COVID-19胸部X线图像自动检测系统COV-ADSX的软件实现与应用

软件影响11（2022）100210原始软件出版物COV-ADSX：一个使用X射线图像、深度学习和XGBoost的COVID-19自动检测系统Sharif Hasania，HamidNasirib，a伊朗塞姆南塞姆南大学电子和计算机工程系b伊朗德黑兰阿米尔卡比尔理工大学计算机工程系A R T I C L E I N F O保留字：胸部X线图像COVID-19深度神经网络DenseNet169XGBoostA B标准在COVID-19大流行之后，科学家们一直在寻找不同的方法来诊断COVID-19，这些努力带来了各种解决方案。检测感染者的常用方法之一是胸部X线摄影。本文提出了一种使用X射线图像的自动检测系统（COV-ADSX），该系统采用深度神经网络和XGBoost来检测COVID-19。 COV-ADSX已实施 使用Django Web框架，允许用户上传X射线图像并查看COVID-19检测结果和图像热图，这有助于专家更准确地评估胸部区域。代码元数据当前代码版本V2.1.4用于此代码版本的代码/存储库的永久链接https://github.com/SoftwareImpacts/SIMPAC-2021-184可复制胶囊GNU通用公共许可证（GPL）v3.0使用git的代码版本控制系统软件代码语言使用Python编译要求、操作环境和依赖关系Python 3.6或更高版本（如果可用），链接到开发人员文档/手册问题支持电子邮件h. aut.ac.ir软件元数据当前软件版本2.1.4此版本可执行文件的永久链接https://github.com/sharifhasani/COV_ADSX法律软件许可证GNU通用公共许可证v3.0操作系统Microsoft Windows 7（或更高版本）Mac OS 10.12.6（Sierra或更高版本）Linux安装要求依赖项4 GB内存1 GB可用磁盘空间1. 介绍COVID-19病毒于2019年底首次在中国武汉报告，并迅速在全球蔓延[1COVID-19患者的症状包括发热、咳嗽、喉咙痛、头痛、疲劳、肌肉疼痛和呼吸急促[5，6]。如前所述，一∗通讯作者。电子邮件地址：h. aut.ac.ir（H.Nasiri）。https://doi.org/10.1016/j.simpa.2021.100210检测个体COVID-19的最常见方法之一是通过PCR检测;然而，用这种方法诊断人是耗时的，并且结果具有高水平的假阴性错误[7，8]。或者，胸部放射成像方法，如计算机断层扫描和胸部X射线（CXR）成像，可以在及时诊断和治疗这种疾病中发挥重要而有效的作用[7，9]。接收日期：2021年12月14日;接收日期：2021年12月20日;接受日期：2021年12月22日2665-9638/©2021作者。由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表软件影响杂志 首页：www.journals.elsevier.com/software-impactsS. Hasani和H.纳西里软件影响11（2022）1002102Fig. 1. COV-ADSX的主页根据之前的研究[10-12 ]，感染COVID-19的患者的X射线图像对于检测这种病毒具有重要和有用的因此，在本文介绍的软件中采用了这些图像COV-ADSX）。COV-ADSX使用Nasiri和Hasani [13]提出的算法，通过该算法使用DenseNet 169 [14]深度神经网络（DNN）提取图像特征，并将提取的特征作为XGBoost算法的输入在Nasiri和Hasani提出的方法中，使用了预训练的DNN，并且网络没有经过训练。COV-ADSX接收一个人胸部的X射线图像然后，它将提取的特征提供给经过训练的XGBoost，以确定该人是否感染了COVID-19。2. XGBoost极端梯度提升（XGBoost）是一种梯度提升算法，增强了效率，多功能性和可扩展性[15 近年来，XGBoost已被研究人员广泛使用，并在各种机器学习（ML）挑战中表现出令人印象深刻的性能[18，19]。XGBoost由Chen和Guestrin [20]提出，作为基于梯度提升决策树的集成算法[21]。使用归一化目标函数有助于XGBoost降低模型的复杂性并防止过拟合[223. 软件功能COV-ADSX基于深度学习和XGBoost算法。 在这个软件中，深度学习应用于网络应用程序的背景下。由于Python语言在深度学习中的强大功能，该语言和Django Web框架[25]被用来实现COV-ADSX。实现的软件使用Python版本Django框架3.8.8和Django框架3.2.8。COV-ADSX包括以下四个主要步骤：（1）接收用户的图像并将其发送到深度学习模型（图2）。 1）、（2）使用DenseNet 169提取图像的特征;（3）将提取的特征作为XGBoost算法的输入并执行分类，即，检测该人是否感染了COVID-19;（4）使用基于免疫的类激活映射（Grad-CAM）算法[26]，在热图上指定决策区域，并将其显示给用户（图10）。2）的情况。在第一步骤中，用户上传他/她的放射线图像。然后，从用户接收的图像被传递到深度学习模型以提取其特征。请注意，深度学习模型图二、COV-ADSX的结果。将重量保存为文件并载入软件。然后将提取的特征传递给XGBoost算法以执行检测。对XGBoost算法进行了训练，并将其训练好的模型应用于COV-ADSX中。该软件速度快，最多可在10秒内将结果显示给用户。根据[13]中获得的结果，基于ChestX-ray 8 [27]数据集的COV-ADSX中使用的模型的准确度为98.23%。在XGBoost算法检测出图像后，最后利用Grad-CAM算法在热图上显示决策区域。热图对放射科医生非常重要，因为它可以帮助他们更准确地检查胸部区域4. 影响概述如前所述，COV-ADSX可以使用放射图像诊断感染COVID-19病毒的人。COV-ADSX有一个非常简单的用户界面，可以被社会的各个阶层使用。任何人，谁拥有他/她的CXR图像，可以使用这个软件来检查他/她是否感染了COVID-19。 如可见于图1，使用该软件，用户只需要上传他/她的放射图像，然后显示结果他/她（图）2）的情况。COV-ADSX为医学专家，特别是放射科医生提供了有用的信息它的第一个优点是诊断一个人的COVID-19感染，这通常需要很长时间的PCR测试，在很短的时间内具有很高的准确性。此外，它还向专家显示热图，以显示深度学习模型更关注输入射线图像的哪些部分，从而可以作为初始筛选工具。COV-ADSX可以连接到医院和医疗中心的第三方应用程序。因此，当患者去医院并拍摄CXR图像时，图像自动作为COV- ADSX的输入，软件确定该人是否感染了COVID-19。然后，COVID-19检测结果将记录在患者档案中。此外，热图上的指定决策区域也存储在患者文件中，并显示给医学专家。S. Hasani和H.纳西里软件影响11（2022）1002103为了进一步评估COV-ADSX的性能，在Semnan（伊朗）的Shafa医院对有限数量的患者进行了测试。实验结果表明，COV-ADSX在实际环境中取得了可靠的效果。由于COV-ADSX使用XGBoost进行分类，并且XGBoost实现并行处理[15]，因此COV-ADSX的计算成本低于其他ML方法。此外，XGBoost比其他ML技术（如随机森林（RF）[28]和支持向量机（SVR）[29]）具有更好的性能，这导致COV-ADSX的高准确性。COV-ADSX的局限性和缺点包括使用有限数量的COVID-19 X射线图像（即，125个样本）用于DNN模型的训练，这可能会降低软件的泛化能力。此外，由于XGBoost有太多的超参数需要调整，它的调整过程是具有挑战性的，如果参数调整不当，过拟合是可能的。其他ML方法，如RF和SVR，具有更少的超参数，更容易调整。COV-ADSX的另一个局限性是，它只接受CXR图像作为输入，不支持其他X射线摄影胸部CT之类的图像 这个功能可以添加到未来的版本中的软件。5. 结论本文介绍了COV-ADSX。COV-ADSX可以使用一个人胸部的X光图像来诊断感染COVID-19的人，这对于非专家来说是不可能的。另一方面，这种类型的成像作为最容易获得的类型可以在大多数医疗中心轻松完成。COV-ADSX中使用的基于Chest-Xray 6数据集的深度学习模型的准确率为98.23%。由于COV-ADSX不需要DNN训练，因此它具有很高的执行速度。向用户展示决策区域的热图是该软件的另一个好处，可以帮助放射科医生更好地诊断COVID-19。竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作引用[1]F. Wu等人，一种与中国人类呼吸道疾病相关的新型冠状病毒，Nature 579（7798）（2020）265-http://dx.doi.org/10.1038/s41586-[2]C. Sohrabi等人，世界卫生组织宣布全球进入紧急状态：2019年新型冠状病毒（COVID-19）回顾，国际 J. Surg. 76（2020）71[3]N. Jha 等 人 ， 深 度 学 习 方 法 用 于 发 现 对 抗 COVID-19 的 计 算 机 药 物 ， J.Healthc。（2021）2021.[4]M. 史 密 斯 ， F 。 Alvarez ， A Machine Learning Research Template forBinaryClassification Problems and Shapley Values Integration ， Softw. 影 响 8（2021）100074.[5]T. Singhal，冠 状病毒 疾病综 述 -2019（COVID-19）， 印度 儿科杂志。87（4）（2020）281-286。[6]L. Cirrincione等人，2019冠状病毒病大流行：预防和保护措施在工作场所采用，可持续性12（9）（2020）3603。[7]中义Zu等人，2019冠状病毒病（COVID-19）：来自中国的观点，放射学296（2）（2020）E15-E25。[8]P. Huang等人，使用胸部CT结合阴性RT-PCR检测2019年新型冠状病毒，但临床高度怀疑，放射学295（1）（2020）22-23。[9]H.S. Maghdid，A.T. Asaad，K.Z. Ghafoor，A.S. Sadiq，S. Mirjalili，M.K. Khan，使用深 度学习 和迁 移学习 算法从 X射线 和CT图像 诊断 COVID-19肺炎 ， 载于：Multimodal Image Exploitation and Learning2021 ， 第 11734 卷 ， 2021 年 ，117340 E。[10] T.厄兹蒂尔克湾Talo，E.A. Yildirim，U.B.巴洛格鲁岛Yildirim，U.R. Acharya，使用深度神经网络和X射线图像自动检测COVID-19病例，Comput. 121（2020）103792.[11] J.F. W. Chan等人， 与2019年新型冠状病毒相关的肺炎家族聚集性表明人传人：一项家庭聚集性研究，柳叶刀395（10223）（2020）514-523。[12] L.王志清Lin，L. Wong，Covid-net：一种量身定制的深度卷积神经网络设计，用于从胸部X射线图像中检测COVID-19病例，Sci。Rep. 10（1）（2020）1-12.[13] H.纳西里山，巴西-地Hasani，使用深度神经网络和XGBoost从胸部X射线图像中自动检测COVID-19病例，2021，arXiv：2109.02428，arXiv Prepr. [联机]。可通过以下网址获得：http://arxiv.org/abs/2109.02428。[14] G. Huang，Z.柳湖，加-地Van Der Maaten，K.Q. Weinberger，Densely connectedconvolutional networks， in： Proceedings of the IEEE conference on computervision and pattern recognition，2017，pp. 4700-4708[15] H. Nasiri，A. Homafar，S. Chehreh Chelgani，使用可解释的人工智能预测石灰华样品的单轴抗压强度和弹性模量，结果地球物理学。Sci. 8（2021）100034，http://dx.doi.org/10.1016/j.ringps.2021.100034。[16] H. Dong ， D. 他 ， F. Wang ， SMOTE-XGBoost using Tree Parzen EstimationOptimizationfor Copper Floating Method Classification ， Powder Technol.375（2020）174-181.[17] Z. Zhang， Y.黄河，巴西-地秦，W. Ren，G.温晓，基于Boost的激光焊接铝锂合金焊缝抗拉强度在线预测：实验研究与建模，制造工艺。64（2021）30[18] H. Nasiri，S.A. Alavi，一种基于深度学习和ANOVA特征选择方法的新框架，用于从胸部X射线图像诊断COVID-19病例，2021，arXiv：2110.06340，arXiv Prepr.[联机]。可查阅：http：//arxiv。org/abs/2110.06340。[19] M. Rapp，BOOMER-AN算法用于学习梯度提升的多标签分类规则，Softw.影响10（2021）100137.[20] T. Chen C.， 马缨丹 属Guestrin， Xgboost： 一个可 扩展 的树提 升系 统， 在：Proceedings第22届ACM SIGKDD知识发现和数据挖掘国际会议，2016年，pp.第785-794页。[21] S.C. Chelgani，H. Nasiri，M. Alidokht，XGBoost和SHAP-A“conscious-lab”开发对工 业 煤 柱 浮 选 回 路 冶 金 响 应 的 可 解 释 建 模 31 （ 6 ） （ 2021 ）1135http://dx.doi.org/10.1016/j.ijmst.2021.10.006[22] S. Chehreh Chelgani，H. Nasiri，A. Tohry，通过独特的可解释人工智能工具对工业HPGR产品的粒度建模-http://dx.doi.org/10.1016/j。apt.2021.09.020网站。[23] K.宋，F. Yan，T.丁湖，澳-地Gao，S. 鲁，基于XGBoost算法和改进粒子群算法的钢材性能优化模型，Comput. Mater. Sci. 174（2020）109472.[24] W.曾角，澳-地Wang， Z.夏，Z. Li，H.屈，XGBoost算法在拉曼光谱检测SARS冠状病毒中的应用，物理会议系列1775（1）（2021）12007。[25] J.Forcier，P. B i s s e x ， W.J. Chun，Python Web Development withDjango，Addison-Wesley Professional，2008.[26] R.R.塞尔瓦拉朱科格斯韦尔，A。 达斯河，巴西-地 韦丹塔姆D。 Parikh，D. 巴特拉，摄像头：通过基于梯度的定位从深度网络中进行视觉解释，在：IEEE计算机视觉国际会议论文集，2017年，pp. 618-626.[27] X. Wang，Y.彭湖，澳-地Lu，Z.卢，M. Bagheri，R.M.萨默斯，胸部X射线8：医院规模的胸部X射线数据库和常见胸部疾病弱监督分类和定位的基准，在：IEEE计算机视觉和模式识别会议论文集，2017年，pp. 2097-2106年。[28] L. 布莱曼，随机森林，马赫。学习. 45（1）（2001）第5[29] H. Drucker，C.J.C.伯吉斯湖Kaufman，A. Smola，V. Vapnik等人， 支持向量回归机神经信息过程系统9（1997）155