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
COVID-19 Lung Lesion Segmentation Using a Sparsely Supervised Mask R-CNN on Chest X-rays Automatically Computed from Volumetric CTs
Saratoga High School(萨拉托加高中);Stanford University(斯坦福大学)
2019冠状病毒病(COVID-19)患者的胸部X光检查经常被用于确定肺部疾病的程度,并且是创建人工智能模型的宝贵数据来源。迄今为止,大多数评估胸部成像疾病严重程度的工作都集中在分割计算机断层扫描(CT)图像上;然而,鉴于对COVID-19患者进行CT的频率远低于胸部X光检查,胸部X光检查上的自动肺部病变分割可能具有临床价值。目前普遍缺乏具有地面真实COVID-19肺部病变注释的胸部X射线,并且手动勾画肺部阴影是一项繁琐的劳动密集型任务。为了加速严重程度检测并增加监督式深度学习(DL)模型的公开可用胸部X射线训练数据量,我们利用现有的注释CT图像来生成正面投影“胸部X射线”图像,用于训练COVID-19胸部X射线模型。在本文中,我们提出了一种用于分割胸部X射线上的COVID-19肺部病变的自动化管道,该管道由Mask R-CNN组成,该CNN在开源胸部X射线和从注释的体积CT计算的冠状X射线投影的混合数据集上进行训练。在包含40例COVID-19阳性患者的胸部X光片的测试集上,当在60例胸部X光片的数据集和10例胸部X光片和50例CT投影的混合数据集上训练时,我们的模型分别获得了0.81 $\pm$ 0.03和0.79 $\pm$ 0.03的IoU评分。我们的模型在有限的监督训练下远远优于当前的基线,并可能有助于在胸部X光片上自动量化COVID-19严重程度。
2021-05-20 cs.CV cs.LG eess.IV
Stacked Convolutional Neural Network for Diagnosis of COVID-19 Disease from X-ray Images
Maulana Azad National Institute of Technology(毛拉纳·阿扎德国家理工学院)
在2020年SARS-CoV-2全球大流行的情况下,从胸部X射线图像中自动快速筛查COVID-19已成为迫切需要。然而,由于COVID-19和其他病毒性肺炎在X射线图像中的差异,准确和可靠地筛查患者是一个巨大的挑战。在本文中,我们设计了一种新的堆叠卷积神经网络模型,用于从胸部X射线图像中自动诊断COVID-19疾病。我们从VGG 19中获得不同的子模型,并在训练过程中开发了一个30层的CNN模型(命名为CovNet 30),并使用逻辑回归将获得的子模型堆叠在一起。所提出的CNN模型结合了不同CNN子模型的区分能力,并将胸部X射线图像分类为COVID-19、正常和肺炎类。此外,我们还生成了称为COVID 19 CXr的X射线图像数据集,其中包括来自三个公开数据库的1768名患者的2764张胸部X射线图像。所提出的堆叠CNN实现了92.74%的准确性,93.33%的灵敏度,PPV为92.13%,和F1得分为0.93的X射线图像的分类。我们提出的方法显示出其优于现有的从X射线图像诊断COVID-19的方法。
2020-06-22 cs.CV cs.LG eess.IV
GPT-4 Vision on Medical Image Classification -- A Case Study on COVID-19 Dataset
University of Maryland(马里兰大学)
本文通过COVID-19数据集案例,研究GPT-4 Vision结合上下文学习在医学图像分类中的诊断增强效果。
2023-10-27 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
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
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
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
Generating Realistic COVID19 X-rays with a Mean Teacher + Transfer Learning GAN
University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校);National Institutes of Health Clinical Center(美国国立卫生研究院临床中心);Networking Health(网络健康)
COVID-19是一种新型传染病,截至2020年8月,全球死亡人数超过80万。快速检测的需求是一个高度优先事项,包括X射线图像分类在内的替代检测策略是一个有前途的研究领域。然而,目前,COVID 19 X射线图像的公共数据集数据量较低,这使得开发准确的图像分类器具有挑战性。最近的几篇论文利用生成对抗网络(GANs)来增加训练数据量。但现实的合成COVID 19 X射线仍然具有挑战性。我们提出了一种新的平均教师+传输GAN(MTT-GAN),生成高质量的COVID 19胸部X射线图像。为了创建一个更准确的GAN,我们从Kaggle Pneumonia X-Ray数据集使用了迁移学习,这是一个比公共COVID 19数据集大几个数量级的高度相关数据源。此外,我们采用Mean Teacher算法作为约束,以提高训练的稳定性。我们的定性分析表明,MTT-GAN生成的X射线图像大大优于基线GAN,并且在视觉上与真实的X射线相当。虽然委员会认证的放射科医生可以区分MTT-GAN假的COVID 19 X射线。定量分析显示,与基线GAN相比,MTT-GAN极大地提高了二元COVID 19分类器以及多类肺炎分类器的准确性。我们的分类准确性是有利的相比,最近报告的结果在文献中类似的二元和多类COVID 19筛查任务。
2020-09-26 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
Synthesis of COVID-19 Chest X-rays using Unpaired Image-to-Image Translation
Concordia Institute for Information Systems Engineering(康考迪亚大学信息系统工程研究所);Concordia University(康考迪亚大学)
由于缺乏2019冠状病毒病(COVID-19)阳性患者的胸部X光照片的公开数据集,我们通过利用类条件反射和对抗训练,使用无监督域自适应方法构建了首个高保真的COVID-19胸部X光合成图像的开放数据集。我们的贡献是双重的。首先,当使用合成图像作为额外的训练集时,我们使用各种深度学习架构对COVID-19检测进行了相当大的性能改进。其次,我们展示了我们的图像合成方法如何通过仅在合成数据上训练时实现可比的检测性能来作为数据匿名化工具。此外,所提出的数据生成框架为COVID-19检测以及一般的医学图像分类任务提供了可行的解决方案。我们公开的基准数据集由21,295张合成COVID-19胸部X射线图像组成。从该数据集中收集的见解可用于抗击COVID-19大流行的预防措施。
2020-10-20 cs.CV cs.LG eess.IV
Covid-19 diagnosis from x-ray using neural networks
冠状病毒(COVID-19)是一种流行性疾病,在全球范围内影响了超过百万人的伤亡,并感染了少数大量的个人。创新的仪器能够快速筛查COVID-19污染,具有高精度,对医疗保健专家来说非常有用。目前用于COVID-19分析的主要临床设备是称为RT-PCR的反向记录聚合酶链反应,其成本高,不太精细,需要特定的临床工作人员。X射线成像是一种有效的可用设备,可以成为COVID-19结论中的一个很好的选择。这项探索旨在研究计算机推理在从胸部X光照片中快速准确识别COVID-19方面的实用性。本文的重点是提出一种程序,用于从高级胸部X射线图像中识别COVID-19,应用预先准备的深度学习计算,同时提高发现的准确性。重点是给过度专注的临床专家第二双眼睛,通过一个学习图片表征模型。通过对几种主流的CNN模型进行类似的研究,我们区分出一种合适的卷积神经网络-CNN模型。
2021-05-29 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
COVID-CAPS: A Capsule Network-based Framework for Identification of COVID-19 cases from X-ray Images
Concordia University(康考迪亚大学);Sunnybrook Health Sciences Centre(桑尼布鲁克健康科学中心);University of Toronto(多伦多大学)
新型冠状病毒疾病(COVID-19)在21世纪第二个十年结束时突然且毫无疑问地改变了我们所知的世界。COVID-19具有极强的传染性,并在全球范围内迅速传播,因此早期诊断至关重要。COVID-19的早期诊断使医疗保健专业人员和政府当局能够打破过渡链并使流行曲线变平。然而,常见类型的COVID-19诊断测试需要特定的设备,并且灵敏度相对较低。另一方面,计算机断层扫描(CT)和X射线图像揭示了与这种疾病相关的具体表现。与其他肺部感染的重叠使得以人为中心的COVID-19诊断具有挑战性。因此,开发基于深度神经网络(DNN)的诊断解决方案(主要基于卷积神经网络(CNN))的兴趣激增,以促进COVID-19阳性病例的识别。然而,CNN容易丢失图像实例之间的空间信息,并且需要大型数据集。本文提出了一种基于胶囊网络的替代建模框架,称为COVID-CAPS,能够处理小型数据集,由于COVID-19的突然和快速出现,这一点非常重要。我们基于X射线图像数据集的结果表明,COVID-CAPS比以前基于CNN的模型具有优势。COVID-CAPS实现了95.7%的准确性、90%的灵敏度、95.8%的特异性和0.97的曲线下面积(AUC),同时与其对应物相比具有少得多的可训练参数。为了进一步提高COVID-CAPS的诊断能力,基于从X射线图像的外部数据集构建的新数据集进行预训练。使用类似性质的数据集进行预训练…
2020-04-16 cs.CV cs.LG eess.IV
COVID-VR: A Deep Learning COVID-19 Classification Model Using Volume-Rendered Computer Tomography
Instituto de Informática(信息学研究所);Universidade Federal do Rio Grande do Sul - UFRGS(南里奥格兰德联邦大学(UFRGS))
本文提出COVID-VR模型,通过多角度肺部体积渲染图像进行深度学习分类,有效识别肺部病变,在私有和公开数据集上表现优于或媲美传统切片方法。
2023-08-02 cs.CV cs.LG eess.IV
Deep Learning Models May Spuriously Classify Covid-19 from X-ray Images Based on Confounders
University of South Florida(南佛罗里达大学);University of California, San Francisco(加州大学旧金山分校)
确定谁感染了新冠病毒,对于控制其传播至关重要。X光机在世界各地广泛使用,可以快速提供可用于诊断的图像。最近的一些研究声称,使用深度学习可以建立高度准确的模型,从胸部X光图像中检测Covid-19。本文探讨了卷积神经网络模型在从正面视图(AP/PA)诊断Covid-19疾病中的鲁棒性和泛化能力,原始胸部X射线图像被肺野裁剪。对高性能模型进行了一些令人担忧的观察,这些模型在区分Covid-19阳性和阴性标签时学会了依赖与数据源相关的混淆特征,而不是患者的肺部病理。具体而言,这些模型可能基于患者年龄或图像处理伪影等混杂因素而不是医学相关信息进行诊断。
2021-01-08 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 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
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
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
Adaptive Feature Selection Guided Deep Forest for COVID-19 Classification with Chest CT
Nanjing University of Aeronautics and Astronautics(南京航空航天大学);The Third Hospital of Jilin University(吉林大学第三医院);Ruijin Hospital, Shanghai Jiao Tong University School of Medicine(上海交通大学医学院附属瑞金医院);Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology(华中科技大学同济医学院附属同济医院);Shanghai Public Health Clinical Center, Fudan University(复旦大学附属上海市公共卫生临床中心);Shanghai United Imaging Intelligence Co., Ltd.(上海联影智能科技有限公司);Qianjiang Central Hospital, Jishou University School of Medicine(吉首大学医学院附属黔江中心医院)
胸部计算机断层扫描(CT)成为辅助诊断新型冠状病毒病(COVID-19)的有效工具。由于COVID-19在全球范围内爆发,使用基于CT图像的COVID-19分类的计算机辅助诊断技术可以在很大程度上减轻临床医生的负担。在本文中,我们提出了一种自适应特征选择引导的深度森林(AFS-DF)的COVID-19分类的胸部CT图像的基础上。具体来说,我们首先从CT图像中提取特定位置的特征。然后,为了用相对小规模的数据捕获这些特征的高级表示,我们利用深森林模型来学习特征的高级表示。此外,我们提出了一种基于训练的深度森林模型的特征选择方法,以减少特征的冗余,其中特征选择可以自适应地与COVID-19分类模型相结合。我们在COVID-19数据集上评估了我们提出的AFS-DF,其中包括1495名COVID-19患者和1027名社区获得性肺炎(CAP)患者。该方法的准确性(ACC)、灵敏度(SEN)、特异性(SPE)和AUC分别为91.79%、93.05%、89.95%和96.35%。在COVID-19数据集上的实验结果表明,与4种广泛使用的机器学习方法相比,所提出的AFS-DF在COVID-19 vs. CAP分类中具有更好的性能。
2020-05-07 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
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
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
Deep Learning for Reliable Classification of COVID-19, MERS, and SARS from Chest X-Ray Images
Qatar University(卡塔尔大学);Universiti Kebangsaan Malaysia(马来西亚国民大学)
新型冠状病毒病(COVID-19)是一种传染性极强且传播迅速的冠状病毒感染。2002年和2011年爆发的严重急性呼吸系统综合征(SARS)和中东呼吸系统综合征(MERS)以及目前的COVID-19大流行都来自同一个冠状病毒家族。这项工作旨在使用深度卷积神经网络(CNN)对COVID-19,SARS和MERS胸部X射线(CXR)图像进行分类。创建了一个独特的数据库,即所谓的QU-COVID-family,由423张COVID-19,144张MERS和134张SARS CXR图像组成。此外,提出了一种鲁棒的COVID-19识别系统,以使用CNN分割模型(U-Net)识别肺部区域,然后使用预训练的CNN分类器将分割的肺部图像分类为COVID-19、MERS或SARS。此外,Score-CAM可视化方法用于可视化分类输出并理解深度CNN决策背后的推理。几个深度学习分类器进行了训练和测试;报告了四个表现出色的算法。原始图像和预处理图像被单独使用,并一起作为网络的输入。两种识别方案被认为是:平原CXR分类和分段CXR分类。对于普通CXR,观察到InceptionV 3优于其他具有3通道方案的网络,并分别实现了99.5%,93.1%和97%的COVID-19,MERS和SARS图像分类灵敏度。相比之下,对于分割的CXR,InceptionV 3优于使用原始CXR数据集,并分别实现了96.94%,…
2021-06-01 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
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
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
COVID-19 Classification Using Deep Learning Two-Stage Approach
Florida Atlantic University(佛罗里达大西洋大学)
在本文中,基于深度学习的方法,即预训练卷积神经网络(VGG 16和VGG 19)的微调,以及开发的CNN模型的端到端训练,已被用于将X射线图像分类为四个不同的类别,包括COVID-19,正常,不透明和肺炎病例。从Kaggle中检索了包含超过20,000个X射线扫描的数据集并用于本实验。一个两阶段的分类方法进行了比较,一杆分类方法。我们的假设是,两阶段模型将能够实现比一次模型更好的性能。我们的结果表明,VGG 16在5倍训练中使用一次性方法实现了95%的准确率。未来的工作将集中在两阶段分类模型Covid-TSC的更稳健实施上。主要的改进将是允许数据从第一阶段的输出流到第二阶段的输入,其中第一阶段和第二阶段模型是在Covid-19数据集上微调的VGG 16模型。
2022-11-28 cs.CV cs.LG eess.IV
Early Screening of SARS-CoV-2 by Intelligent Analysis of X-Ray Images
Computer Vision Center(计算机视觉中心);Universitat Autònoma de Barcelona(巴塞罗那自治大学)
未来SARS-CoV-2病毒爆发COVID-XX可能在未来几年内发生。然而,人类的病理学是如此之近,以至于许多临床方面,如早期发现并发症,恢复后的副作用或早期筛查,目前尚不清楚。尽管COVID-19的病例数量众多,但其快速传播使许多卫生系统处于崩溃的边缘,阻碍了对COVID-19临床相关数据的适当收集和分析。我们描述了一个跨学科的倡议,整合临床研究,图像诊断和使用新技术,如人工智能和放射组学,目的是澄清一些SARS-CoV-2的开放问题。整个计划针对三个要点:1)收集标准化数据,包括图像、临床数据和分析; 2)在初级保健中心进行COVID-19筛查,以进行早期诊断; 3)定义COVID-19演变和相关病理的放射组学特征,以早期治疗并发症。特别是,在本文中,我们介绍了该项目的总体概述,实验设计和使用基于HoG和特征选择的经典方法进行X射线COVID-19检测的初步结果。我们的实验包括与最近的一些X射线COVID-19筛查方法的比较,以及对X射线COVID-19筛查可行性的探索性分析。结果表明,经典方法在该实验环境中的表现优于深度学习方法,表明了早期COVID-19筛查的可行性,并且非COVID浸润是在X射线放射学描述方面与COVID-19最相似的患者群体。因此,有效的COVID-19筛查应该与其他临床数据相补充,以更好地区分这些病例。
2020-05-28 cs.CV cs.LG eess.IV
JCS: An Explainable COVID-19 Diagnosis System by Joint Classification and Segmentation
Nankai University(南开大学);InferVision(推想医疗)
最近,2019冠状病毒病(COVID-19)在200多个国家引起了大流行病,影响了数十亿人。为了控制感染,识别和分离感染者是最关键的一步。主要的诊断工具是逆转录聚合酶链反应(RT-PCR)测试。尽管如此,RT-PCR检测的灵敏度还不足以有效预防大流行。胸部CT扫描检测为RT-PCR检测提供了一种有价值的补充工具,它可以在早期发现患者,具有较高的敏感性。然而,胸部CT扫描测试通常很耗时,每个病例需要约21.5分钟。本文开发了一种新的联合分类和分割(JCS)系统,以执行实时和可解释的COVID-19胸部CT诊断。为了训练我们的JCS系统,我们构建了一个大规模COVID-19分类和分割(COVID-CS)数据集,其中包含400名COVID-19患者和350名未感染病例的144,167张胸部CT图像。200名患者的3,855张胸部CT图像使用细粒度像素级浑浊标签进行注释,这些浑浊是肺实质衰减增加。我们也有注释的病变计数,不透明的区域,和位置,从而有利于各种诊断方面。大量的实验表明,所提出的JCS诊断系统是非常有效的COVID-19的分类和分割。它在分类测试集上获得了95.0%的平均灵敏度和93.0%的特异性,在我们的COVID-CS数据集的分割测试集上获得了78.5%的Dice评分。COVID-CS数据集和代码可在https://github.com/yuhuan-wu/JCS上获得。
2021-08-03 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
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
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
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
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
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
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
Classification of COVID-19 X-ray Images Using a Combination of Deep and Handcrafted Features
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Oden Institute for Computational Engineering and Sciences, The University of Texas at Austin(德克萨斯大学奥斯汀分校奥登计算工程与科学研究所)
2019冠状病毒病(COVID-19)表明需要对紧急病毒性疾病进行准确和快速的诊断方法。在COVID-19出现后不久,医疗从业者使用患者肺部的X射线和计算机断层扫描(CT)图像来检测COVID-19。机器学习方法能够提高X光和CT图像中COVID-19的识别准确性,提供近乎实时的结果,同时减轻医生的负担。在这项工作中,我们展示了支持向量机(SVM)分类器的有效性,该分类器使用从X射线胸部扫描中提取的深度卷积和手工特征的组合进行训练。我们使用这种特征组合来区分健康的普通肺炎和COVID-19患者。将组合特征方法的性能与标准卷积神经网络(CNN)和用手工特征训练的SVM进行比较。我们发现,与卷积和手工特征的独立应用相比,在我们的新框架中组合特征可以提高分类任务的性能。具体来说,我们使用我们的组合方法在分类任务中实现了0.988的准确度,而使用SVM和CNN的手工特征的准确度分别为0.963和0.983。
2021-01-21 cs.CV cs.LG eess.IV
Semi-supervised Learning for COVID-19 Image Classification via ResNet
Prairie View A&M University, Texas A&M University System(德州农工大学系统草原风光农工大学)
2019冠状病毒病(COVID-19)是一种持续的全球大流行病,在200多个国家和地区肆虐,引起国际社会对公共卫生的极大关注。X射线成像数据分析可在及时准确筛查和抗击COVID-19方面发挥关键作用。监督式深度学习已成功应用于从X射线成像数据集中识别COVID-19病理。然而,它需要大量带注释的X射线图像来训练模型,这通常不适用于新出现的事件(例如COVID-19爆发)的数据分析,特别是在爆发的早期阶段。为了解决这一挑战,本文提出了一种基于残差神经网络(ResNet)的双路径半监督深度学习模型ssResNet,用于COVID-19图像分类,其中两条路径分别指有监督路径和无监督路径。此外,我们设计了一个加权监督损失,在训练过程中为少数类分配更高的权重,以解决数据不平衡问题。在大规模X射线图像数据集COVIDx上的实验结果表明,即使在很少的标记训练图像上训练,该模型也可以实现有希望的性能。
2021-04-01 cs.CV cs.LG eess.IV
Progressive observation of Covid-19 vaccination effects on skin-cellular structures by use of Intelligent Laser Speckle Classification (ILSC)
De Montfort University(德蒙福特大学);University of Derby(德比大学)
我们通过使用成熟的基于图像的智能激光散斑分类(ILSC)技术,对新冠肺炎疫苗接种对皮肤细胞网络和特性的影响进行了渐进式观察,并通过激光散斑皮肤图像采样成功区分了三个不同的受试者群体,如早期接种疫苗、晚期接种疫苗和未接种疫苗的个体。结果证明,ILSC技术与优化的贝叶斯网络相结合,能够对接种疫苗和未接种疫苗的个体的皮肤变化进行分类,并且还能够检测一个月内皮肤细胞特性的渐进发展。
2021-10-31 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
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
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
Classification of COVID-19 from CXR Images in a 15-class Scenario: an Attempt to Avoid Bias in the System
TwoPiRadian Infotech LLC(TwoPiRadian信息技术有限责任公司);Accenture Applied Intelligence(埃森哲应用智能)
截至二零二一年六月,世界卫生组织(世卫组织)已报告1. 717亿例确诊病例,包括3,698,621例COVID-19死亡病例。从胸部X射线(CXR)图像中检测COVID-19和其他肺部疾病对于紧急诊断和治疗非常有效,因为CXR快速且便宜。这项研究的目的是开发一种能够以公平和公正的方式从CXR中检测COVID-19以及其他14种肺部疾病的系统。该系统由CXR图像选择技术和基于深度学习的模型组成,可对包括COVID-19在内的15种疾病进行分类。所提出的CXR选择技术旨在均匀地保留最大变化并消除质量差的CXR,其目标是在不影响分类器准确性的情况下减少训练数据集的大小。更重要的是,它减少了决策中经常隐藏的偏见和不公平。所提出的解决方案在比大多数现有研究更现实的情况下展示了一种有前途的COVID-19检测方案,因为它同时处理15种肺部疾病。我们希望该方法能在医学图像分类和其他相关领域得到更广泛的应用。
2021-09-25 cs.CV cs.LG eess.IV
A Critic Evaluation of Methods for COVID-19 Automatic Detection from X-Ray Images
在本文中,我们比较和评估了最近文献中用于从X射线图像自动诊断COVID-19的不同测试协议。我们表明,使用不包含大部分肺部的X射线图像可以获得类似的结果。我们能够通过将X射线扫描的中心变为黑色并仅在图像的外部训练我们的分类器来从图像中移除肺部。因此,我们推断,用于识别的几个测试协议是不公平的,并且神经网络正在学习数据集中与COVID-19的存在无关的模式。最后,我们表明,创建一个公平的测试协议是一项具有挑战性的任务,我们提供了一种方法来衡量如何公平的一个特定的测试协议。在未来的研究中,我们建议使用我们的工具来检查测试协议的公平性,我们鼓励研究人员寻找比我们提出的更好的技术。
2020-09-20 cs.CV cs.LG eess.IV
Automated COVID-19 CT Image Classification using Multi-head Channel Attention in Deep CNN
Jadavpur University(贾达普大学)
提出融合多头通道注意力与加权全局平均池化的改进 Xception,用于自动分类 COVID-19 CT 图像,并在常用数据集上达到 96.99% 准确率。
2023-08-12 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
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
COVID_MTNet: COVID-19 Detection with Multi-Task Deep Learning Approaches
University of Dayton(代顿大学)
COVID-19是目前世界上最威胁生命的问题之一。快速准确地检测COVID-19感染对于识别、做出更好的决定和确保患者得到治疗至关重要,这将有助于挽救他们的生命。在本文中,我们提出了一种快速有效的方法来使用多任务深度学习(DL)方法识别COVID-19患者。X射线和CT扫描图像被认为是评估所提出的技术。我们使用我们的Inception残差递归卷积神经网络与转移学习(TL)方法进行COVID-19检测,并使用我们的NABLA-N网络模型分割受COVID-19感染的区域。检测模型在X射线图像中的检测准确率为84.67%,在CT图像中的检测准确率为98.78%。本文还提出了一种新的定量分析策略,以确定在X射线和CT图像中的感染区域的百分比。定性和定量结果表明,对COVID-19检测和感染区域定位有希望的结果。
2020-04-18 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
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
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
FLANNEL: Focal Loss Based Neural Network Ensemble for COVID-19 Detection
IQVIA(艾昆纬);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
测试使用深度神经网络区分COVID-19与其他肺炎和健康患者的胸部X射线图像的可能性。我们从两个公开来源构建了X射线成像数据,其中包括2874名患者的5508张胸部X射线图像,分为四类:正常,细菌性肺炎,非COVID-19病毒性肺炎和COVID-19。为了识别COVID-19,我们提出了一种基于焦点损失的神经Entrance Network(FLANNEL),这是一种灵活的模块,可以集成多个卷积神经网络(CNN)模型,并与焦点损失融合,以便在类别不平衡数据上准确检测COVID-19。FLANNEL在COVID-19识别任务中的所有指标均优于基线模型。与最佳基线相比,FLANNEL在Covid-19识别任务中显示出更高的宏观F1得分,相对增加6%,其中精确度达到0.7833(0.07),召回率达到0.8609(0.03),F1得分达到0.8168(0.03)。
2020-10-30 cs.CV cs.LG eess.IV