新冠病毒的X射线图像检测方法

医学信息学解锁20（2020）100412一种用于检测新的冠状病毒（COVID-19）使用X射线图像马里兰州马里兰州扎比鲁尔·伊斯兰Milon Islam*，Amanullah AsrafKhulna University of Engineering Technology，Khulna，9203，Bangladesh&A R T I C L EI N FO关键词：冠状病毒COVID-19深度学习胸部X光卷积神经网络长短期记忆A B S T R A C T如今，由于人口的快速增长，自动疾病检测已经成为医学科学中的一个关键问题。自动疾病检测框架帮助医生诊断疾病，并提供准确、一致和快速的结果，降低死亡率。冠状病毒（COVID-19）已成为近年来最严重和最急性的疾病之一，并已在全球蔓延。因此，应实施自动检测系统作为最快的诊断选择，以阻止COVID-19的传播。本文旨在介绍一种基于卷积神经网络（CNN）和长短期记忆（LSTM）组合的深度学习技术，以从X射线图像中自动诊断COVID-19。在该系统中，CNN用于深度特征提取，LSTM用于使用提取的特征进行检测。该系统使用了4575张X射线图像的集合，其中包括1525张COVID-19图像，作为数据集。实验结果表明，我们提出的系统实现了99.4%的准确性，99.9%的AUC，99.2%的特异性，99.3%的灵敏度，和F1-评分为98.9%。该系统在当前可用的数据集上实现了预期结果，当更多COVID-19图像可用时，可以进一步改进。拟议的系统可以帮助医生轻松诊断和治疗COVID-19患者。1. 介绍冠状病毒疫情已蔓延至全球，令所有行业均处于封锁状态。根据世界卫生组织由于重症监护室（ICU;病情更糟的COVID-19患者被送入ICU）短缺，即使在发达国家，卫生系统也已达到失败的地步。开始在中国武汉传播的毒株是从两种不同的冠状病毒中鉴定出来的，即严重急性呼吸综合征（SARS）和中东呼吸综合征（MERS）[2]。COVID-19的症状可以从感冒到发烧，呼吸急促和急性呼吸道综合征[3]。与SARS相比，肾脏和肝脏受到冠状病毒以及呼吸系统的影响[4]。冠状病毒的早期检测在预防和治疗中起着至关重要的作用因为它的高传染性而大肆宣扬新冠肺炎对呼吸道或血液样本进行基因测序诊断冠状病毒，应确认逆转录-聚合酶链为主要指针反应（RT-PCR）， 根据 指南 中国政府[5]。RT-PCR的过程需要4-6个小时才能得到结果，这与COVID-19的快速传播速度相比需要很长时间。RT-PCR检测试剂盒不仅效率低下，而且严重短缺[6]。因此，许多受感染的患者不能被及时发现，往往会在不知不觉中感染他人。随着这种疾病的早期发现，COVID-19疾病的患病率将下降[7]。为了缓解当前COVID-19检测的低效率和稀缺性，已经做出了大量另一种可视化方法是使用X射线或计算机断层扫描（CT）等放射学图像诊断COVID-19感染。早期的研究表明，在胸部CT扫描中，可以在COVID-19患者中发现毛玻璃状阴影的异常[8]。研究人员声称，基于胸部CT扫描的系统可以成为诊断和量化COVID-19病例的重要方法[9]。许多研究人员已经展示了利用X射线图像检测COVID-19的各种方法。最近，计算机视觉[10]，机器学习[11深度学习方法被用作增强分类准确性的特征提取器[18]。* 通讯作者。电子邮件地址：zabir.kuet. gmail.com（马里兰州） 伊斯兰教），milonislam@cse.kuet.ac.bd（医学博士） Islam），amanullahoasraf@gmail.com（A. Asraf）。https://doi.org/10.1016/j.imu.2020.100412接收日期：2020年6月12日;接收日期：2020年8月7日;接受日期：2020年在线预订2020年2352-9148/©2020的 作者。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/imuMd.Z. Islam等人医学信息学解锁20（2020）1004122肺部肿瘤区域的检测、X射线骨抑制、糖尿病视网膜病变、前列腺分割、皮肤病变以及冠状动脉CT扫描中心肌的存在都是深度学习贡献的例子[19，20]。因此，本文旨在提出一种基于深度学习的系统，结合CNN和LSTM网络，从X射线图像中自动检测COVID-19。在所提出的系统中，CNN用于特征提取，LSTM用于基于这些特征对COVID-19进行分类。LSTM网络有一个内部存储器，能够从具有长期状态的命令式经验中学习。在全连接网络中，各层是全连接的，各层之间的节点是无连接的，只处理一个输入。在LSTM的情况下，节点从有向图沿着时间序列连接，该时间序列被认为是具有特定顺序的输入[21]。因此，2-D CNN和LSTM布局特征组合大大提高了分类。本文使用的数据集是从多个来源收集的，并进行了预处理以减少噪声。在下文中，总结了本研究的贡献a) 开发一个组合的深度CNN-LSTM网络，以有效地自动辅助COVID-19患者的早期诊断。b) 使用由4575张图像组成的数据集，使用胸部X射线检测COVID-19。c) 提供了一个详细的实验分析的准确性，灵敏度，特异性，F1评分，混淆矩阵，和AUC使用受试者工作特性（ROC）来衡量所提出的系统的性能。本文的组织如下：回顾最近的学术著作与这项研究是在第2节中描述。第3节介绍了拟议系统的描述，包括数据集收集和准备。在第4节中提供了所提出的深度学习系统的实验结果和比较性能。讨论在第5节中给出。第六节是论文的2. 相关作品为了应对COVID-19疫情，研究人员开发了深度学习技术，根据临床图像、CT扫描和胸部X光片来诊断COVID-19。本文介绍了最近开发的将深度学习技术应用于COVID-19检测领域的系统。Rahimzadeh等人。[22]开发了一种基于Xception和ResNet 50 V2模型的级联CNN，使用胸部X光对COVID-19病例进行分类。开发的系统使用了一个数据集，其中包含180张COVID-19患者的图像，6054张肺炎患者的图像和8851张正常人的图像。为八个训练阶段中的每一个选择633个图像。实验结果获得了99.56%的准确率和80.53%的召回率。Alqudah等人[23]使用人工智能技术开发了一个系统，从胸部X光片上看是COVID-19使用不同的机器学习技术对所使用的图像进行分类，例如支持向量机（SVM），CNN和随机森林（RF）。该系统的准确性为95.2%，特异性为100%，灵敏度为93.3%。Loey等人[24]介绍了一种具有深度学习的生成对抗网络（GAN），用于从胸部X光片诊断COVID-19。该方案使用了三个预训练模型AlexNet、GoogleNet和RestNet18。收集的数据包括69张COVID-19病例图像、79张肺炎细菌病例图像、79张肺炎病毒病例图像和79张正常病例图像。GoogleNet被选为主要的深度学习技术，在四类场景中测试准确率为80.6%，AlexNet在三类场景中测试准确率为85.2%，GoogleNet在两类场景中测试准确率为99.9%。Ucar等人。[25]提出了一种COVID-19检测系统，利用X光图像的深层结构。数据集包括76张COVID-19病例的图像，4290张肺炎病例的图像和1583张正常病例的图像。该方案对COVID-19病例的准确率达到98. 3%。Apostolopoulos等人[26]介绍了一种使用CNN的迁移学习策略，可以通过从胸部X光片中提取基本特征来自动诊断COVID-19病例。该系统使用了五种CNN变体VGG 19、Inception、MobileNet、Xception和Inception-ResNetV 2来对COVID-19图像进行分类。 数据集包括224张COVID-19患者的图像，700张肺炎患者的图像和504张正常患者的图像。为了训练和评价的目的，使用10倍交叉验证的概念分割数据集。VGG19被选为主要的深度学习模型，在开发的系统中具有93.48%的准确性，92.85%的特异性和98.75%的灵敏度。Bandyopadhyay等人[27]提出了一种新的模型，该模型使用LSTM-GRU自动分类COVID-19的确认，释放，阴性和死亡病例。该方案对确诊病例的准确率为87%，对阴性病例的准确率为67.8%，对死亡病例的准确率为62%，对已发布病例的准确率为40.5%。Khan等人。[28]提出了一种深度学习网络，可以从胸部X光片自动预测COVID-19病例。该数据集包括284张COVID-19病例图像，330张肺炎细菌病例图像，327张肺炎病毒病例图像和310张正常图像例总体而言，该系统获得了89.5%的准确性，97%，精确度和100%召回率。Kumar等人[29]引入了一种深度学习方法，使用胸部X光对COVID-19感染患者进行分类。该方案使用九个预训练模型进行特征提取和SVM分类。这两个数据集包含158张COVID-19和非COVID-19患者的X射线图像。ResNet50和SVM组合模型在统计学上优于其他模型，准确率为95.38%，F1得分为95.52%。Horry等人。[30]开发了一种基于预训练模型的系统，用于从胸部X光检查中检测COVID-19。该系统使用Xception、VGG、ResNet和Inception进行分类。该系统使用的数据集包括115张COVID-19病例图像、322张肺炎病例图像和60361张正常病例图像。VGG16和VGG19分类器都有大约80%的召回率和准确率。Fig. 1. 拟议的COVID-19检测系统的整体系统架构。Md.Z. Islam等人医学信息学解锁20（2020）1004123×表1所用数据集的分区描述。数据/案例COVID-19正常肺炎整体培训1220122012203660测试305305305915整体1525152515254575Hemdan等人。[31]引入了一种深度学习技术来从X射线图像中检测COVID-19。该框架包括七个预训练模型VGG19，MobileNetV2，InceptionV3，ResNetV2，DenseNet201，Xception和InceptionResNetV2。在开发的系统中，使用了50张X射线图像，其中25张图像来自COVID-19患者，25张图像来自非COVID-19患者。在测试的分类器中，VGG19和DenseNet201达到了90%的准确率和83%的精度。Singh等人[32]使用VGG 16（一种深度迁移学习架构）从CT扫描中检测COVID-19。提取的特征，使用主成分分析（PCA）和四个不同的分类器进行分类。最好的结果达到了95.7%的准确率，95.8%的精度，和95.3%的F1分数与装袋集成方法和SVM分类器。Ahuja等人[33]介绍了一种迁移学习技术，使用三阶段方法诊断COVID-19症状。将增强图像应用于几个预先训练的模型，以定位CT扫描的异常，ResNet18架构在测试用例中获得了99.4%的准确率。Fong等人。[34]提出了一个基于深度学习的案例研究，该案例研究利用复合蒙特卡罗（CMC）和模糊规则归纳来解决预测方法的有限数据。3. 方法和材料图1示出了由几个阶段组成的用于检测COVID-19的整个系统。原始X射线图像首先通过预处理管道。数据重排序，洗牌，在预处理流水线中进行归一化。然后将预处理的数据集划分为训练集和测试集，并使用训练数据训练CNN和CNN-LSTM架构。在每个时期之后，确定训练精度和损失。同时，使用5折交叉验证，验证精度和损失也得到了。所提出的系统的性能进行了测量与以下评价指标：混淆矩阵，准确性，AUC使用ROC，特异性，灵敏度和F1评分。3.1. 数据集收集和描述由于COVID-19的出现是最近的事，所有大型数据库均不包含任何COVID-19标记的数据，因此我们需要依赖不同来源的正常、肺炎和COVID-19病例的图像。首先，从以下网站收集了613张COVID-19病例的X 射 线 图 像 ： GitHub [35 ， 36] ， Radiopaedia [37] ， 癌 症 影 像 档 案（TCIA）[38]和意大利放射学会（SIRM）[39]。然后，从Mendeley收集了包含912个已经增强的图像的数据集，而不是独立增强的数据[40]。最后，从Kaggle存储库[41]和NIH数据集[42]中收集了1525张肺炎病例图像和1525张正常病例X射线图像。选择数据集的主要目的是向公众提供，以便研究人员可以访问和扩展。在进一步的研究中使用该数据集也可以更有效地诊断COVID-19患者。我们调整了图像的大小，使其分辨率为224224像素。X射线图像的数量 每组在表1中划分。每个类别的X射线图像的可视化如图所示。 二、3.2. 组合网络所提出的架构是结合卷积神经网络（CNN）和长短期记忆（LSTM）网络开发的，简要描述如下。图二、 第一、第 二、第 三行的 图像 分 别显示了COVID-19病例、肺炎病例和正常病例的 4个样本图像。Md.Z. Islam等人医学信息学解锁20（2020）1004124×3.2.1. 卷积神经网络图3.第三章。卷积神经网络的典型架构。一种特殊类型的多层感知器是CNN，但与深度学习架构不同，简单的神经网络无法学习复杂的特征。CNN在许多应用中表现出出色的性能[43，44]，例如图像分类，对象检测和医学图像分析。CNN背后的主要思想是，它可以从高层输入中获取局部特征，并将其转移到较低层以获得更复杂的特征。CNN包括卷积层、池化层和全连接（FC）层。图3中描绘了典型的CNN架构以及这些层。卷积层包含一组用于确定特征映射张量的内核[45]这些内核使用“步幅”卷积在卷积层用于执行跨越过程之后，输入体积的尺寸减小因此，需要零填充[47]来用零填充输入体积并保持具有低级特征的输入体积的尺寸卷积层的操作如下：F（i，j）=（I*K）（i，j）=∑ ∑I（i+m，j+n）K（m，n）（ 1）其中I是指输入矩阵X，K表示大小为m n的2D滤波器，F表示2D特征图的输出。卷积层的操作由I*K表示。为了增加特征图中的非线性，使用了整流线性单元（ReLU）层[48]。ReLU通过将阈值输入保持为零来计算激活。其数学表达式如下：f（x）=max（0，x）（ 2）池化层[49]执行给定输入维度的下采样以减少参数的数量。最大池是最常用的方法，它在输入区域中产生最大值。FC层[50]用作分类器，根据从卷积层和池化层获得的特征见图4。 长短期记忆的内部结构。Md.Z. Islam等人医学信息学解锁20（2020）1004125图五、 用于COVID-19检测的拟议混合网络的说明。3.2.2. 在ht-1和xt通过后，用于获得新信息的长短期记忆长短期记忆是递归神经网络（RNN）的一种改进。LSTM提出了内存块而不是传统的RNN单元来解决消失和爆炸梯度问题[51]。然后它添加一个单元状态来保存长期状态，这是它与RNN的主要区别。LSTM网络可以记住并将以前的信息连接到当前获得的数据[52]。LSTM与三个门相结合，例如输入门，一个输出门，其中xt是指当前输入;Ct和Ct-1表示分别是新的和先前的单元状态;以及Ht和Ht-1分别是当前和先前的输出的内部结构LSTM如图所示。 四、LSTM的输入门的原理如下所示。it=σ（Wi[ht-1，xt]+bi）（3）Ct=tanh（Wi[ht-1，xt]+bi）（4）Ct=ftCt-1+itCt（5）其中（3）用于使ht-1和xt通过S形层以决定应该添加信息的哪一部分其次，（4）Md.Z. Islam等人医学信息学解锁20（2020）1004126.）不Ot-1不Otanh层。在（5）中，将当前矩信息Ct和长期记忆信息C t-1组合成C t，其中W i是指S形输出，并且Ct 是指双曲正切输出。这里，W i表示权重矩阵，b i表示LSTM的输入门偏置。的然后，LSTM的遗忘门允许使用sigmoid层和点积选择性地传递信息。使用（6）执行关于是否以一定概率忘记来自先前单元的相关信息的决定，其中Wf是指权重矩阵X，bf是偏移量，并且σ是S形函数。ft=σWf <$[ht-1，xt]+bf（6）LSTM获得最终输出并乘以状态决策向量，该状态决策向量通过双曲正切层传递新信息CtO=σ（W）[h，x]+b）（7）ht=Ottanh（Ct）（8）其中Wo和bo是输出门的加权矩阵， 偏，分别。Md.Z. Islam等人医学信息学解锁20（2020）1004127××表2CNN-LSTM网络的完整摘要层类型内核大小步幅内核输入大小1卷积2D 3× 3 1 64 224×224 × 32卷积2D 3× 3 1 64 224×224 × 643池2× 2 24卷积2D 3× 3 1 128 112×112 × 645卷积2D 3× 3 1 128 112×112 × 1286池2 × 2 2 - 112 × 112 × 1287卷积2D 3× 3 1 256 56×56 × 1288卷积2D 3× 3 1 256 56×56 × 2569池2× 2 210卷积2D 3× 3 1 512 28×28 × 25611卷积2D 3× 3 1 512 28×28 × 51212卷积2D 3× 3 1 512 28×28 × 51213游泳池2× 2 214卷积2D 3× 3 1 512 14×14 × 51215卷积2D 3× 3 1 512 14×14 × 51216卷积2D 3× 3 1 512 14×14 × 51217池2× 2 218 LSTM19 FC20产出3.2.3. 组合CNN-LSTM网络在这项研究中，开发了一种组合方法，使用三种类型的X射线图像自动检测COVID-19病例。该架构的结构是通过结合CNN和LSTM网络设计的，其中CNN用于从图像中提取复杂特征，LSTM用作分类器。图5示出了所提出的用于COVID-19检测的混合网络。该网络有20层：12个卷积层，5个池化层，1个FC层，1个LSTM层和1个带有softmax函数的输出层。每个卷积块与两个或三个2D CNN和一个池化层组合，然后是一个以25%的丢失率为特征的丢失层。卷积层的大小为33个内核用于由ReLU函数激活的特征提取。最大池层的大小为2 2内核是用来减少输入图像的尺寸。在架构的最后一部分，函数映射被转移到LSTM层以提取时间信息。在卷积块之后，发现输出形状是（none，7，7，512）。使用整形方法，LSTM层的输入大小变为（49，512）。表2显示了所提议的架构的摘要。在分析时间特征后，该架构通过一个完全连接的层对X射线图像进行分类，以预测它们是否属于三个类别（COVID-19、肺炎和正常）中的任何一个。3.3. 业绩评价指标以下指标用于测量所提出的系统的性能：TP表示正确预测的COVID-19病例，FP表示被所提出的系统错误分类为COVID- 19的正常或肺炎病例，TN表示被正确分类的正常或肺炎病例，FN表示被错误分类为正常或肺炎病例的COVID-19病例。精度=（TP+ TN）/（ TN+ FP+ TP+ FN）（9）灵敏度=TP/（ TP+ FN）（10）特异性=TN/（ TN+ FP）（11）F1评分=（2 μ TP）/（2 μ TP+FP+ FN）（12）图六、拟议的COVID-19检测系统的混淆矩阵。（a）有线电视新闻网(b)CNN-LSTM。4. 实验结果分析4.1. 实验装置在实验中，数据集被分成80%和20%，分别用于训练和测试。使用5倍交叉验证技术获得结果。所提出的网络由12个卷积层组成，如表2所示，学习率为0.0001，最大历元数为125，如实验所确定的。CNN和CNN-LSTM网络是使用Python和Keras包在Intel（R）Core（TM）i7-2.2GHz处理器上使用TensorFlow 2实现的。此外，使用图形处理单元（GPU）NVIDIA GTX 1050 Ti分别具有4GB和16GB RAM来执行实验。Md.Z. Islam等人医学信息学解锁20（2020）1004128见图7。基于CNN架构的COVID-19检测系统的评估指标。(a)（b）损失。4.2. 结果分析图6描绘了竞争性CNN的测试阶段的混淆矩阵和所提出的用于COVID-19疾病分类的CNN-LSTM架构。在915张图像中，有14张被CNN架构错误分类，其中3张图像是COVID-19。与此同时，只有8张图像被提出的CNN-LSTM架构错误分类，包括两张COVID-19图像。结果发现，所提出的CNN-LSTM网络优于竞争性CNN网络，因为它具有更好和一致的真正值和真负值以及更少的假负值和假正值。因此，所提出的系统可以有效地对COVID-19病例进行分类。此外，图7以图形方式显示了CNN分类器在训练和验证阶段的准确性和交叉熵（损失）的性能评估。在epoch 125时，训练和验证准确率分别为96.7%和94.4%。同样，对于CNN架构，训练和验证损失分别为0.09和0.26。 此外，图8以图形方式描绘了CNN-LSTM分类器在训练和验证阶段的准确性和交叉熵（损失）的性能评估。在epoch 125时，获得的训练和验证准确率分别为98.3%和97.0%。同样，对于CNN-LSTM架构，训练和验证损失分别为0.05和0.07。与CNN架构相比，使用CNN-LSTM架构实现了更好的训练和验证准确性得分。每种方法的总体准确性、特异性、灵敏度和F1评分CNN架构的情况总结在表3中，并在图9中直观地示出。CNN网络对COVID-19病例实现了98.2%的特异性、99.0%的敏感性和97.7%的F1评分。对于肺炎分类，其特异性为99.7%，敏感性为96.4%，见图8。基于CNN-LSTM 架构的COVID-19检测系统的评估指标（a）准确性（b）损失。表3CNN网络的性能。类准确度（%）特异性（%）灵敏度（%）F1-评分（%）COVID-1998.598.299.097.7肺炎98.699.796.497.8正常99.999.8100.099.8图9.第九条。CNN网络结果的图形表示。97.8%F1评分。在正常人中，其特异性为99.8%，敏感性为100%，F1评分为99.8%。正常人的特异性、敏感性和F1值最高，而肺炎患者的敏感Md.Z. Islam等人医学信息学解锁20（2020）1004129表4CNN-LSTM网络的性能。类准确度（%）特异性（%）灵敏度（%）F1评分（%）COVID-1999.299.299.398.9肺炎99.299.898.098.8正常99.899.7100.099.7图10个。CNN-LSTM网络结果的图形表示。此外，表4和图。图10显示了开发的CNN-LSTM网络的每个类别的性能指标。COVID-19分类具有良好的灵敏度、特异性和F1评分（99.3%、99.2%和98.9%）。灵敏度值（99.3%）意味着假阴性的总和较低，而特异性值（99.2%）意味着真阴性的总和较高。肺炎分型特异性99.8%，敏感性98.0%，F1评分98.8%。对正常人的特异性为99.7%，敏感性为100%，F1评分为99.7%。正常组敏感性和F1评分最高，肺炎组敏感性较低。此外，ROC曲线被添加在真阳性在图11中，我们使用了错误率（TPR）和假阳性率（FPR）来比较整体性能。CNN和CNN-LSTM架构的ROC曲线下面积（AUC）分别计算为99.8%和99.9%，清楚地表明与CNN架构相比，所提出的网络获得了更高的值根据实验结果，很明显，在对COVID-19感染病例进行实验验证后，CNN架构实现了95.3%的AUC、98.2%的特异性、99.0%的灵敏度和97.7%的F1评分。比较结果，提出的CNN-LSTM网络分别获得了COVID-19病例的总体99.9% AUC，99.2%特异性，99.3%灵敏度和98.9% F1评分。这项研究的主要目的是在检测COVID-19病例和不检测虚假COVID-19病例方面取得良好效果。实验结果表明，所提出的CNN-LSTM架构优于竞争性CNN网络。最后，梯度加权类激活映射（Grad-CAM）是指使用目标概念的梯度对我们的实验进行视觉解释的热图。粗定位图突出显示图像中的重要区域，以便在进入最后一层后进行预测。在图12中，对于CNN和CNN-LSTM架构两者，针对COVID-19、肺炎和正常情况示出了分类的测试示例的热图。5. 讨论通过分析结果，证明了CNN和LSTM的组合对COVID-19的检测具有显著的效果图十一岁开发系统的ROC分析（a）CNN（b）CNN-LSTM。基于从X射线图像中自动提取特征。该系统可以高精度地区分COVID-19与肺炎和正常病例。现有系统和我们提出的系统在精度和计算时间方面的比较如表5所示。从表5中可以发现，一些提出的系统[22，28，31，31，53在[23，26，29，57]和[25]中分别发现了93.5%，95.2%，95.4%，98.3%和98.3%的中等最高准确度。考虑到多类，[58]中开发的系统获得此外，现有系统在计算时间方面的比较显示，[23]中开发的系统需要6.3 s来分类21个测试图像[25]，需要2277.6 s来训练8997个图像[31]，分别需要2641.0 s和4.0 s来训练和测试40和10个图像，[56]消耗79184.3 s和262.0 s用于训练和测试Md.Z. Islam等人医学信息学解锁20（2020）10041210见图12。第一、第二和第三行分别显示COVID-19样本、肺炎样本和正常样本。此外，第一列是原始图像;第二和第三列是CNN的热图和叠加图像;第四和第五列是CNN-LSTM。表5在精度和计算时间方面，将所提出的系统与现有系统进行比较作者Architecture Accuracy（%）Accuracy（COVID-19）（%）Training（s）Testing（s）[22] Xception+ ResNet50V2 91.4 99.6Alqudah等人[23]第二十三话Loey等人[53]第53话Ucar等人[25] COVIDiagnosis-Net 98.3 100.0 2277.6Apostolopoulos等人[26] VGG19 93.5Khan等人[28] CoroNet（Xception）89.5 96.6Kumar等人[29]第29话Hemdan等人[31] VGG19 90.0- 2641.0 4.0Li等人[54] 2016年12月28日Wang等人[55]第55话Asnaoui等人[56] Incpetion_ResNet_V2 92.2- 79184.3 262.0乔杜里等人[57]第57话Ozturk等人[58]第五十八章：你是我的Farooq等人[59] 2016年10月15日建议的系统CNN-LSTM 99.4 99.2 18372.0 113.0分别为4449和1638张图片。在我们的实验中，CNN架构分别需要18950.0s和114.0s来训练和测试3660和915张图像。我们提出的CNN-LSTM架构提供了良好的性能，并且比CNN方法更快，训练和测试需要18372.0和113.0 s，比其他研究更快。总的来说，我们提出的系统的结果是优于其他现有的系统。6. 结论随着COVID-19病例日益增加，许多国家正面临资源短缺。因此，有必要在这一卫生紧急情况下确定每一个阳性病例。我们引入了一个深度CNN- LSTM网络，用于从X射线图像中检测新型COVID-19。在这里，CNN用作特征提取器，LSTM网络用作冠状病毒检测的分类器。通过将提取的特征与区分COVID-19病例的LSTM相结合，提高了所提出系统的性能。所开发的系统获得了99.4%的准确性，99.9%的 AUC，99.2%的特异性敏感性99.3%，F1评分98.9%。所提出的CNN-LSTM和竞争性CNN架构都应用于相同的数据集。我们广泛的实验结果表明，我们提出的架构优于竞争力的CNN网络。在全球COVID-19疫情下，我们希望拟议系统能够为COVID-19患者开发工具，并减少COVID-19医疗诊断的工作量。拟议的系统有一些局限性。首先，样本量相对较小，需要增加以测试所开发系统的通用性。如果在未来几天内发现更多的图像，这将是过度的。其次，它仅关注X射线的后-前（PA）视图，因此无法区分其他视图第三，包括多种疾病症状的COVID-19图像无法有效分类。最后，我们提出的系统的性能没有与放射科医生进行比较。因此，建议的系统与放射科医生的比较将是未来研究的一部分。Md.Z. Islam等人医学信息学解锁20（2020）10041210=竞合利益作者声明，他们没有已知的可能影响本文所报告工作确认作者希望感谢库尔纳工程技术大学（KUET）计算机科学与工程系（CSE）为这项工作提供的便利。&引用[1] 关于Worldometer COVID-19数据- Worldometer。https://www.worldometers的网站。info/coronavirus/. [2020年7月9日]。[2] Huang C，Wang Y，Li X，Ren L，ZhaoJ， Hu Y，Zhang L，Fan G，XuJ， GuX，Cheng Z，Yu T，XiaJ， Wei Y，Wu W，Xie X，Yin W，Li H，Liu M，XiaoY，Gao H，Guo L，XieJ， Wang G，Jiang R，Gao Z，Jin Q，WangJ， Cao B.中国武汉2019新型冠状病毒感染患者的临床特征。柳叶刀2020;395：497-506.https：//doi.org/10.1016/S0140-6736（20）30183-5.[3] 关于冠状病毒的一切-医学和健康。https：//medicine-and-mental-health. Xyz/archieves/4510. [2020年6月6日]。[4] 卡尔普厕所。冠状病毒疾病2019. A A Pract2020;14：e01218.&https://doi.org/10.1213/Xaa.00000000001218.[5] 艾T，杨Z，侯H，詹C，陈C，吕W，陶Q，孙Z，夏L。相关性中国2019冠状病毒病（COVID-19）胸部CT和RT-PCR检测：1014例报告。放射学2020：200642。https://doi.org/10.1148/radio.2020200642.[6] Lauer SA，Grantz KH，Bi Q，Jones FK，Zheng Q，Meredith HR，AzmanAS，Reich NG，LesslerJ.从公开报告的确诊病例中发现的2019年冠状病毒病（COVID-19）的潜伏期：估计和应用。Ann Intern Med 2020;2019.https://doi.org/10.7326/M20-0504网站。[7] Jibril SIAML，Islam Md M，Sharif US.新型冠状病毒（COVID-19）感染患者康复的预测数据挖掘模型。SN Comput Sci 2020;1：206.https://doi.org/10.1007/s42979-020-00216-w网站。[8] 李燕，夏丽.2019冠状病毒病（COVID-19）：胸部CT在诊断和管理中的作用AJR AmJ Roentgenol 2020;1-7. https://doi.org/10.2214/AJR.20.22954.[9] 方毅，张宏，谢军，林明，应丽，庞平，季伟。胸部CT对COVID-19的敏感性：与RT-PCR的比较，放射学。200432，https://doi.org/10.1148/radio.2020200432; 2020.[10] 放大图片作者：HavenotJ， Lopez MB，Hadid A.计算机视觉在人脸辅助医学诊断中的应用IEEEJ Biomed Health Inf 2018;22：1497-511。网址：//doi.org/10.1109/JBHI.2017.2754861。[11] Islam MM，Iqbal H，Haque MR，Hasan MK.使用支持向量机和K近邻预测乳腺癌In：2017 IEEE Reg. 10 Humanit.技术会议IEEE; 2017年。第226- 229页。https://doi.org/10.1109/R10-HTC.2017.8288944.[12] Haque MR，Islam MM，Iqbal H，Reza MS，Hasan MK.随机森林和人工神经网络用于肝病分类的性能评价。In：2018 Int. Conf. Comput. Commun. 化学材料 电子工程IEEE; 2018年。第1-5页。https://doi.org/10.1109/IC4ME2.2018.8465658网站。[13] Hasan MK，Islam MM，Hashem MMA.使用多基因遗传规划检测乳腺癌的数学模型开发。In：2016 5th Int. Conf. Informatics，Electron. Vis. IEEE; 2016.第574-579页。https://doi.org/10.1109/ICIEV.2016.7760068.[14] Islam Ayon S，Milon Islam M.糖尿病预测：一种深度学习方法IntJ Inf EngElectron Bus 2019;11：21https://doi.org/10.5815/ijieeb.2019.02.03网站。[15] Ayon SI，Islam MM，Hossain MR.冠状动脉心脏病预测：计算智能技术的比较研究。IETEJ Res 2020：1-20.https://doi.org/10.1080/03772063.2020.1713916网站。0的情况。[16] 杨文辉，杨文辉.开发基于物联网的智能健康监测系统：综述。Rev IntelligenceArtiff 2019;33：435-40. https://doi.org/10.18280/ria.330605网站。[17] Islam MM，Rahaman A，Islam MR.物联网环境下智能医疗监控系统的开发。SNComput Sci 2020;1：185. https://doi.org/10.1007/s42979-020-00195-y.[18] 蒋X。图像识别与计算机视觉的特征提取。In：Proc. - 2009 2nd IEEE Int.Conf.Comput. Sci. INF. Technol. ICCSIT。卷2009年; 2009年。第1-15页。https://doi.org/10.1109/ICCSIT.2009.5235014网站。[19] [10]杨晓，王晓.用于CT图像肺癌分类的最佳深度学习模型。Future GeneratComput Syst 2019;92： 374-82. https://doi.org/10.1016/j.future.2018.10.009网站。[20] [1]陈毅，苟X，冯X，刘毅，秦G，冯Q，杨伟，陈伟.基于小波域级联卷积网络的胸片骨抑制。IEEEAccess2019;7：8346-57.https://doi.org/10.1109/ACCESS.2018.2890300网站。[21] Wang Y，Wu Q，Dey N，Fong S，Ashour AS.基于深度反向传播-长短期记忆网络的上肢表面肌电