Finding Covid-19 from Chest X-rays using Deep Learning on a Small Dataset
University of South Florida（南佛罗里达大学）；University of California, San Francisco（加利福尼亚大学旧金山分校）
COVID-19检测一直无法跟上需求。此外，假阴性率预计高达30%，测试结果可能需要一些时间才能获得。X光机随处可见，可快速提供诊断图像。本文探讨了胸部X射线图像在诊断COVID-19疾病方面的有用性。我们已取得122张COVID-19的胸部X光片及超过4，000张病毒性及细菌性肺炎的胸部X光片。一个预训练的深度卷积神经网络已经在102个COVID-19病例和102个其他肺炎病例中进行了10倍交叉验证。结果是，所有102例COVID-19病例均被正确分类，有8例假阳性，导致AUC为0.997。在20个未知COVID-19病例的测试集中，所有病例都被正确分类，4171个其他肺炎病例中超过95%被正确分类。这项研究存在缺陷，最关键的是缺乏关于COVID-19病例在疾病过程中位置的信息，以及数据集规模较小。更多的COVID-19病例图像将能够更好地回答胸部X光对诊断COVID-19有多大用处的问题（所以请发送它们）。
2020-05-20 cs.CV cs.LG eess.IV
COVID-CXNet: Detecting COVID-19 in Frontal Chest X-ray Images using Deep Learning
University of Saskatchewan（萨斯喀彻温大学）；International Road Dynamics（国际道路动力学公司）；National Institute of Technology, Trichy（特里奇国家理工学院）
用于筛查新型冠状病毒感染的主要临床观察之一是捕获胸部X射线图像。在大多数患者中，胸部X光检查包含异常，如实变，这是COVID-19病毒性肺炎的结果。在这项研究中，研究人员在大型数据集中使用深度卷积神经网络有效检测这种类型肺炎的成像特征。它表明，简单的模型，以及文献中的大多数预训练网络，专注于决策无关的功能。在本文中，收集了来自各种来源的大量胸部X射线图像，并准备了最大的公开访问数据集。最后，使用迁移学习范式，利用著名的CheXNet模型开发COVID-CXNet。这个强大的模型能够基于相关和有意义的特征检测新型冠状病毒肺炎，并进行精确定位。COVID-CXNet是迈向全自动和强大的COVID-19检测系统的一步。
2020-07-29 cs.CV cs.LG eess.IV
Generation of COVID-19 Chest CT Scan Images using Generative Adversarial Networks
Delhi Technological University（德里理工大学）
SARS-CoV-2，也称为COVID-19或冠状病毒，是一种由新型冠状病毒感染的病毒性传染病，并已在全球迅速蔓延。检测和隔离人群以减少传播非常重要，因此需要快速有效地做到这一点。根据一些研究，在诊断COVID-19患者时，胸部CT优于RT-PCR实验室检测，这是目前的标准。因此，计算机视觉研究人员开发了各种深度学习系统，可以在一定程度上使用胸部CT扫描正确预测COVID-19。这些系统的准确性是有限的，因为深度学习神经网络，如CNN（卷积神经网络），需要大量的数据进行训练，以产生良好的质量结果。由于该疾病相对较新，并且更多关注CXR（胸部X射线）图像，可用的胸部CT扫描图像数据集少得多。我们提出了一种方法，通过利用GANs，生成阳性和阴性COVID-19患者的合成胸部CT图像。使用预先构建的预测模型，我们得出结论，大约40%的生成图像被正确预测为COVID-19阳性。由此生成的数据集可用于训练基于CNN的分类器，该分类器可帮助以更高的准确度确定患者中的COVID-19。
2021-05-20 cs.CV cs.LG eess.IV
Multi-Task Driven Explainable Diagnosis of COVID-19 using Chest X-ray Images
IIIT-Delhi（印度德里信息技术学院）；IIT Jodhpur（印度焦特布尔理工学院）；Ashwini Hospital（阿什维尼医院）；Ramakant Heart Care Centre（拉马坎特心脏护理中心）；TeleRadiology Solutions（远程放射学解决方案公司）
随着全球COVID-19病例的增加，所有国家都在增加检测数量。虽然RT-PCR试剂盒在几个国家有足够的数量，但其他国家面临着偏远地区检测试剂盒和处理中心有限的挑战。这促使研究人员寻找可靠、易于获得和更快的替代测试方法。胸部X光检查是一种正在被接受的筛查方式。朝着这个方向，本文有两个主要贡献。首先，我们介绍COVID-19多任务网络，这是一个用于COVID-19筛查的自动化端到端网络。所提出的网络不仅预测CXR是否具有COVID-19特征，还对感兴趣区域进行语义分割，以使模型可解释。其次，在医疗专业人员的帮助下，我们手动注释了从ChestXray-14，CheXpert和合并的COVID-19数据集拍摄的9000张正面胸片的肺部区域。此外，还对200张与COVID-19患者有关的胸片进行了注释，以进行语义分割。该数据库将向研究界公布。
2020-08-03 cs.CV cs.LG eess.IV
Automated detection of COVID-19 cases from chest X-ray images using deep neural network and XGBoost
Amirkabir University of Technology（阿米尔卡比尔理工大学）；Semnan University（塞姆南大学）
2019年末及COVID-19全球大流行后，许多研究人员及学者尝试提供检测COVID-19病例的方法。因此，本研究的重点是从胸部X光图像中识别COVID-19病例。本文提出了一种新的方法来诊断冠状病毒病的X射线图像。在所提出的方法中，DenseNet 169深度神经网络用于提取从患者胸部拍摄的X射线图像的特征，然后将提取的特征作为极端梯度提升（XGBoost）算法的输入，以便它可以执行分类任务。对所提出的方法的评估及其与近年来提出的方法的比较表明，所提出的方法比现有方法更准确、更快，并且在从X射线图像中检测COVID-19病例方面具有可接受的性能。
2021-09-03 cs.CV cs.LG eess.IV
MIA-COV19D: COVID-19 Detection through 3-D Chest CT Image Analysis
University of Greenwich（格林威治大学）
基于胸部三维CT扫描的早期可靠的COVID-19诊断可以在重要情况下为医疗专家提供帮助。深度学习方法是胸部CT扫描分析和疾病预测的主要方法。然而，大型注释数据库对于开发能够在不同国家的各种医疗环境中提供COVID-19诊断的深度学习模型是必要的。由于隐私问题，公开可用的COVID-19 CT数据集非常难以获得，这阻碍了基于CT扫描的COVID-19人工智能诊断方法的研究和开发。在本文中，我们介绍了COV 19-CT-DB数据库，该数据库针对COVID-19进行了注释，由大约5，000个三维CT扫描组成，我们将数据库分为训练，验证和测试数据集。前两个数据集可用于机器学习模型的训练和验证，而后者将用于评估开发的模型。我们还提出了一种基于CNN-RNN网络的深度学习方法，并报告了其在COVID 19-CT-DB数据库上的性能。
2021-06-21 cs.CV cs.LG eess.IV
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
COVID-19 Disease Identification on Chest-CT images using CNN and VGG16
Manonmaniam Sundaranar University（马诺尼安·桑达拉纳尔大学）
一种新发现的冠状病毒疾病称为COVID-19，主要影响人类呼吸系统。COVID-19是一种由2019年12月源自中国武汉的病毒引起的传染病。早期诊断是卫生保健提供者面临的主要挑战。在早期阶段，医疗机构感到眼花缭乱，因为没有适当的医疗援助或药物来检测COVID-19。介绍了一种新的诊断工具RT-PCR（逆转录聚合酶链反应）。它从患者的鼻子或喉咙收集拭子样本，COVID-19病毒聚集在那里。这种方法在准确性和测试时间方面有一定的局限性。医学专家提出了一种称为CT（计算机断层扫描）的替代方法，可以快速诊断受感染的肺部区域，并在早期阶段识别COVID-19。利用胸部CT图像，计算机研究人员开发了几种识别COVID-19疾病的深度学习模型。本研究提出了一种卷积神经网络（CNN）和基于VGG 16的模型，用于胸部CT图像上的COVID-19自动识别。使用14320张CT图像的公共数据集的实验结果表明，CNN和VGG 16的分类准确率分别为96.34%和96.99%。
2022-07-09 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
A review of Deep learning Techniques for COVID-19 identification on Chest CT images
当前的COVID-19大流行对人类构成严重威胁，直接影响肺部。自动识别COVID-19是卫生保健官员面临的一项挑战。诊断COVID-19的标准黄金方法是逆转录聚合酶链反应（RT-PCR），从受影响的人那里收集拭子。采集拭子时遇到的一些限制与准确性和持续时间有关。胸部CT（计算机断层扫描）是另一种测试方法，可帮助医疗保健提供者快速识别受感染的肺部区域。它被用作早期识别COVID-19的支持工具。在深度学习的帮助下，COVID-19的CT成像特征。研究人员已经证明它对COVID-19 CT图像分类非常有效。在这项研究中，我们回顾了最近可用于检测COVID-19疾病的深度学习技术。相关研究由各种数据库收集，如Web of Science，Google Scholar和PubMed。最后，我们比较了不同深度学习模型的结果，并讨论了CT图像分析。
2022-08-06 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
Robust Screening of COVID-19 from Chest X-ray via Discriminative Cost-Sensitive Learning
Shandong University of Traditional Chinese Medicine（山东中医药大学）；Qingdao Academy of Chinese Medical Sciences（青岛中医科学院）；Shandong University（山东大学）；Shandong Normal University（山东师范大学）；Affiliated Hospital of Shandong University of Traditional Chinese Medicine（山东中医药大学附属医院）
本文解决了基于胸部X射线的2019冠状病毒病（COVID-19）自动筛查的新问题，这是快速阻止大流行的迫切需求。然而，从胸部X光片中稳健而准确地筛查COVID-19仍然是全球公认的挑战，因为存在两个瓶颈：1）COVID-19的成像特征与胸部X光片上的其他肺炎有一些相似之处，以及2）COVID-19的误诊率非常高，误诊成本昂贵。虽然一些开创性的工作取得了很大进展，但他们低估了这两个关键瓶颈。在本文中，我们报告了我们的解决方案，区分成本敏感学习（DCSL），如果临床需要从胸部X光片中辅助筛查COVID-19，这应该是一个选择。DCSL结合了细粒度分类和成本敏感学习的优点。首先，DCSL开发了一种学习深度判别表示的条件中心丢失。其次，DCSL建立了分数级别的成本敏感学习，可以自适应地扩大将COVID-19样本错误分类到其他类别的成本。DCSL非常灵活，可以应用于任何深度神经网络。我们收集了一个大规模的多类数据集，包括2，239例胸部X光检查样本：239例确诊的COVID-19病例，1，000例确诊的细菌或病毒性肺炎病例，以及1，000例健康人。大量的实验表明，我们的算法显着优于国家的最先进的算法。它实现了97.01%的准确性，97%的精密度，97.09%的灵敏度，和96.98%的F1评分。这些结果使我们的算法成为快速大规模筛查COVID-19的有效工具。
2020-05-21 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
Machine Learning Automatically Detects COVID-19 using Chest CTs in a Large Multicenter Cohort
Clínica Universidad de Navarra（纳瓦拉大学诊所）；Health Time；Hôpital Foch（福煦医院）；Houston Methodist（休斯顿卫理公会医院）；Donald and Barbara Zucker School of Medicine, Feinstein Institutes for Medical Research, Northwell Health（诺斯韦尔健康唐纳德和芭芭拉·祖克医学院，费因斯坦医学研究所）；Penn Medicine（宾夕法尼亚医学院）；Siemens Healthineers（西门子医疗）；University Hospital Basel（巴塞尔大学医院）；Vancouver General Hospital（温哥华总医院）
目的：研究使用胸部CT检测COVID-19并与其他肺炎、ILD和正常CT区分的机器学习分类器和可解释模型。方法：我们的回顾性多机构研究从16家机构获得了2096例胸部CT（包括1077例COVID-19患者）。培训/测试队列包括927/100例COVID-19、388/33例ILD、189/33例其他肺炎和559/34例正常（无病理）CT。COVID-19分类的基于度量的方法使用可解释的特征，依赖于逻辑回归和随机森林。基于深度学习的分类器通过直接从CT衰减和空域不透明的概率分布中提取的3D特征来区分COVID-19。结果如下：COVID-19的大多数判别特征是空域不透明度百分比以及周边和基底主要不透明度，与文献中COVID-19的典型特征一致。无监督分层聚类比较COVID-19和对照组人群的特征分布。基于度量的分类器实现了AUC=0.83，灵敏度=0.74，特异性=0.79，而基于DL的分类器分别为0.93，0.90和0.83。大多数模糊性来自非COVID-19肺炎，其表现与COVID-19重叠，以及轻度COVID-19病例。非COVID-19分类性能对于ILD为91%，对于其他肺炎为64%，对于无病理为94%，这证明了我们的方法对不同组成的对照组的稳健性。结论：我们的新方法使用来自胸部CT的定量成像特征准确区分COVID-19与其他类型的肺炎，ILD和无病理CT，同时平衡结果的可…
2020-10-10 cs.CV cs.LG eess.IV
Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans
Hong Kong Baptist University（香港浸会大学）；Hong Kong University of Science and Technology（香港科技大学）；Hangzhou Dianzi University（杭州电子科技大学）；Tsinghua University（清华大学）
COVID-19疫情已在全球蔓延数月。由于其传播性和高致病性严重威胁着人们的生命，因此准确快速地检测COVID-19感染至关重要。最近的许多研究表明，基于深度学习（DL）的解决方案可以帮助基于胸部CT扫描检测COVID-19。然而，大多数现有的工作集中在2D数据集，这可能会导致低质量的模型，因为真正的CT扫描是3D图像。此外，报告的结果跨越了不同数据集的广泛范围，比较相对不公平。在本文中，我们首先使用三种最先进的3D模型（ResNet 3D 101，DenseNet 3D 121和MC 318）在三个公开的胸部CT扫描数据集上建立基线性能。然后，我们提出了一个可区分的神经结构搜索（DNAS）框架，自动搜索的3D DL模型的3D胸部CT扫描分类与Gumbel Softmax技术，以提高搜索效率。我们进一步利用类激活映射（CAM）技术对我们的模型提供的结果的可解释性。实验结果表明，我们的自动搜索模型（CovidNet 3D）在三个数据集上的性能优于基线人类设计的模型，模型大小小几十倍，准确性更高。此外，结果还验证了CAM可以很好地应用于CovidNet 3D中的COVID-19数据集，为医疗诊断提供可解释性。
2021-02-12 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
COVID-Net CT-2: Enhanced Deep Neural Networks for Detection of COVID-19 from Chest CT Images Through Bigger, More Diverse Learning
University of Waterloo（滑铁卢大学）；Niagara Health（尼亚加拉医疗）；McMaster University（麦克马斯特大学）；Hamilton Health Sciences（汉密尔顿健康科学中心）；Waterloo Artificial Intelligence Institute（滑铁卢人工智能研究院）；DarwinAI Corp.（达尔文人工智能公司）
COVID-19疫情持续肆虐，多波疫情对全球健康及经济造成重大损害。受世界各地临床机构使用CT成像作为RT-PCR检测的有效补充筛查方法的启发，我们推出了COVID-Net CT，这是一种专门用于从胸部CT图像中检测COVID-19病例的神经网络，作为开源COVID-Net计划的一部分。然而，考虑到使用的单一国家患者队列，一个潜在的限制因素是有限的数量和多样性。在这项研究中，我们引入了COVID-Net CT-2，增强的深度神经网络，用于从研究文献中最大数量和多样性的多国患者病例训练的胸部CT图像中检测COVID-19。我们引入了两个新的CT基准数据集，其中最大的一个包括来自至少15个国家的4，501名患者的多国队列。我们利用可解释性来调查COVID-Net CT-2的决策行为，并由两名分别拥有10年和30年经验的委员会认证放射科医生审查和报告了选定病例的结果。COVID-Net CT-2神经网络的准确性、COVID-19敏感性、PPV、特异性和NPV分别为98.1%/96.2%/96.7%/99%/98.8%和97.9%/95.7%/96.4%/98.9%/98.7%。可解释性驱动的性能验证表明，COVID-Net CT-2的决策行为与放射科医生的解释一致，利用了正确的临床相关关键因素。结果令人鼓舞，并表明深度神经网络作为计算机辅助COVID-19评估的有效工具的强大潜力。虽然不…
2021-01-26 cs.CV cs.LG 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
RANDGAN: Randomized Generative Adversarial Network for Detection of COVID-19 in Chest X-ray
Intelligent Medical Image Computing Systems (IMICS) Lab（智能医学影像计算系统实验室）；The Hospital for Sick Children（病童医院）；University of Toronto（多伦多大学）
COVID-19在全球范围内以惊人的速度蔓延，使医疗保健系统无法以所需的速度诊断和检测患者。研究显示，在胸部X光检查中从病毒性细菌性肺炎中检测COVID-19的结果很有希望。使用医学图像进行COVID-19检测的自动化可以加快医疗保健系统缺乏足够数量的逆转录聚合酶链反应（RT-PCR）检测的患者的检测过程。监督深度学习模型，如卷积神经网络（CNN），需要足够的标记数据来让所有类正确学习检测任务。收集标记数据是一项繁琐的任务，需要时间和资源，这可能会在COVID-19等大流行病的早期阶段进一步给医疗保健系统和放射科医生带来压力。在这项研究中，我们提出了一种随机生成对抗网络（RANDGAN），它可以从已知和标记的类别（正常和病毒性肺炎）中检测未知类别（COVID-19）的图像，而不需要来自未知类别图像（COVID-19）的标签和训练数据。我们使用了最大的公开可用的COVID-19胸部X射线数据集COVIDx，该数据集由来自多个公共数据库的正常、肺炎和COVID-19图像组成。在这项工作中，我们使用迁移学习来分割COVIDx数据集中的肺部。接下来，我们将展示为什么感兴趣区域（肺部）的分割对于正确学习分类任务至关重要，特别是在包含来自不同资源的图像的数据集中，就像COVIDx数据集一样。最后，我们展示了使用我们的生成模型（RANDGAN）检测COVID-19病例的改进结果，与传统的生成对抗…
2020-10-06 cs.CV cs.LG eess.IV
COVID-19 Chest CT Image Segmentation -- A Deep Convolutional Neural Network Solution
Beijing Jingzhen Medical Technology Ltd.（北京精诊医疗科技有限公司）；Tsinghua University（清华大学）；Australian Institute for Machine Learning, The University of Adelaide（阿德莱德大学澳大利亚机器学习研究所）；Xidian University（西安电子科技大学）
自2019年年底以来，新型冠状病毒病2019（COVID-19）被发现并在全球多个国家迅速蔓延，计算机断层扫描（CT）图像已被用作耗时的RT-PCR测试的重要替代方案。然而，随着疑似病例的增加，CT图像的纯手动分割面临着严峻的挑战，从而迫切需要对COVID-19感染进行准确和自动的分割。不幸的是，由于COVID-19感染的成像特征是多样的并且与背景相似，现有的医学图像分割方法不能达到令人满意的性能。在这项工作中，我们尝试建立一个新的深度卷积神经网络，用于分割具有COVID-19感染的胸部CT图像。我们首先维护了一个新的大型胸部CT图像数据集，该数据集由来自861名确诊COVID-19患者的165，667张带注释的胸部CT图像组成。受感染肺的边界可以通过调整全局强度来增强的观察结果的启发，在所提出的深度CNN中，我们引入了一个特征变化块，该特征变化块自适应地调整用于分割COVID-19感染的特征的全局属性。所提出的FV块可以有效地增强特征表示的能力，并适应于不同的情况。我们融合不同尺度的特征，提出渐进式Atrous空间金字塔池处理复杂的感染区域，具有不同的外观和形状。我们在中国和德国收集的数据上进行了实验，结果表明，所提出的深度CNN可以有效地产生令人印象深刻的性能。
2020-04-26 cs.CV cs.LG eess.IV
Calibrated Bagging Deep Learning for Image Semantic Segmentation: A Case Study on COVID-19 Chest X-ray Image
Prairie View A&M University（普雷里维尤农工大学）
严重急性呼吸道综合征冠状病毒2（SARS-CoV-2）导致2019冠状病毒病（COVID-19）。影像检查，如胸部X光检查（CXR）和计算机断层扫描（CT），可为临床工作人员提供有用的信息，以促进以更有效和全面的方式诊断COVID-19。作为人工智能（AI）的突破，深度学习已通过分析CXR和CT数据应用于COVID-19感染区域分割和疾病分类。然而，这些任务的深度学习模型的预测不确定性，这是非常重要的安全关键型应用，如医疗图像处理，尚未得到全面的研究。在这项工作中，我们提出了一种新的集成深度学习模型，通过集成装袋深度学习和模型校准，不仅提高了分割性能，而且降低了预测的不确定性。所提出的方法已在与CXR图像分割相关的大型数据集上进行了验证。实验结果表明，该方法可以提高分割性能，同时降低预测的不确定性。
2022-05-27 cs.CV cs.LG eess.IV
Momentum Contrastive Learning for Few-Shot COVID-19 Diagnosis from Chest CT Images
University of New South Wales（新南威尔士大学）；Inception Institute of Artificial Intelligence（Inception人工智能研究院）；Stanford University（斯坦福大学）
由二零一九年十二月爆发的新型冠状病毒（COVID-19）引起的当前大流行导致全球紧急情况，对全球经济、医疗保健系统和个人福祉造成重大影响。控制这种快速发展的疾病需要高度敏感和特异性的诊断。虽然实时RT-PCR是最常用的方法，但这些方法可能需要长达8小时，并且需要医疗保健专业人员的大量努力。因此，迫切需要一种快速和自动的诊断系统。从胸部CT图像诊断是一个很有前途的方向。然而，目前的研究受到缺乏足够的训练样本的限制，因为获取注释的CT图像是耗时的。为此，我们提出了一种新的深度学习算法，用于COVID-19的自动诊断，该算法只需要少量样本进行训练。具体来说，我们使用对比学习来训练编码器，该编码器可以捕获大型和公开可用的肺数据集上的表达特征表示，并采用原型网络进行分类。我们验证了所提出的模型与其他竞争方法相比，在两个公开的和注释的COVID-19 CT数据集的有效性。我们的结果证明了我们的模型在基于胸部CT图像的COVID-19准确诊断方面的优越性能。
2020-06-16 cs.CV cs.LG eess.IV
Exploring the Effect of Image Enhancement Techniques on COVID-19 Detection using Chest X-rays Images
University of Dhaka（达卡大学）；Qatar University（卡塔尔大学）；Qatar Foundation（卡塔尔基金会）；Universiti Kebangsaan Malaysia（马来西亚国民大学）；College of Medicine（医学院）；University of Engineering and Technology, Peshawar（白沙瓦工程技术大学）
使用计算机辅助诊断可靠快速地检测冠状病毒病（COVID-19）已成为防止病毒在大流行期间传播以减轻医疗基础设施负担的必要条件。胸部X射线（CXR）成像与其他成像技术相比具有几个优势，因为它便宜，易于获得，快速和便携。本文探讨了各种流行的图像增强技术的效果，并陈述了它们各自对检测性能的影响。我们编制了最大的X射线数据集COVQU-20，由18，479张正常、非COVID肺混浊和COVID-19 CXR图像组成。据我们所知，这是最大的公共COVID阳性数据库。毛玻璃样阴影是COVID-19肺炎患者报告的常见症状，因此使用了3616例COVID-19、6012例非COVID肺阴影和8851例正常胸部X射线图像的混合物来创建此数据集。使用了五种不同的图像增强技术：直方图均衡化、对比度受限自适应直方图均衡化、图像互补、伽马校正和平衡对比度增强技术，以提高COVID-19检测精度。在这项研究中，研究了六种不同的卷积神经网络（CNN）。在从标准和分割的肺部CXR图像中检测COVID-19方面，伽马校正技术优于其他增强技术。CXR图像伽马校正检测COVID-19的准确性、精密度、灵敏度、f1评分和特异性分别为96.29%、96.28%、96.29%、96.28%和96.27%。对分割后的肺部图像，其准确性、精确性、灵敏度、F1评分和特异性分别为95.11%、94.55%、94.56%、94.53%…
2020-11-25 cs.CV cs.LG eess.IV
Diagnosis of COVID-19 based on Chest Radiography
Universiti Malaysia Perlis（马来西亚玻璃市大学）
2019冠状病毒病（COVID-19）于2019年12月初首次在中国武汉发现，目前已成为大流行病。当COVID-19患者接受放射线检查时，放射科医生可以从他们的胸部X光（CXR）图像中观察到放射线异常的存在。在这项研究中，提出了一种深度卷积神经网络（CNN）模型，以帮助放射科医生诊断COVID-19患者。首先，这项工作对修改后的VGG-16，ResNet-50和DenseNet-121的性能进行了比较研究，以将CXR图像分类为正常，COVID-19和病毒性肺炎。然后，图像增强对分类结果的影响进行了评估。在整个研究过程中使用了公开可用的COVID-19放射学数据库。经过比较，ResNet-50的准确率最高，为95.88%。接下来，在使用旋转，平移，水平翻转，强度偏移和缩放增强数据集训练ResNet-50后，准确率下降到80.95%。此外，一项关于图像增强对分类结果影响的消融研究发现，旋转和强度偏移增强方法的组合获得了高于基线的准确度，为96.14%。最后，具有旋转和强度偏移增强的ResNet-50表现最好，并被提议作为这项工作的最终分类模型。这些发现表明，所提出的分类模型可以为COVID-19诊断提供有希望的结果。
2022-12-26 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
