14（13）（2020）3254- 3259，11月。W.M.萨拉马，M.H. Aly电子科学与技术学报20（2022）10016110[15] X.- Y.张杰- H. Zou，K.- M. Sun，加速用于分类和检测的非常深的卷积网络，IEEE Trans. on Pattern Analysis andMachine Intelligence 38（10）（2016）1943-1955，10月。[16] O. Ronneberger，P. Fischer，T. BroX，U-Net：用于生物医学图像分割的卷积网络，在：Proc. Of the 18 th Intl.医学图像计算和计算机辅助干预会议，2015年，pp。 234- 241。 慕尼黑[17] 问：Q. Ni，Z.- Y.孙湖，澳-地Qi等人，A deep learning approach to characterize 2019 Coronavirus Disease（COVID-19）pneumonia in chest CT images，EuropeanRadiology 30（12）（2020）6517- 6527，Jul.[18] C.- S. 郑X-B. 登角，澳-地Fu等人，基于深度学习的COVID-19胸部CT检测使用弱标签[在线]。可用：https://www.medrxiv.org/content/10.1101/2020.03.12.20027185v2，2020年3月。[19] Y.登湖，澳-地雷，Y。陈威Zhang，The potential added value of FDG PET/CT for COVID-19 pneumonia，European Journal of Nuclear Medicine andMolecularImaging 47（7）（2020）1634- 1635，Mar.[20] D. Singh，V. Kumar，M. Kaur，使用基于多目标差分进化的卷积神经网络对来自胸部CT图像的COVID-19患者进行分类，欧洲临床微生物&学传染病杂志39（7）（2020）1379- 1389，4月。[21] L.李湖，澳-地X.秦，Z.- G. Xu等，人工智能在胸部CT上区分Covid-19和社区获得性肺炎，放射学，2020年3月，第200905页，1-8。[22] Y. 宋，S.-J. 郑湖，澳-地Li等人，深度学习可以通过CT图像准确诊断新型冠状病毒（COVID-19），IEEE/ACM Trans. 计算生物学和生物信息学18（6）（2020）2775-2780。[23] S.王湾，加-地康，J. - L. Ma等人，A deep learning algorithm using CT images to screen for Corona Virus Disease（COVID-19），European Radiology 31（8）（2020）6096- 6104，Aug.[24] H.- T.张杰- S.张洪- H. Zhang等人，COVID-19肺炎的自动检测和定量：基于深度学习软件的CT成像分析，欧洲核医学与分子成像杂志47（11）（2020）2525- 2532，10月。[25] J. 陈湖，澳-地L. 吴，J.Zhang等人，基于深度学习的高分辨率计算机断层扫描检测2019新型冠状病毒肺炎的模型：一项前瞻性研究[在线]。可用：https://www.medrxiv.org/content/10.1101/2020.02.25.20021568v1，2020年2月。[26] F.施湖M. Xia，F. Shan等人，使用感染大小感知分类法从社区获得性肺炎中大规模筛查COVID-19 [在线]。可用：https://arxiv.org/abs/2003.09860，2020年3月。[27] J.S.戈尔茨坦，I.S. Reed，L.L. Scharf，基于正交投影的维纳滤波器的多级表示，IEEE信息论44（7）（1998）2943- 2959，11月。[28] M.B. Tayel，A.M. Elbagoury，基于全卷积网络自适应调整的乳腺红外热成像分割，当前医学成像16（5）（2020年5月）611- 621。[29] 关于COVID-19的CT扫描数据集[在线]。可用：www.Kaggle.com，2020.[30] T.斋藤，M。Precrec：R中快速准确的精确度-召回率和ROC曲线计算，生物信息学33（1）（2017年1月）145 - 147。[31] X.- H.他，X。- Y.杨，S.- H. Zhang等人，基于CT扫描的样本有效深度学习用于COVID-19诊断[在线]。可通过以下网址获得：https://www.medrxiv。org/content/10.1101/2020.04.13.20063941v1，2020年4月。[32] X.- Y. 杨X-H. 他，J。-Y. 赵玉C. 张，S.-H. Zhang，P.-T. Xie，COVID-CT-dataset：关于COVID-19的CT扫描数据集[在线]。可用：https://arxiv.org/abs/2003.13865，2020年6月。韦萨姆·M Salama拥有电气工程学士学位、理学硕士和博士学位。分别于2008年、2013年和2018年获得埃及亚历山大大学电气工程学位。她目前是灯塔大学工程数学和物理系的助教。 她的主要研究兴趣是信息安全和生物医学工程中的计算机应用。她在这些领域发表了四篇以上的论文。穆斯塔法·H阿里1953年出生于埃及亚历山大。他获得了学士学位，硕士和博士分别于1976年、1983年和1987年从埃及亚历山大亚历山大大学工程学院毕业。他是埃及亚历山大阿拉伯科学、技术和海运学院工程技术学院光通信、电子和通信工程系教授。他是140名硕士和博士的共同导师。学生和出版340期刊和会议论文。他的研究领域包括机器学习，光通信，光放大器，自由空间光学，可见光通信和光网络，通信。