COVID-19 Detection in Chest X-ray Images Using Swin-Transformer and Transformer in Transformer
Zhejiang University（浙江大学）；Northeastern University（东北大学）
2019冠状病毒病（COVID-19）已在全球蔓延并造成严重损害。胸部X光图像广泛用于COVID-19诊断，人工智能方法可提高效率和准确性。在Challenge of Chest XR COVID-19 detection in Ethics and Explainability for Responsible Data Science（EE-RDS）conference 2021中，我们提出了一种方法，该方法结合了Swin Transformer和Transformer中的Transformer，将胸部X射线图像分类为三类：COVID-19、肺炎和正常（健康），并在测试集上达到了0.9475的准确率。
2022-12-31 cs.CV eess.IV
Evaluation of Contemporary Convolutional Neural Network Architectures for Detecting COVID-19 from Chest Radiographs
Technical University of Munich（慕尼黑工业大学）；Stanford University（斯坦福大学）
解读胸片。胸部X射线图像是医学专业人员用来检测和识别可能困扰患者的许多疾病的必要且关键的诊断工具。尽管图像本身包含大量有价值的信息，但是它们的有用性可能受限于它们被解释的程度，特别是当审查放射科医师可能疲劳或者当有经验的放射科医师不可用时。使用深度学习模型分析胸部X光片的研究取得了令人印象深刻的结果，在某些情况下，模型的表现优于执业放射科医生。在COVID-19大流行期间，研究人员已经探索并提出使用所述深度模型从射线照片中检测COVID-19感染，作为帮助缓解医疗资源压力的可能方法。在这项研究中，我们训练和评估三个模型架构，提出了胸片分析，在不同的条件下，发现问题，折扣令人印象深刻的模型性能提出的当代研究这个问题，并提出方法，训练模型，产生更可靠的结果。代码、脚本、预训练模型和可视化可在https://github.com/nalbert/COVID-detection-from-radiographs上获得。
2020-06-30 cs.CV cs.LG eess.IV
Self-Supervision and Multi-Task Learning: Challenges in Fine-Grained COVID-19 Multi-Class Classification from Chest X-rays
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
快速准确的诊断对于减轻COVID-19感染的影响至关重要，特别是对于严重病例。已经投入了巨大的努力来开发深度学习方法，以从胸部X光摄影图像中分类和检测COVID-19感染。然而，最近围绕这些方法的临床可行性和有效性提出了一些问题。在这项工作中，我们研究了多任务学习（分类和分割）对CNN区分肺部COVID-19感染的各种表现的能力的影响。我们还采用了自监督预训练方法，即MoCo和inpainting-CXR，以消除对COVID-19分类的昂贵地面实况注释的依赖。最后，我们对模型进行了严格的评估，以评估其部署准备情况，并深入了解从胸部X光片进行细粒度COVID-19多类分类的困难。
2022-06-26 cs.CV cs.LG eess.IV
Detection of Covid-19 From Chest X-ray Images Using Artificial Intelligence: An Early Review
UOM；UPEC
2019年，由于新出现的冠状病毒（COVID-19），整个世界都面临着卫生紧急情况。近196个国家受到COVID-19的影响，而美国、意大利、中国、西班牙、伊朗和法国的COVID-19活跃病例最多。医疗及保健部门在延迟检测COVID-19方面所面临的问题。设计了几个基于人工智能的系统，用于使用胸部X光自动检测COVID-19。在本文中，我们将讨论用于检测COVID-19的不同方法以及我们面临的挑战。必须开发自动检测系统，以防止通过接触传播病毒。几种深度学习架构被部署用于COVID-19的检测，如ResNet，Inception，Googlenet等。所有这些方法都在检测患有肺炎的受试者，而很难确定肺炎是由COVID-19引起的还是由于任何其他细菌或真菌的攻击。
2020-04-11 cs.CV cs.LG eess.IV
Requirement analysis for an artificial intelligence model for the diagnosis of the COVID-19 from chest X-ray data
University of Jyväskylä（于韦斯屈莱大学）
有多篇论文发表了关于COVID-19诊断的不同AI模型，并取得了可喜的成果。不幸的是，根据评论，许多论文没有达到临床可用模型所需的复杂程度。在本文中，我查阅了多篇综述论文、指南和其他相关材料，以便为未来提出基于人工智能的胸部X射线数据（CXR）诊断COVID-19的论文提出更全面的要求。主要发现是，临床可用的AI需要有非常好的文档，对可能的偏差和性能进行全面的统计分析，以及一个可解释性模块。
2021-11-19 cs.CV cs.LG eess.IV
Towards Clinical Practice: Design and Implementation of Convolutional Neural Network-Based Assistive Diagnosis System for COVID-19 Case Detection from Chest X-Ray Images
Carebot s.r.o.（Carebot有限责任公司）
早期发现和随后评估肺部疾病发病率的关键工具之一是胸部X线摄影。这项研究提出了一种基于卷积神经网络（CNN）的Carebot Covid应用程序的真实实现，以从胸部X射线（CXR）图像中检测COVID-19。我们提出的模型采用简单直观的应用程序的形式。所用的CNN可作为STOW-RS预测终点部署，以直接实现DICOM查看器。本研究结果表明，基于DenseNet和ResNet架构的深度学习模型可以从CXR图像中检测出SARS-CoV-2，精确度为0.981，召回率为0.962，AP为0.993。
2022-03-20 cs.CV cs.LG eess.IV
CovidAID: COVID-19 Detection Using Chest X-Ray
Indian Institute of Technology Delhi（德里印度理工学院）；University of Bath（巴斯大学）；Indian Institute of Technology Kanpur（坎普尔印度理工学院）；All India Institute of Medical Sciences Delhi（德里全印度医学科学研究所）
COVID-19患者的指数级增长使世界各地的医疗保健系统不堪重负。由于检测试剂盒有限，不可能使用常规技术（RT-PCR）对每个呼吸道疾病患者进行检测。这些测试也有很长的周转时间和有限的灵敏度。在等待检测结果期间，通过胸部X光检测可能的COVID-19感染可能有助于隔离高风险患者。大多数医疗保健系统中已经有了X射线机，并且大多数现代X射线系统已经数字化，样本也不需要运输时间。在这项工作中，我们建议使用胸部X射线优先选择患者进行进一步的RT-PCR检测。这在住院环境中可能是有用的，在住院环境中，目前的系统正在努力决定是否将患者与其他患者一起保持在病房中或将他们隔离在COVID-19区域中。它还将有助于识别具有高可能性的COVID患者，这些患者具有假阴性RT-PCR，需要重复测试。此外，我们建议使用现代人工智能技术，以自动化的方式使用X射线图像检测COVID-19患者，特别是在放射科医生无法使用的情况下，并有助于使拟议的测试技术可扩展。我们介绍CovidAID：COVID-19 AI检测器，这是一种基于深度神经网络的新型模型，用于对患者进行分类，以进行适当的检测。在公开可用的covid-chestxray-dataset [2]上，我们的模型对COVID-19感染的准确率为90.5%，灵敏度（召回率）为100%。我们在同一数据集上显著改进了Covid-Net [10]的结果。
2020-04-21 cs.CV cs.LG eess.IV
SODA: Detecting Covid-19 in Chest X-rays with Semi-supervised Open Set Domain Adaptation
Carnegie Mellon University（卡内基梅隆大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Petuum Inc.（Petuum 公司）
由于COVID-19病毒检测试剂盒短缺且等待时间较长，放射成像被用于补充筛查过程并将患者分流到不同的风险级别。基于深度学习的方法在自动检测胸部X光图像中的COVID-19疾病方面发挥了积极作用，正如2020年初的许多近期工作所见证的那样。大多数工作首先在现有的大规模胸部X射线图像数据集上训练卷积神经网络（CNN），然后使用规模小得多的COVID-19数据集对其进行微调。然而，由于两个问题，来自不同域的数据集之间的直接传输可能导致CNN的性能较差，这两个问题是生物医学成像数据集中存在的大域偏移和COVID-19胸部X射线数据集的极小规模。为了解决这两个重要问题，我们在半监督开集域自适应设置中制定了COVID-19胸部X射线图像分类问题，并提出了一种新的域自适应方法，半监督开集域对抗网络（SODA）。SODA能够在通用域空间以及源数据和目标数据的公共子空间中跨不同域对齐数据分布。在我们的实验中，SODA在分离COVID-19与普通肺炎方面取得了领先的分类性能。我们还提出了初步的结果表明，SODA可以产生更好的病理定位在胸部X射线。
2020-08-05 cs.CV cs.LG eess.IV
UMLS-ChestNet: A deep convolutional neural network for radiological findings, differential diagnoses and localizations of COVID-19 in chest x-rays
Sierra Research S.L（塞拉研究有限公司）；Universidad de Alicante（阿利坎特大学）；Medbravo（Medbravo医疗公司）；Fundación para el Fomento de la Investigación Sanitario y Biomédica de la Comunidad Valenciana（瓦伦西亚自治区卫生与生物医学研究促进基金会）；Hospital San Juan de Alicante（阿利坎特圣胡安医院）；Universidad Miguel Hernández（米格尔·埃尔南德斯大学）
在这项工作中，我们提出了一种方法，用于检测的放射性发现，其位置和鉴别诊断，从胸部X射线。与之前专注于检测少数病理的工作不同，我们使用映射到统一医学语言系统（UMLS）术语的分层分类法来识别189个放射学发现，22个鉴别诊断和122个解剖位置，包括磨玻璃影，浸润，实变和其他与COVID-19兼容的放射学发现。我们在一个包含92，594张正面胸部X光片（AP或PA，站立，仰卧或卧位）的大型数据库和另一个包含2，065张正面图像的数据库上对系统进行了训练，这些图像是通过至少一次阳性聚合酶链反应（PCR）测试确定的COVID-19患者。通过放射学报告的自然语言处理获得参考标签。在23，159张测试图像上，该神经网络获得了诊断COVID-19的AUC为0.94。据我们所知，这项工作使用了迄今为止最大的COVID-19阳性病例的胸部X射线数据集，并且是第一个使用分层标记模式并提供结果可解释性的数据集，不仅使用网络注意力方法，而且还通过指示导致诊断的放射学发现。
2020-06-06 cs.CV cs.LG eess.IV
AC-CovidNet: Attention Guided Contrastive CNN for Recognition of Covid-19 in Chest X-Ray Images
Indian Institute of Information Technology, Sri City, Chittoor（印度信息技术学院，斯里城，奇图尔）；Indian Institute of Information Technology, Allahabad（印度信息技术学院，阿拉哈巴德）
2019冠状病毒病全球大流行继续困扰着世界各地的医疗保健系统。目前，COVID-19检测既昂贵又耗时。胸部X射线（CXR）测试可以是一种快速，可扩展和非侵入性的方法。现有的方法由于Covid-19可用的CXR样本有限而受到影响。因此，受该领域开源工作局限性的启发，我们提出了用于CXR图像中Covid-19检测的注意力引导对比CNN架构（AC-CovidNet）。该方法在对比度损失的帮助下学习鲁棒性和区分性特征。此外，该方法在注意机制的指导下，对感染区域给予了更多的重视。我们计算了所提出的方法在公开可用的Covid-19数据集上的灵敏度。据观察，拟议的AC-CovidNet表现出非常有前途的性能相比，现有的方法，即使有限的训练数据。它可以解决研究人员面临的CXR Covid-19数据集的瓶颈。本文中使用的代码在\url{https://github.com/shivram1987/AC-CovidNet/}上公开发布。
2022-01-23 cs.CV cs.LG eess.IV
POTHER: Patch-Voted Deep Learning-Based Chest X-ray Bias Analysis for COVID-19 Detection
Warsaw University of Technology（华沙理工大学）；Sano Centre for Computational Medicine（萨诺计算医学中心）；Jagiellonian University（雅盖隆大学）；Tooploox
抗击COVID-19的关键一步是有效筛查出现严重COVID-19症状的诊所患者，COVID-19继续对人们的生活产生灾难性影响。胸部X线摄影是一种很有前途的筛查方法。许多研究报告使用深度学习在胸部X光中准确检测COVID-19。许多已发表的方法的一个严重局限性是对解释深度学习模型所做的决定关注不够。使用可解释的人工智能方法，我们证明了模型决策可能依赖于混杂因素，而不是医学病理学。在分析了胸部X射线图像上发现的潜在混杂因素后，我们提出了一种新的方法来最大限度地减少其负面影响。我们表明，我们提出的方法是更强大的比以前的尝试，以对抗混淆因素，如心电图导联在胸部X射线，往往影响模型的分类决策。除了鲁棒性之外，我们的方法还实现了与最先进技术相当的结果。源代码和预训练的权重可在（https：//github.com/tomek1911/POTHER）公开获得。
2022-08-08 cs.CV cs.LG eess.IV
PDCOVIDNet: A Parallel-Dilated Convolutional Neural Network Architecture for Detecting COVID-19 from Chest X-Ray Images
University of Chittagong（吉大港大学）；Charles Sturt University（查尔斯特大学）
COVID-19疫情继续严重破坏全球卫生系统的繁荣。为了防治这一流行病，对受感染患者的有效筛查技术是必不可少的。毫无疑问，使用胸部X光图像进行放射评估是必不可少的筛查技术之一。早期的一些研究显示，患者的胸部X光图像显示异常，这对于感染COVID-19的患者来说是很自然的。在本文中，我们提出了一种基于并行扩张卷积神经网络（CNN）的COVID-19检测系统，称为并行扩张COVIDNet（PDCOVIDNet）。首先，公开可用的胸部X射线收集充分预加载和增强，然后分类所提出的方法。并行形式的不同卷积膨胀率证明了使用PDCOVIDNet提取用于COVID-19检测的放射学特征的原理证明。因此，我们用两种可视化方法来辅助我们的方法，这两种方法是专门设计来增加对与COVID-19感染相关的关键成分的理解的。这两种可视化方法都计算与最后一个卷积层的特征映射相关的给定图像类别的梯度，以创建类别区分区域。在我们的实验中，我们总共使用了2，905张胸部X射线图像，包括三种情况（如COVID-19，正常和病毒性肺炎），经验评估显示，所提出的方法可以快速提取与疑似疾病相关的更重要的特征。实验结果表明，我们提出的方法显着提高了性能指标：准确率、精确率、召回率和F1分数分别达到96.58%、96.58%、96.59%和96.58%，与现有方法相当或有所增强。
2020-07-29 cs.CV cs.LG eess.IV
An Empirical Study on Detecting COVID-19 in Chest X-ray Images Using Deep Learning Based Methods
Bu Ali Sina University（布阿里·西纳大学）
COVID-19病毒的传播加大了提供检测试剂盒的力度。不仅这些试剂盒的制备困难、稀有和昂贵，而且使用它们也是另一个问题。结果表明，这些试剂盒需要一些关键的时间来识别病毒，除了他们遇到30%的损失之外。在本文中，我们研究了通过现有的卷积神经网络（CNN）对COVID-19胸部X射线图像进行分类的无处不在的X射线图片的使用。我们打算用不同的CNN架构（包括VGG 19、Densnet-121和Xception）对感染和未感染的胸部X射线进行训练。训练这些架构导致了不同的准确性，这比通常的测试方法更快，更精确。
2020-10-10 cs.CV cs.LG eess.IV
The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays
University of Leeds（利兹大学）；Leeds Teaching Hospitals NHS Trust（利兹教学医院 NHS 信托基金）
自COVID-19出现以来，人们开发了深度学习模型来从胸部X光检查中识别COVID-19。由于几乎没有直接存取医院数据，人工智能社区严重依赖由众多数据源组成的公共数据。在对开源源数据进行训练和测试时，模型性能结果非常出色，超过了COVID-19爆发之前人工智能在肺炎检测方面的报告能力。在这项研究中，有影响力的模型在广泛使用的开放源数据上进行训练，并在外部测试集和医院数据集上进行测试，用于将胸部X射线分类为三类之一：COVID-19，非COVID肺炎和非肺炎。通过ROC曲线、混淆矩阵和标准分类度量对模型的分类性能进行了评价。可解释性模块的实现，以探索最重要的分类图像功能。数据分析和模型评估表明，流行的开源数据集COVIDx并不能代表真正的临床问题，并且测试结果被夸大了。对开放源数据的依赖可能使模型容易受到偏见和混淆变量的影响，需要仔细分析，以开发临床上有用/可行的人工智能工具，用于胸部X光检查中的COVID-19检测。
2021-09-14 cs.CV cs.LG eess.IV
Using Deep Convolutional Neural Networks to Diagnose COVID-19 From Chest X-Ray Images
Beijing University of Posts and Telecommunications（北京邮电大学）
COVID-19疫情已成为全球重大安全及健康威胁。影像学诊断是筛查COVID-19最有效的方法之一。该项目利用几个开源或公共数据集来呈现COVID-19 CXRs的开源数据集，命名为COVID-19-CXR-Dataset，并引入了深度卷积神经网络模型。该模型在740张测试图像上进行了验证，获得了87.3%的准确率，89.67%的精确率和84.46%的召回率，并在95%的置信区间条件下正确分类了100张COVID-19 X射线图像中的98张，预测概率超过81%。该项目可以为其他旨在推进深度学习在医学成像中应用的研究人员提供参考。
2020-07-19 cs.CV cs.LG eess.IV
A novel framework based on deep learning and ANOVA feature selection method for diagnosis of COVID-19 cases from chest X-ray Images
Amirkabir University of Technology（阿米尔卡比尔理工大学）；Semnan University（塞姆南大学）
新型冠状病毒（称为COVID-19）首先在武汉被发现，并迅速蔓延到世界各地，对经济和人们的日常生活造成严重破坏。发烧、咳嗽、喉咙痛、头痛、疲惫、肌肉疼痛和呼吸困难都是COVID-19的典型症状。需要可靠的检测技术来识别受影响的个体并在COVID-19的早期阶段对其进行护理，并减少病毒的传播。最容易获得的COVID-19识别方法是RT-PCR;然而，由于其时间承诺和假阴性结果，必须寻求替代方案。事实上，与RT-PCR相比，胸部CT扫描和胸部X射线图像提供了更好的结果。由于CT扫描设备稀缺且成本高昂，X射线图像更适合筛查。本文采用预训练的网络DenseNet 169从X射线图像中提取特征。通过特征选择方法（ANOVA）选择特征，以减少计算和时间复杂度，同时克服维数灾难以提高预测精度。最后，利用XGBoost对所选特征进行分类。胸部X射线8数据集，这是用来训练和评估所提出的方法。该方法对两类分类（COVID-19，健康）的准确率达到98.72%，对三类分类（COVID-19，健康，肺炎）的准确率达到92%。
2021-09-30 cs.CV cs.LG eess.IV
An Ensemble Deep Learning Approach for COVID-19 Severity Prediction Using Chest CT Scans
Dublin City University（都柏林城市大学）
本研究提出一种基于集成深度学习的模型，结合切片函数、数据增强和测试时增强技术，利用STOIC数据集从胸部CT扫描预测COVID-19严重程度，取得了与复杂方法相当的效果并在STOIC2021挑战赛中获第四名。
2023-05-17 cs.CV cs.LG eess.IV
Machine learning approaches for COVID-19 detection from chest X-ray imaging: A Systematic Review
Universidad Autónoma de Manizales（马尼萨莱斯自治大学）；Universidad Nacional de Colombia（哥伦比亚国立大学）
有必要开发负担得起且可靠的诊断工具，以遏制COVID-19的传播。机器学习（ML）算法已被提出来设计支持决策系统，以评估胸部X射线图像，这已被证明是有用的检测和评估疾病进展。围绕这一主题发表了许多研究文章，这使得很难确定未来工作的最佳方法。本文对ML应用于使用胸部X射线图像的COVID-19检测进行了系统综述，旨在为研究人员提供方法，架构，数据库和当前限制方面的基线。
2022-06-11 cs.CV cs.LG eess.IV
Deep Learning for Screening COVID-19 using Chest X-Ray Images
West Bengal State University（西孟加拉邦立大学）；Indian Statistical Institute（印度统计研究所）；Jamia Hamdard (Deemed University)（贾米亚哈姆达德大学）
随着对筛查数百万潜在“新型冠状病毒”或COVID-19病例的需求不断增加，以及由于常用PCR测试中出现高假阴性，因此有必要使用放射图像（如胸部X光）探索COVID-19的替代简单筛查机制。在这种情况下，机器学习（ML）和深度学习（DL）提供了快速，自动化，有效的策略来检测异常并提取改变的肺实质的关键特征，这可能与COVID-19病毒的特定特征有关。然而，可用的COVID-19数据集不足以训练深度神经网络。因此，我们提出了一个新的概念，称为域扩展迁移学习（DETL）。我们在相关的大型胸部X射线数据集上使用DETL和预训练的深度卷积神经网络，该数据集经过调整以在四个类别\textit{viz.} $normal$、$pneumonia$、$other\_disease$和$Covid-19$之间进行分类。进行5倍交叉验证，以评估使用胸部X光诊断COVID-19的可行性。初步结果显示出希望，有可能在更大和更多样化的数据集上复制。总体准确度测量为$90.13\% \pm 0.14$。为了了解COVID-19检测透明度，我们采用了梯度类激活图（Grad-CAM）的概念来检测模型在分类过程中更加关注的区域。经专家验证，这与临床结果密切相关。
2020-08-21 cs.CV cs.LG eess.IV
Experiments of Federated Learning for COVID-19 Chest X-ray Images
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Hainan University（海南大学）；University of Macau（澳门大学）
AI在COVID-19识别中发挥着重要作用。计算机视觉和深度学习技术可以通过胸部X光图像帮助确定COVID-19感染。但出于对患者隐私的保护和尊重，医院的具体医疗相关数据未经允许不允许泄露和共享。收集此类培训数据是一项重大挑战。在一定程度上，这导致在执行深度学习方法以检测COVID-19时缺乏足够的数据样本。联合学习是解决这个问题的一种有效方法。它可以有效地解决数据孤岛问题，并在不获取本地数据的情况下获得共享模型。在这项工作中，我们提出了使用联邦学习进行COVID-19数据训练，并部署实验来验证其有效性。我们还比较了四种流行模型（MobileNet，ResNet 18，MoblieNet和COVID-Net）在使用联邦学习框架和不使用框架的情况下的性能。这项工作旨在激发更多关于COVID-19联邦学习的研究。
2020-07-05 cs.CV cs.LG eess.IV
A Novel Implementation of Machine Learning for the Efficient, Explainable Diagnosis of COVID-19 from Chest CT
在像COVID-19这样紧急的全球健康危机中，对快速、可靠的诊断的需求变得迫切。目前，流行的检测方法，如逆转录聚合酶链反应（RT-PCR）可能有很高的假阴性率。因此，COVID-19患者没有得到准确识别，也没有得到足够迅速的治疗以防止病毒传播。然而，最近医学CT数据的兴起提供了有希望的途径，因为CT表现包含指示COVID-19的关键特征。这项研究旨在采用一种新的方法，从胸部CT扫描中检测基于机器学习的COVID-19。首先，本研究中使用的数据集来自三个主要来源，包括923例患者病例的总计17，698个胸部CT切片。然后开发图像预处理算法，通过排除不相关的特征来降低噪声。迁移学习还使用EfficientNetB 7预训练模型实现，以提供骨干架构并节省计算资源。最后，利用几种可解释性技术，通过定位感染区域和突出显示细粒度像素细节来定性验证模型性能。该模型的整体精度为0.927，灵敏度为0.958。可解释性指标显示，该模型正确区分了与COVID-19胸部CT图像和正常对照相关的关键特征。深度学习框架提供了高效的、人类可解释的COVID-19诊断，可以补充放射科医生的决策，或作为替代筛查工具。未来的努力可能会提供深入了解感染的严重程度，患者的风险分层和预后。
2022-06-15 cs.CV cs.LG eess.IV
COVIDX: Computer-aided diagnosis of Covid-19 and its severity prediction with raw digital chest X-ray images
University of Azad Jammu & Kashmir（阿扎德查谟和克什米尔大学）
冠状病毒病（COVID-19）是由严重急性呼吸道综合征冠状病毒-2（SARS-COV-2）引起的一种传染性感染，它已感染并导致全球数百万人死亡。在缺乏治疗COVID-19的特定药物或疫苗以及现有诊断技术的限制下，需要一些替代的自动筛查系统，可供医生使用以快速识别和隔离受感染的患者。胸部X射线（CXR）图像可用作检测和诊断COVID-19的替代模式。在这项研究中，我们提出了一个自动COVID-19诊断和严重程度预测（COVIDX）系统，该系统使用来自CXR图像的深度特征图来诊断COVID-19及其严重程度预测。该系统采用了三阶段分类方法（健康与不健康，COVID-19与肺炎，以及COVID-19严重程度），使用不同的浅层监督分类算法。我们不仅通过10倍交叉验证和使用外部验证数据集来评估COVIDX，而且还通过经验丰富的放射科医生在实际环境中进行评估。在所有评估设置中，COVIDX优于所有现有的为此目的设计的最先进的方法。我们通过基于云的Web服务器和Python代码分别在https://sites.google.com/view/wajidarshad/software和https：//github.com/wajidarshad/covidx上轻松访问COVIDX。
2020-12-25 cs.CV cs.LG eess.IV
Detecting COVID-19 and Community Acquired Pneumonia using Chest CT scan images with Deep Learning
Indian Institute of Technology, Jammu（印度理工学院贾姆姆分校）；University of Pennsylvania（宾夕法尼亚大学）
我们提出了一个基于两阶段卷积神经网络（CNN）的分类框架，用于使用胸部计算机断层扫描（CT）扫描图像检测COVID-19和社区获得性肺炎（CAP）。在第一阶段，使用预先训练的DenseNet架构检测感染- COVID-19或CAP。然后，在第二阶段，使用EfficientNet架构进行细粒度的三向分类。拟议的COVID+CAP-CNN框架在识别COVID-19和CAP时实现了超过94%的切片级分类准确率。此外，拟议的框架有可能成为COVID-19和CAP鉴别诊断的初始筛查工具，在更精细的COVID-19、CAP和健康三方面分类中，验证准确率超过89.3%。在IEEE ICASSP 2021关于COVID-19诊断的信号处理大挑战（SPGC）中，我们提出的两阶段分类框架在区分COVID-19、CAP和正常个体方面分别实现了90%的总体准确率和.857、.9和.942的灵敏度，在评估中排名第一。代码和型号重量可在https://github.com/shubhamchaudhary2015/ct_covid19_cap_cnn上获得
2021-04-11 cs.CV cs.LG eess.IV
COVID-MobileXpert: On-Device COVID-19 Patient Triage and Follow-up using Chest X-rays
Wayne State University（韦恩州立大学）
在COVID-19大流行期间，对快速、专用和即时COVID-19患者处置技术的需求不断增加，以优化资源利用和临床工作流程。鉴于这一需求，我们提出了COVID-MobileXpert：一个基于深度神经网络（DNN）的轻量级移动应用程序，可以使用胸部X射线（CXR）进行COVID-19病例筛查和放射学轨迹预测。我们设计并实现了一个新型的三人知识转移和蒸馏（KTD）框架，包括一个预先训练的主治医生（AP）网络，该网络从大规模肺部疾病CXR图像中提取CXR成像特征，一个微调的居民研究员（RF）网络，该网络学习基本的CXR成像特征，以区分COVID-19与肺炎和/或具有少量COVID-19病例的正常病例，以及一个经过训练的轻量级医学生（MS）网络，用于在设备上执行COVID-19患者分诊和随访。为了解决医学图像中非常相似和占主导地位的前和背景的挑战，我们采用了新的损失函数和训练方案的MS网络学习强大的功能。我们证明了COVID-MobileXpert的巨大潜力，通过广泛的实验与不同的MS架构和调整参数设置的快速部署。基于云和移动的模型的源代码可从以下URL获得：https://github.com/xinli0928/COVID-Xray。
2020-09-07 cs.CV cs.LG eess.IV
Detecting COVID-19 from Chest Computed Tomography Scans using AI-Driven Android Application
National Institute of Technology, Hamirpur（国家理工学院哈米尔布尔分校）；Emory University School of Medicine（埃默里大学医学院）
截至二零二一年六月，COVID-19（二零一九年冠状病毒病）疫情影响全球逾1. 86亿人，逾400万人死亡。其规模已使全球医疗保健系统紧张。胸部计算机断层扫描（CT）扫描在COVID-19的诊断和确诊中具有潜在作用。设计一种具有成本效益且便于在移动电话等资源受限设备上操作的诊断系统将增强胸部CT扫描的临床使用，并提供快速，移动和可访问的诊断功能。这项工作提出开发一种新型的Android应用程序，使用高效准确的深度学习算法从胸部CT扫描中检测COVID-19感染。它还创建了一个注意力热图，通过作为这项工作的一部分开发的算法在CT扫描中分割的肺实质区域上增强，该算法显示了肺部的感染区域。我们提出了一种结合多线程的选择方法，用于在Android设备上更快地生成热图，从而将处理时间减少了约93%。在这项工作中训练用于检测COVID-19的神经网络的F1得分和准确率均为99.58%，灵敏度为99.69%，优于CT扫描COVID诊断领域的大多数结果。这项工作将有益于高容量的实践，并帮助医生在COVID-19的早期诊断中快速有效地对患者进行分流。
2021-11-06 cs.CV cs.LG eess.IV
COVID-Net: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest X-Ray Images
University of Waterloo（滑铁卢大学）；Waterloo Artificial Intelligence Institute（滑铁卢人工智能研究所）；DarwinAI Corp.（达尔文人工智能公司）
COVID-19疫情继续对全球人口的健康和福祉造成破坏性影响。抗击COVID-19的关键一步是对感染患者进行有效筛查，其中关键筛查方法之一是使用胸部X光检查进行放射学检查。受此启发，并受到研究界开源努力的启发，在这项研究中，我们介绍了COVID-Net，这是一种深度卷积神经网络设计，专为从胸部X射线（CXR）图像中检测COVID-19病例而量身定制，是开源的，可供公众使用。据作者所知，COVID-Net是最初发布时用于从CXR图像检测COVID-19的首批开源网络设计之一。我们还介绍了COVIDx，这是一个开放获取的基准数据集，我们生成了13，870例患者病例的13，975张CXR图像，据作者所知，其中公开的COVID-19阳性病例数量最多。此外，我们研究了COVID-Net如何使用可解释性方法进行预测，不仅试图更深入地了解与COVID病例相关的关键因素，这可以帮助临床医生改进筛查，而且还以负责任和透明的方式审核COVID-Net，以验证它是根据CXR图像的相关信息做出决策的。这绝不是一个生产就绪的解决方案，希望开放访问COVID-Net以及构建开源COVIDx数据集的描述将被研究人员和公民数据科学家利用和建立，以加速开发高度准确但实用的深度学习解决方案，用于检测COVID-19病例，并加速对最需要的人的治疗。
2020-05-11 cs.CV cs.LG eess.IV
Deep Learning on Chest X-ray Images to Detect and Evaluate Pneumonia Cases at the Era of COVID-19
Université de Haute-Alsace（上阿尔萨斯大学）；Université de Strasbourg（斯特拉斯堡大学）；University of Lille（里尔大学）；YNCREA-ISEN Lille（里尔YNCREA-ISEN工程学院）；University of the Basque Country（巴斯克大学）；IKERBASQUE, Basque Foundation for Science（伊克尔巴斯克巴斯克科学基金会）；The University of Tokyo（东京大学）；CNRS（法国国家科学研究中心）；Inserm（法国国家健康与医学研究院）；CHU Lille（里尔大学医院）
2019年冠状病毒病（COVID-19）是一种传染病，最初症状类似于流感。COVID-19首先在中国出现，并迅速蔓延至世界其他地区，导致2019-20冠状病毒大流行。在许多情况下，这种疾病会导致肺炎。由于肺部感染可以通过X射线摄影图像观察到，本文研究了用于自动分析查询胸部X射线图像的深度学习方法，希望为卫生专业人员提供筛查COVID-19和诊断确诊患者的精确工具。在这种情况下，训练数据集、深度学习架构和分析策略已经从公开的胸部X光图像集中进行了实验。提出了定制的深度学习模型来检测肺炎感染病例，特别是病毒病例。假设在COVID-19流行背景下检测到的病毒性肺炎病例有很高的可能性推测COVID-19感染。此外，提出了易于应用的健康指标，用于从检测到的肺炎病例估计感染状况和预测患者状况。实验结果表明，在公开开放的胸部X光图像集上训练深度学习模型以筛查病毒性肺炎的可能性。COVID-19感染患者的胸部X射线测试图像通过保留其性能的检测模型成功诊断。通过结合真实和合成健康数据模拟患者出现感染和健康问题的情景，突出了拟议健康指标的效率。
2020-04-05 cs.CV cs.LG eess.IV
Unveiling COVID-19 from Chest X-ray with deep learning: a hurdles race with small data
University of Turin（都灵大学）；Azienda Ospedaliera Città della Salute e della Scienza（健康与科学城医院）
使用广泛和简单的胸部X射线（CXR）成像对COVID-19患者进行早期筛查的可能性吸引了临床和AI社区的极大兴趣。在这项研究中，我们通过将深度学习应用于CXR图像的COVID分类，提供了见解，并提出了合理预期的警告。我们提供了一个方法指南和一套广泛的统计结果，可以使用当前可用的数据集获得的批判性阅读。特别是，我们接受了当前小规模COVID数据带来的挑战，并展示了使用更大的公共非COVID CXR数据集的迁移学习引入的偏差有多重要。我们还提供了一个中等规模的COVID CXR数据集的结果，该数据集是由意大利北部的一家主要急诊医院在COVID大流行高峰期收集的。这些新的数据使我们能够有助于验证科学界流传的初步结果的推广能力。我们的结论揭示了使用CXR有效区分COVID的可能性。
2020-04-11 cs.CV cs.LG eess.IV
Res-Dense Net for 3D Covid Chest CT-scan classification
Ho Chi Minh University of Science（胡志明市科学大学）
医学图像预处理中最有争议的研究领域之一是3D CT扫描。随着COVID-19的迅速传播，CT扫描在正确和快速诊断疾病方面的作用变得至关重要。它对预防感染有积极的影响。通过CT扫描图像诊断疾病有许多任务，包括COVID-19。在本文中，我们提出了一种使用堆叠深度神经网络通过一系列3D CT扫描图像检测Covid 19的方法。在我们的方法中，我们使用两个主干进行实验，分别是DenseNet 121和ResNet 101。该方法在某些评价指标上取得了较好的效果
2022-08-09 cs.CV cs.LG eess.IV
New Bag of Deep Visual Words based features to classify chest x-ray images for COVID-19 diagnosis
Deakin University（迪肯大学）
由于严重急性呼吸系统综合征冠状病毒2（COVID-19）的感染会导致肺部出现肺炎样效应，因此胸部X光检查有助于诊断疾病。对于图像的自动分析，它们在机器中由一组语义特征表示。深度学习（DL）模型被广泛用于从图像中提取特征。一般的深度特征可能不适合表示胸部X射线，因为它们具有一些语义区域。尽管基于视觉词袋（BoVW）的特征被证明更适合于X射线类型的图像，但现有的BoVW特征可能无法捕获足够的信息来区分COVID-19感染与其他肺炎相关感染。在本文中，我们提出了一种新的BoVW方法，称为Bag of Deep Visual Words（BoDVW），通过删除特征图归一化步骤并在原始特征图上添加深度特征归一化步骤。这有助于保留每个特征图的语义，这些特征图可能具有区分COVID-19和肺炎的重要线索。我们评估了我们提出的BoDVW特征在使用支持向量机（SVM）诊断COVID-19的胸部X射线分类中的有效性。我们在公开的COVID-19 X射线数据集上的结果表明，与最先进的方法相比，我们的特征可以在更短的计算时间内产生稳定和突出的分类准确性，特别是将COVID-19感染与其他肺炎区分开来。因此，我们的方法可以成为大规模快速诊断COVID-19患者的非常有用的工具。
2021-01-28 cs.CV cs.LG eess.IV
Fused Deep Convolutional Neural Network for Precision Diagnosis of COVID-19 Using Chest X-Ray Images
Christian Brothers University（基督教兄弟大学）；University of Dayton（代顿大学）
随着全球冠状病毒病（COVID-19）病例数超过1000万，对诊断能力的需求增加。提高诊断能力的主要变量是降低成本、周转或诊断时间以及前期设备成本和可获得性。机器学习COVID-19诊断的两个候选方法是计算机断层扫描（CT）扫描和胸部X光平片。虽然CT扫描的灵敏度更高，但与普通胸部X射线相比，它们具有更高的成本，维护要求和周转时间。美国放射学会（ACR）推荐使用便携式胸部X射线摄影（CXR），因为使用CT会给放射学服务带来巨大负担。因此，X射线图像与机器学习技术相结合被提议作为COVID-19诊断的一线分诊工具。在本文中，我们提出了一种计算机辅助诊断（CAD），通过微调在ImageNet数据集上预训练的几个神经网络（ResNet 18，ResNet 50，DenseNet 201）来准确分类COVID-19和正常受试者的胸部X射线扫描。这些神经网络融合在一个并行的架构和投票标准的候选对象类之间的最终分类决策，其中每个神经网络的输出是代表一个单一的投票。在弱标记COVID-19-CT-CXR数据集上进行了几项实验，该数据集由从PubMed Central Open Access子集中提取的263张COVID-19 CXR图像与25张正常分类CXR图像组成。这些实验显示了一个乐观的结果和能力，该模型优于许多国家的最先进的算法在几个措施。使用k折交叉验证和装袋分类器集成，我们实现了99.…
2020-09-15 cs.CV cs.LG eess.IV
A Deep Learning Approach for the Detection of COVID-19 from Chest X-Ray Images using Convolutional Neural Networks
Birla Institute of Technology and Science, Pilani, Dubai Campus（比尔拉技术与科学学院皮拉尼分校迪拜校区）
COVID-19（冠状病毒）是由严重急性呼吸道综合征冠状病毒2（SARS-CoV-2）引起的持续大流行病。该病毒于2019年12月中旬在中国湖北省武汉市首次被发现，目前已蔓延至全球各地，确诊病例超过7550万例，死亡人数超过167万。由于医疗设施中可用的COVID-19检测试剂盒数量有限，因此开发和实施自动检测系统作为可用于商业规模的COVID-19检测的替代诊断选项非常重要。胸部X线是第一种在COVID-19疾病诊断中发挥重要作用的成像技术。计算机视觉和深度学习技术可以帮助通过胸部X射线图像确定COVID-19病毒。由于大规模带注释图像数据集的高可用性，使用卷积神经网络进行图像分析和分类已经取得了巨大成功。在这项研究中，我们提出了一个深度卷积神经网络，它在五个开放获取的数据集上训练，并具有二进制输出：Normal和Covid。将该模型的性能与四个预训练的基于卷积神经网络的模型（COVID-Net，ResNet 18，ResNet和MobileNet-V2）进行比较，可以看出，与其他四个预训练模型相比，所提出的模型在验证集上提供了更好的准确性。这项研究工作提供了有前途的结果，可以进一步即兴发挥和实施的商业规模。
2022-01-24 cs.CV cs.LG eess.IV
ECOVNet: An Ensemble of Deep Convolutional Neural Networks Based on EfficientNet to Detect COVID-19 From Chest X-rays
University of Chittagong（吉大港大学）；Charles Sturt University（查尔斯特大学）
本文提出了一种基于EfficientNet的深度卷积神经网络（CNN）集成，称为ECOVNet，用于使用大型胸部X射线数据集检测COVID-19。首先，对开放访问的大型胸部X射线集合进行增强，然后将ImageNet预先训练的EfficientNet权重与一些经过训练的自定义微调顶层一起传输，然后是模型快照的集合，以分类对应于COVID-19，正常和肺炎的胸部X射线。在单个训练期间创建的模型快照的预测通过两种集成策略组合，即，硬集成和软集成，以改善分类性能和在分类胸部X射线的相关任务中的泛化。
2020-10-16 cs.CV eess.IV
Reliable COVID-19 Detection Using Chest X-ray Images
Faculty of Information Technology and Communication Sciences, Tampere University（坦佩雷大学信息技术与通信科学学院）；Department of Electrical Engineering, Qatar University（卡塔尔大学电气工程学院）
针对现有COVID-19检测数据稀缺、区分疾病类型有限的问题，提出ReCovNet网络及最大CXR数据集QaTa-COV19，可区分14种胸部疾病与健康者，敏感性98.57%，特异性99.77%。
2021-01-28 cs.CV cs.LG eess.IV
Custom Deep Neural Network for 3D Covid Chest CT-scan Classification
Ho Chi Minh University of Science（胡志明市科学大学）
基于胸部的三维CT扫描是目前研究者争论的热点之一。通过CT扫描图像诊断疾病有许多任务，包括Covid 19。在本文中，我们提出了一种自定义并结合深度神经网络来分类3D CT扫描胸部图像的方法。在我们的方法中，我们使用DenseNet 121和ResNet 101两个主干进行实验。在这个提案中，我们将实验分为两个任务，一个是ResNet和DenseNet的两个骨干组合，一个是DenseNet骨干组合。
2021-07-03 cs.CV eess.IV
Deep COVID-19 Recognition using Chest X-ray Images: A Comparative Analysis
Sabaragamuwa University of Sri Lanka（斯里兰卡萨伯勒格穆沃大学）
新型冠状病毒变体，也被广泛称为COVID-19，目前是全世界所有人类的共同威胁。使用先进的机器学习方法有效识别COVID-19是一个及时的需要。尽管最近提出了许多复杂的方法，但它们仍然难以实现使用胸部X射线图像识别COVID-19的预期性能。此外，他们中的大多数都涉及复杂的预处理任务，这往往是具有挑战性和耗时的。与此同时，深度网络是端到端的，在过去十年中在基于图像的识别任务中显示出了令人鼓舞的结果。因此，在这项工作中，评估了一些广泛使用的最先进的深度网络，用于胸部X射线图像的COVID-19识别。所有深度网络都是在公开可用的胸部X射线图像数据集上进行评估的。评估结果表明，深度网络可以有效地从胸部X射线图像中识别COVID-19。此外，比较结果表明，EfficientNetB 7网络优于其他现有的最先进的技术。
2022-07-26 cs.CV eess.IV
Study of Different Deep Learning Approach with Explainable AI for Screening Patients with COVID-19 Symptoms: Using CT Scan and Chest X-ray Image Dataset
University of Oklahoma（俄克拉荷马大学）；University of Memphis（孟菲斯大学）；Marquette University（马凯特大学）
COVID-19疫情爆发至今仅在美国就造成超过10万人死亡。有必要对有COVID-19疾病症状的患者进行初步筛查，以控制疾病的传播。然而，由于患者数量的增长，使用可用的检测试剂盒进行检测变得费力。一些研究提出CT扫描或胸部X线图像作为替代解决方案。因此，必须利用一切可用资源，而不是CT扫描或胸部X光同时进行大量测试。因此，本研究旨在开发一种基于深度学习的模型，该模型可以在CT扫描和胸部X射线图像数据集上更准确地检测COVID-19患者。在这项工作中，八种不同的深度学习方法，如VGG 16，InceptionResNetV 2，ResNet 50，DenseNet 201，VGG 19，MobilenetV 2，NasNetMobile和ResNet 15 V2，已经在两个数据集上进行了测试-一个数据集包括400张CT扫描图像，另一个数据集包括400张胸部X射线图像。此外，局部可解释模型不可知解释（LIME）被用来解释模型的可解释性。使用LIME，测试结果表明，可以解释本应用于构建信任AI框架的顶级特征，以区分具有COVID-19症状的患者与其他患者。
2020-07-24 cs.CV cs.LG eess.IV
Comparative performance analysis of the ResNet backbones of Mask RCNN to segment the signs of COVID-19 in chest CT scans
Ghulam Ishaq Khan Institute of Engineering Sciences and Technology（古拉姆·伊沙克·汗工程科学与技术学院）
COVID-19对全球的死亡人数和危重患者人数的增加造成了不利影响。根据联合国开发计划署（UNDP）针对COVID-19危机的社会经济计划，这场大流行病远远不止是一场健康危机：它正在影响社会和经济的核心。作为COVID-19诊断的一部分，基于胸部X射线的成像技术最近有了更大的发展，特别是使用卷积神经网络（CNN）来识别和分类图像。然而，鉴于监督标记的成像数据的限制，医疗诊断的分类和预测风险建模往往会妥协。本文旨在通过在肺部轴向CT（胸部计算机断层扫描）扫描中使用深度神经网络来识别和监测COVID-19对人类肺部的影响。我们采用Mask RCNN，以ResNet 50和ResNet 101为骨干，对受COVID-19冠状病毒影响的区域进行细分。使用已经出现症状的人类肺部区域，该模型将患者的状况分类为“轻度”或“警报”。此外，该模型被部署在谷歌云平台（GCP）上，以模拟模型的在线使用，以进行性能评估和准确性提高。ResNet 101主干模型产生0.85的F1分数和更快的预测分数，每个推理的平均时间为9.04秒。
2020-08-21 cs.CV cs.LG eess.IV
A Deep Convolutional Neural Network for COVID-19 Detection Using Chest X-Rays
University of Campinas（坎皮纳斯大学）
目的：我们提出了基于密集卷积网络和转移学习的图像分类器，根据三个标签对胸部X射线图像进行分类：COVID-19，肺炎和正常。研究方法：我们微调了在ImageNet上预训练的神经网络，并使用NIH ChestX-ray 14数据集作为中间步骤，应用了两次迁移学习方法。我们还提出了一种称为输出神经元保持的新颖方法，它改变了两次迁移学习技术。为了阐明模型的工作方式，我们使用分层相关传播（LRP）来生成热图。结果：我们能够在测试数据集上达到100%的测试准确率。两次迁移学习和输出神经元保持显示出有希望的结果，主要是在训练过程的开始，提高了性能。尽管LRP揭示了X射线上的单词会影响网络的预测，但我们发现这对准确性的影响非常小。结论：尽管仍需要临床研究和更大的数据集来进一步确保良好的泛化能力，但我们取得的最先进的性能表明，在人工智能的帮助下，胸部X光可以成为COVID-19诊断的廉价而准确的辅助方法。LRP生成的热图提高了深度神经网络的可解释性，并为未来的诊断研究指明了分析路径。输出神经元的二次迁移学习保持了性能的提高。
2021-01-13 cs.CV cs.LG eess.IV
COVID-19 Detection Based on Self-Supervised Transfer Learning Using Chest X-Ray Images
Hokkaido University（北海道大学）
目的：考虑到由于COVID-19大流行而筛查的几名患者，计算机辅助检测在协助临床工作流程效率和降低放射科医生和医疗保健提供者的感染发生率方面具有强大的潜力。由于许多确诊的COVID-19病例存在肺炎的放射学表现，放射学检查可用于快速检测。因此，胸部X线摄影可用于在患者分诊期间快速筛查COVID-19，从而确定患者护理的优先级，以在大流行情况下帮助饱和的医疗设施。研究方法：在本文中，我们提出了一种新的学习方案，称为自监督迁移学习，用于从胸部X射线（CXR）图像中检测COVID-19。我们比较了六种自监督学习（SSL）方法（Cross，BYOL，SimSiam，Simplified，PIRL-jigsaw和PIRL-rotation）。此外，我们还将六个预训练的DCNN（ResNet 18，ResNet 50，ResNet 101，CheXNet，DenseNet 201和InceptionV 3）与所提出的方法进行了比较。我们对最大的开放COVID-19 CXR数据集进行定量评估，并对目视检查提供定性结果。结果：我们的方法实现了调和平均值（HM）得分为0.985，AUC为0.999，四级准确度为0.953。我们还使用可视化技术Grad-CAM++来生成不同类别的CXR图像的可视化解释，以增加可解释性。结论：我们的方法表明，使用迁移学习从自然图像中学习的知识有利于CXR图像的SSL，并…
2022-12-19 cs.CV cs.LG eess.IV
CT-CAPS: Feature Extraction-based Automated Framework for COVID-19 Disease Identification from Chest CT Scans using Capsule Networks
Concordia University（康考迪亚大学）；McGill University（麦吉尔大学）；Sunnybrook Health Sciences Centre（桑尼布鲁克健康科学中心）；University of Toronto（多伦多大学）
新型冠状病毒（COVID-19）疾病的全球爆发对世界产生了巨大影响，并导致了自第二次世界大战以来全球最具挑战性的危机之一。COVID-19阳性病例的早期诊断和隔离被认为是防止疾病传播和平坦化流行曲线的关键步骤。胸部计算机断层扫描（CT）扫描是一种高度敏感、快速和准确的诊断技术，可以补充逆转录聚合酶链反应（RT-PCR）检测。最近，基于深度学习的模型，主要基于卷积神经网络（CNN），已经显示出有希望的诊断结果。然而，CNN无法捕获图像实例之间的空间关系，并且需要大型数据集。另一方面，胶囊网络可以捕获空间关系，需要更小的数据集，并且具有相当少的参数。在本文中，胶囊网络框架，简称为“CT-CAPS”，提出了自动提取胸部CT扫描的独特特征。这些特征是从最终胶囊层之前的层中提取的，然后被用来区分COVID-19和非COVID病例。在307例患者的内部数据集上的实验显示了最先进的性能，准确性为90.8%，灵敏度为94.5%，特异性为86.0%。
2020-10-30 cs.CV cs.LG eess.IV
Detection of Covid-19 Patients with Convolutional Neural Network Based Features on Multi-class X-ray Chest Images
Zonguldak Bulent Ecevit University（宗古尔达克·比伦特·埃杰维特大学）
COVID-19是一种非常严重的致命疾病，已被世界卫生组织（WHO）宣布为大流行病。全世界都在尽一切努力尽快结束新冠肺炎大流行，这场大流行使各国陷入严重的健康和经济问题。其中最重要的是正确识别那些感染新冠肺炎的人。支持逆转录聚合酶链反应（RT-PCR）检测的方法和途径已开始在文献中出现。在这项研究中，使用了可以轻松快速获取的胸部X光图像，因为新冠病毒攻击了呼吸系统。支持向量机的分类性能已通过使用从这些图像中提取的特征与残差网络（ResNet-50），卷积神经网络模型之一。虽然使用支持向量机（SVM）-二次获得Covid-19检测，使用5倍交叉验证方法的最高灵敏度值为96.35%，但使用SVM-二次和SVM-三次检测到的最高总体性能值均超过99%。根据这些高的结果，认为这种方法，已经研究，将帮助放射科专家和降低误检率。
2020-12-10 cs.CV cs.LG eess.IV
Evaluating Convolutional Neural Networks for COVID-19 classification in chest X-ray images
本文利用AlexNet、VGG-11、SqueezeNet和DenseNet-121四种卷积神经网络对胸部X光图像进行COVID-19自动分类，结合浅层微调与数据增强，所有模型准确率超过97%，其中SqueezeNet达到99.20%。
2024-12-26 cs.CV cs.LG eess.IV
A Novel and Reliable Deep Learning Web-Based Tool to Detect COVID-19 Infection from Chest CT-Scan
Department of Biomedical Engineering, Science and Research Branch, Islamic Azad University（伊斯兰阿扎德大学科学研究分支生物医学工程系）
冠状病毒已经在世界许多国家传播，并夺走了许多人的生命。此外，世界卫生组织（WHO）已宣布COVID-19已达到全球流行阶段。使用胸部CT扫描的早期和可靠的诊断可以在重要情况下帮助医疗专家。在这项工作中，我们引入了一个计算机辅助诊断（CAD）网络服务来在线检测COVID- 19。本实验使用了最大的公共胸部CT扫描数据库之一，包含746名参与者。研究人员考察了由ResNet、Inception和MobileNet组成的许多知名深度神经网络架构，以找到混杂系统的最有效模型。为了减少图像维度，选择了密集连接卷积网络（DenseNet）和Nu-SVM作为抗过拟合瓶颈的组合来区分COVID-19和健康对照。该方法的召回率为90.80%，精确率为89.76%，准确率为90.61%.该方法还产生95.05%的AUC。最终，一个flask Web服务通过ngrok使用训练好的模型公开，以提供一个RESTful COVID-19检测器，处理一张图像只需要39毫秒。源代码也可以在https://github.com/KiLJ4EdeN/COVID_WEB上获得。根据研究结果，可以推断，使用所提出的技术作为诊断COVID-19的自动化工具是可行的。
2020-06-26 cs.CV cs.LG eess.IV
COVID-19 detection from scarce chest x-ray image data using few-shot deep learning approach
在当前COVID-19大流行形势下，迫切需要快速准确地筛查感染患者。使用在胸部X光图像上训练的深度学习模型可以成为在这些情况下筛查COVID-19患者的有效方法。深度学习方法已经在医学界广泛使用。但是，它们需要大量的数据才能准确。开源社区集体努力收集和注释数据，但这不足以训练准确的深度学习模型。Few-Shot学习是机器学习的一个子领域，旨在用较少的数据量学习目标。在这项工作中，我们已经尝试了众所周知的解决方案，用于深度学习中的数据稀缺性，以检测COVID-19。这些包括数据增强、迁移学习、Few-Shot学习和无监督学习。我们还提出了一种自定义的Few-Shot学习方法，使用连体网络检测COVID-19。我们的实验结果表明，即使数据量较少，我们也可以通过采用Few-Shot学习方法来实现高效准确的COVID-19检测深度学习模型。使用我们提出的方法，我们能够实现96.4%的准确性，从83%使用基线模型的改进。
2021-03-01 cs.CV cs.LG eess.IV
Explainable and Lightweight Model for COVID-19 Detection Using Chest Radiology Images
International Institute of Information Technology（国际信息技术研究所）
由于COVID-19大流行，胸部X光（CXR）和计算机断层扫描（CT）图像的深度学习（DL）分析近年来引起了广泛关注。卷积神经网络（CNN）非常适合在大量数据上进行训练的图像分析任务。与任何其他领域相比，为医学图像分析开发的应用需要高灵敏度和精度。大多数用于检测COVID-19的工具都声称具有高灵敏度和召回率，但在对未知数据集进行测试时未能推广和执行。这鼓励我们开发一个CNN模型，通过使用Grad-CAM技术生成的类激活图可视化模型的预测来分析和理解它的性能。这项研究提供了一个详细的讨论所提出的模型在图像水平上的成功和失败。该模型的性能进行了比较，与国家的最先进的DL模型，并显示是可比的。使用的数据和代码可在https://github.com/aleesuss/c19上获得。
2022-12-28 cs.CV cs.LG eess.IV
Hyperparameter Optimization for COVID-19 Chest X-Ray Classification
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Abu Dhabi（阿布扎比）
尽管引入了疫苗，冠状病毒疾病（COVID-19）仍然是一个全球性的困境，不断发展新的变种，如Delta和最近的Omicron。目前的检测标准是通过聚合酶链反应（PCR）。然而，PCR可能是昂贵的、缓慢的和/或对许多人来说是不可访问的。另一方面，X射线自20世纪初以来一直很容易使用，相对便宜，更快获得，通常由健康保险覆盖。通过仔细选择模型，超参数和增强，我们证明有可能开发出二元分类准确率为83%，多类准确率为64%的模型，用于从胸部X射线检测COVID-19感染。
2022-01-26 cs.CV cs.LG eess.IV
WisdomNet: Prognosis of COVID-19 with Slender Prospect of False Negative Cases and Vaticinating the Probability of Maturation to ARDS using Posteroanterior Chest X-Rays
G.B. Pant Government Engineering College（G.B. Pant政府工程学院）
冠状病毒是一个由多种病毒组成的大型病毒家族，其中一些在哺乳动物中传播，另一些在人类中引起疾病。COVID-19具有高度传染性并迅速传播，使其早期诊断具有卓越的地位。世界各地的研究人员、医学专家和组织一直在不懈地努力抗击这种病毒，并帮助遏制这种病毒。本文提出了一种名为WisdomNet的新型神经网络，用于使用胸部X射线诊断COVID-19。WisdomNet使用群体智慧的概念作为其创始理念。它是一个双层卷积神经网络（CNN），将胸部X光图像作为输入。所提出的神经网络的两个层均由多个神经网络组成。本研究使用的数据集包括COVID-19阳性患者的胸部X光图像，由Cohen博士在GitHub上编辑和分享，健康肺部和受病毒性和细菌性肺炎影响的肺部的胸部X光图像来自Kaggle。该网络不仅能精确定位COVID-19的存在，还能给出该疾病发展为急性呼吸窘迫综合征（ARDS）的概率。因此，预测COVID-19阳性患者的疾病进展。该网络还通过采用高阈值来减少假阴性病例的发生，从而有助于遏制疾病的传播，并在受COVID-19、细菌性和病毒性肺炎影响的患者的胸部X射线中成功预测COVID-19的准确率为100%。
2021-07-03 cs.AI cs.CV cs.LG
A cascade network for Detecting COVID-19 using chest x-rays
新型冠状病毒肺炎疫情在全球范围内的蔓延，对全球医疗资源和防控措施提出了前所未有的挑战。新型冠状病毒不仅会攻击肺部，使其呼吸困难并危及生命，还会攻击心脏、肾脏、大脑和身体其他重要器官，并可能产生后遗症。目前，COVID-19的检测需要通过逆转录-聚合酶链反应（RT-PCR）来实现。然而，许多国家正处于疫情暴发期，医疗资源十分有限。他们无法提供足够数量的基因序列检测，许多患者可能无法及时隔离和治疗。鉴于这种情况，我们研究了深度学习对胸片的分析和诊断能力，并提出了级联SEME-ResNet 50和SEME-DenseNet 169的级联SEMEnet。Cascade-SEMEnet的两个级联网络都采用大输入尺寸和SE结构，并使用MoEx和直方图均衡来增强数据。我们首先使用SEME-ResNet 50筛查胸部X线片，并诊断出三类：正常、细菌性和病毒性肺炎。然后，我们使用SEME-DenseNet 169对病毒性肺炎进行细粒度分类，并确定它是否由COVID-19引起。为了排除非病理特征对网络的影响，我们在SEME-DenseNet 169的训练过程中使用U-Net对数据进行了预处理。结果表明，我们的网络在确定肺炎感染类型方面的准确率为85.6%，在COVID-19的细粒度分类方面的准确率为97.1%。我们使用Grad-CAM将基于模型的判断可视化，帮助医生理解胸片，同时验证有效性。
2020-05-01 cs.CV cs.LG eess.IV
Towards Trustworthy Healthcare AI: Attention-Based Feature Learning for COVID-19 Screening With Chest Radiography
University of Waterloo（滑铁卢大学）；National Research Council Canada（加拿大国家研究委员会）
构建具有可信度的AI模型非常重要，尤其是在医疗保健等受监管领域。在应对COVID-19时，以前的工作使用卷积神经网络作为骨干架构，这表明在做出决策时容易过度谨慎和过度自信，使它们不那么值得信赖-这是医学成像背景下的一个关键缺陷。在这项研究中，我们提出了一种使用Vision Transformers的特征学习方法，该方法使用基于注意力的机制，并研究了Transformers作为医学成像新骨干架构的表示学习能力。通过对COVID-19胸片进行分类的任务，我们调查了泛化能力是否仅受益于Vision Transformers的架构进步。定量和定性的评估进行的模型的可信度，通过使用“信任得分”计算和可视化的可解释性技术。我们的结论是，基于注意力的特征学习方法在为医疗保健构建值得信赖的深度学习模型方面很有前途。
2022-07-19 cs.CV cs.LG eess.IV
Hybrid quantum convolutional neural networks model for COVID-19 prediction using chest X-Ray images
Minia University（米尼亚大学）；Nahda University in Beni-Suef（贝尼苏韦夫复兴大学）；American University in the Emirates（阿联酋美国大学）
尽管为寻找有效的COVID-19预测方法付出了巨大努力，但病毒的性质和突变对诊断所涵盖的病例构成了关键挑战。然而，开发一个模型来预测COVID-19通过胸部X射线（CXR）图像具有准确的性能是必要的，以帮助早期诊断。在本文中，混合量子经典卷积神经网络（HQCNN）模型使用随机量子电路（RQC）作为基础来检测具有CXR图像的COVID-19患者。在这项工作中，收集了6952张CXR图像，包括1161张COVID-19图像，1575张正常图像和5216张肺炎图像，用作数据集。所提出的HQCNN模型在第一个数据集案例上实现了更高的性能，准确率为98.4%，灵敏度为99.3%。此外，在第二个数据集上，该方法的准确性为99%，灵敏度为99.7%。在第三个多类数据集上，该方法的准确性和灵敏度分别为88.6%和88.7%。此外，HQCNN模型在平衡的准确性，精确度，F1测量和AUC-ROC评分方面优于各种模型。实验结果证明了该模型在预测COVID-19阳性病例方面的能力。
2021-02-08 cs.CV cs.LG eess.IV
Enhancing COVID-19 Diagnosis through Vision Transformer-Based Analysis of Chest X-ray Images
Duzce University（杜兹大学）
本研究针对COVID-19诊断需求，提出基于微调预训练ViT模型的胸部X线自动诊断框架，在二、三、四分类任务中均取得优异准确率，为COVID-19的高效影像诊断提供了AI方案。
2023-06-14 cs.CV cs.LG eess.IV
COVID-19 Detection from Chest X-ray Images using Imprinted Weights Approach
Digital Technologies Research Centre, National Research Council of Canada（加拿大国家研究委员会数字技术研究中心）；University of Waterloo（滑铁卢大学）
COVID-19疫情对全球人口的福祉造成了毁灭性影响。大流行之所以如此突出，部分原因是病毒及其变种的感染率很高。作为应对措施，阻止感染的最有效方法之一是快速诊断。主流的筛选方法，逆转录-聚合酶链反应（RT-PCR），是费时，费力和供不应求。胸部X光检查是COVID-19的替代筛查方法，而计算机辅助诊断（CAD）已被证明是低成本和快速的可行解决方案;然而，训练CAD模型的挑战之一是训练数据数量有限，尤其是在大流行开始时。当迫切需要快速和廉价的诊断方法来消除感染曲线时，这一点就显得尤为突出。为了应对这一挑战，我们建议使用一种名为印记权重的低射击学习方法，利用来自肺炎等已知疾病的丰富样本来提高COVID-19的检测性能。
2021-05-04 cs.CV cs.LG eess.IV
OSegNet: Operational Segmentation Network for COVID-19 Detection using Chest X-ray Images
Faculty of Information Technology and Communication Sciences, Tampere University（坦佩雷大学信息技术与传播科学学院）；Department of Electrical Engineering, Qatar University（卡塔尔大学电气工程学院）
针对COVID-19检测中数据稀缺和深度网络决策不可靠的问题，提出OSegNet分割网络，扩展QaTa-COV19数据集至121,378张CXR图像，实现99.65%准确率和98.09%精确率。
2022-05-30 cs.CV cs.LG eess.IV
