免責聲明：本研究是為X光圖像中COVID－19的自動檢測而開發(fā)的，完全是為了教育目的。由于COVID－19沒有經(jīng)過專業(yè)或?qū)W術評估，最終的應用并不打算成為一個準確的用于診斷人類的COVID－19診斷系統(tǒng)。
介紹：Covid－19是由一種病毒（SARS－CoV－2冠狀病毒）引起的大流行性疾病，已經(jīng)感染了數(shù)百萬人，在幾個月內(nèi)造成數(shù)十萬人死亡。據(jù)世界衛(wèi)生組織（WHO）稱，大多數(shù)COVID－19患者（約80％）可能無癥狀，約20％的患者可能因為呼吸困難而需要住院治療。在這些病例中，大約5％可能需要支持來治療呼吸衰竭（通氣支持），這種情況可能會使重癥監(jiān)護設施崩潰?？箵暨@一流行病的關鍵是快速檢測病毒攜帶者的方法。冠狀病毒冠狀病毒是引起呼吸道感染的病毒家族。這種新的冠狀病毒病原體是在中國登記病例后于1919年底發(fā)現(xiàn)，它會導致一種名為冠狀病毒（COVID－19）的疾病。1937年首次分離出冠狀病毒，然而，直到1965年，這種病毒才被描述為冠狀病毒，因為它在顯微鏡下的輪廓看起來像一個樹冠。下面你可以看到SARS－CoV－2病毒的原子級三維模型：
X光近年來，基于計算機斷層掃描（CT）的機器學習在COVID－19診斷中的應用取得了一些有希望的成果。盡管這些方法取得了成功，但事實仍然是，COVID－19傳播在各種規(guī)模的社區(qū)。X光機更便宜、更簡單、操作更快，因此比CT更適合在更貧困或更偏遠地區(qū)工作的醫(yī)療專業(yè)人員。目標對抗Covid－19的一個重大挑戰(zhàn)是檢測病毒在人體內(nèi)的存在，因此本項目的目標是使用掃描的胸部X光圖像自動檢測肺炎患者（甚至無癥狀或非病人）中Covid－19的病毒。這些圖像經(jīng)過預處理，用于卷積神經(jīng)網(wǎng)絡（CNN）模型的訓練。CNN類型的網(wǎng)絡通常需要一個廣泛的數(shù)據(jù)集才能正常工作，但是，在這個項目中，應用了一種稱為“遷移學習”的技術，在數(shù)據(jù)集很小的情況下非常有用（例如Covid－19中患者的圖像）。目的是開發(fā)兩種分類模型：Covid－19的檢測與胸片檢測正常的比較Covid－19的檢測與肺炎患者檢測的比較按冠狀病毒相關論文定義的，所有類型的肺炎（COVID－19病毒引起的除外）僅被認為是“肺炎”，并用Pneumo標簽（肺炎）分類。我們使用TensorFlow 2．0的模型、工具、庫和資源，這是一個開源平臺，用于機器學習，或者更準確地說，用于深度學習。最后在Flask中開發(fā)了一個web應用程序（web app），用于在接近現(xiàn)實的情況下進行測試。下圖為我們提供了最終應用程序如何工作的基本概念：
X光掃描胸部圖像（User＿A．png），應用程序?qū)D像存儲在web應用程序的計算機上，決定圖像是否屬于受病毒污染的人（模型預測：［陽性］或［陰性］）。在這兩種情況下，應用程序都會輸出預測的準確性（模型準確度：X％）。為了避免兩者都出錯，將向用戶顯示原始文件的名稱及其圖像。圖像的新副本存儲在本地，其名稱添加一個預測標簽，并且加上準確度。這項工作分為四個部分：環(huán)境設置、數(shù)據(jù)清洗和準備模型1訓練（Covid／正常）模型2訓練（Covid／肺炎）Web應用的開發(fā)與測試靈感該項目的靈感來源于UFRRJ（里約熱內(nèi)盧聯(lián)邦大學）開發(fā)的X光COVID－19項目。UFRRJ的XRayCovid－19是一個正在開發(fā)的項目，在診斷過程中使用人工智能輔助健康系統(tǒng)處理COVID－19。該工具的特點是易用、響應時間快和結(jié)果有效性高，我希望將這些特點擴展到本教程第4部分開發(fā)的Web應用程序中。下面是診斷結(jié)果之一的打印屏幕（使用了Covid－19數(shù)據(jù)集1圖像之一）：
喬杜里等人在論文中闡述了該大學開展這項工作的科學依據(jù)，論文地址：https：／／arxiv．org／abs／2003．13145另一項工作是Chester，論文：https：／／arxiv．org／pdf／1901．11210．pdf，由蒙特利爾大學的研究人員開發(fā)。Chester是一個免費且簡單的原型，醫(yī)療專業(yè)人員可以使用它們來了解深度學習工具的實際情況，以幫助診斷胸部X光。該系統(tǒng)被設計為輔助工具，用戶可在其中處理圖像以確認或協(xié)助診斷。當前版本的 Chester（2．0）使用DenseNet－121型卷積網(wǎng)絡訓練了超過10．6萬張圖像。該網(wǎng)絡應用程序未檢測到Covid－19，這是研究人員對應用程序未來版本的目標之一。下面是診斷結(jié)果之一的截圖（使用了Covid－19數(shù)據(jù)集的圖像）
在下面的鏈接中，你可以訪問Chester，甚至下載應用程序供脫機使用：https：／／mlmed．org／tools／xray／。感謝這項工作最初是根據(jù)Adrian Rosebrock博士發(fā)表的優(yōu)秀教程開發(fā)的，我強烈建議你深入閱讀，此外，我要感謝Nell Trevor，他根據(jù)羅斯布魯克博士的工作，進一步提出了如何測試結(jié)果模型的想法。第1部分－環(huán)境設置和數(shù)據(jù)準備數(shù)據(jù)集訓練模型以從圖像中檢測任何類型信息的第一個挑戰(zhàn)是要使用的數(shù)據(jù)量。原則上，可公開獲取的圖像數(shù)量越多越好，但是請記住，這種流行病只有幾個月的歷史，所以對于Covid－19檢測項目來說，情況并非如此）但是，Hall等人的研究，論文：https：／／arxiv．org／pdf／2004．02060．pdf，證明使用遷移學習技術僅用幾百幅圖像就可以獲得令人鼓舞的結(jié)果。如引言所述，因為訓練兩個模型，所以需要3組數(shù)據(jù)：確認Covid－19的X光圖像集常規(guī)（“正?！保┗颊叩腦光圖像集一組顯示肺炎但不是由Covid－19引起的X光圖像為此，將下載兩個數(shù)據(jù)集：數(shù)據(jù)集1：COVID－19的圖像集Joseph Paul Cohen和Paul Morrison和Lan Dao COVID－19圖像數(shù)據(jù)收集，arXiv： 2003．11597， 2020這是一個公開的COVID－19陽性、疑似患者和其他病毒性和細菌性肺炎（MERS、SARS和ARDS）的X光和ct圖像數(shù)據(jù)集。數(shù)據(jù)是從公共來源收集的，也可以從醫(yī)院和醫(yī)生處間接收集（項目由蒙特利爾大學倫理委員會批準，CERSES－20－058－D）。以下GitHub存儲庫中提供了所有圖像和數(shù)據(jù)：https：／／github．com／ieee8023／covid－chestxray－dataset。數(shù)據(jù)集2：肺炎和正常人的胸片論文：Kermany， Daniel； Zhang， Kang； Goldbaum， Michael （2018）， “Labeled Optical Coherence Tomography （OCT） and Chest X－Ray Images for Classification”通過深度學習過程，將一組經(jīng)驗證的圖像（CT和胸片）歸類為正常和某些肺炎類型。圖像分為訓練集和獨立的患者測試集，數(shù)據(jù)可在網(wǎng)站上獲得：https：／／data．mendeley．com／datasets／rscbjbr9sj／2胸片的類型從數(shù)據(jù)集中，可以找到三種類型的圖像，PA、AP和Lateral（L）。L的很明顯，但X光的AP和PA視圖有什么區(qū)別？簡單地說，在拍X光片的過程中，當X光片從身體的后部傳到前部時，稱為PA（后－前）視圖，在AP視圖中，方向相反。通常，X光片是在AP視圖中拍攝的，但是一個重要的例外就是胸部X光片，在這種情況下，最好在查看PA而不是AP，但如果病人病得很重，不能保持姿勢，可以拍AP型胸片。
1234下一頁>（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。 ）
