Detection of COVID19 in Chest X-Ray Images Using Transfer Learning
SUIT
本文研究使用VGG-16和VGG-19迁移学习模型自动检测胸部X光图像中的COVID-19，实验证明该方法能有效应对小规模医学数据集的过拟合问题并实现优异分类性能。
2023-04-09 cs.CV eess.IV
COVID-19 Severity Classification on Chest X-ray Images
National Institute of Technology Delhi（德里国家技术学院）；Indian Institute of Technology, Roorkee（印度理工学院鲁尔基分校）
生物医学成像分析结合人工智能（AI）方法已被证明对于诊断COVID-19非常有价值。到目前为止，各种分类模型已用于诊断COVID-19。然而，尚未分析基于其严重程度的患者分类。在这项工作中，我们根据感染的严重程度对新冠病毒图像进行分类。首先，我们使用中值滤波器和直方图均衡化对X射线图像进行预处理。然后使用SMOTE技术增强增强的X射线图像，以实现平衡的数据集。然后使用预训练的Resnet 50，VGG 16模型和SVM分类器进行特征提取和分类。分类模型的结果证实，与替代方案相比，对于胸部X射线图像，ResNet-50模型在准确率（95%）、召回率（0.94）、F1-Score（0.92）和精确度（0.91）方面产生了显著的分类结果。
2022-05-25 cs.CV eess.IV
COVID-19 Detection in Chest X-Ray Images using a New Channel Boosted CNN
Pakistan Institute of Engineering & Applied Sciences（巴基斯坦工程与应用科学学院）；PIEAS Artificial Intelligence Center (PAIC)（PIEAS人工智能中心）；Center for Mathematical Sciences（数学科学中心）
COVID-19是一种高度传染性的呼吸道感染，已影响到世界各地的大量人口，并继续造成破坏性后果。必须尽早发现COVID-19，以限制感染范围。在这项工作中，提出了一种基于深度卷积神经网络（CNN）和通道提升的新分类技术CB-STM-RENet，用于筛查胸部X射线中的COVID-19。在这方面，为了学习COVID-19特定的射线照相模式，开发了基于分裂-变换-合并（STM）的新卷积块。这个新的块系统地结合了区域和基于边缘的操作在每个分支，以捕捉不同层次的功能，特别是那些与区域同质性，纹理变化，和边界的感染区域。所提出的CNN架构的学习和辨别能力通过利用将辅助通道与原始通道连接在一起的通道提升（Channel Boosting）思想来增强。辅助通道是使用迁移学习从预训练的CNN生成的。在三种不同的胸部X射线数据集（即CoV-Healthy-6 k、CoV-NonCoV-10 k和CoV-NonCoV-15 k）上评估了所提出的技术CB-STM-RENet的有效性。所提出的CB-STM-RENet与现有技术的性能比较在区分COVID-19胸部感染与健康以及其他类型的胸部感染方面表现出高性能。CB-STM-RENet在所有这三个数据集上提供了最高的性能;特别是在严格的CoV-NonCoV-15 k数据集上。所提出的技术的良好检测率（97%）和高精度（93%）表明它可以适用于COVID-19…
2020-12-17 cs.CV eess.IV
COVIDx CXR-4: An Expanded Multi-Institutional Open-Source Benchmark Dataset for Chest X-ray Image-Based Computer-Aided COVID-19 Diagnostics
University of Waterloo（滑铁卢大学）
本文提出COVIDx CXR-4，一个扩展的多机构开源胸部X光数据集，将患者规模扩大2.66倍以上，包含45,342名患者的84,818张图像，并分析其多样性及潜在偏差，是目前最大且最多样化的COVID-19 CXR开源数据集。
2023-11-29 cs.CV eess.IV
COVIDx CXR-3: A Large-Scale, Open-Source Benchmark Dataset of Chest X-ray Images for Computer-Aided COVID-19 Diagnostics
University of Waterloo（滑铁卢大学）；Waterloo AI Institute（滑铁卢人工智能研究院）；DarwinAI Corp.（达尔文人工智能公司）
COVID-19疫情爆发已逾两年，这场危机的压力仍持续笼罩全球。使用胸部X射线（CXR）成像作为RT-PCR检测的补充筛查策略不仅普遍，而且由于其常规临床用于呼吸系统疾病而大大增加。到目前为止，已经提出了许多基于CXR成像的COVID-19筛查视觉感知模型。然而，这些模型的准确性和泛化能力在很大程度上取决于它们所训练的数据集的多样性和大小。受此启发，我们引入了COVIDx CXR-3，这是一个支持COVID-19计算机视觉研究的大规模CXR图像基准数据集。COVIDx CXR-3由来自至少51个国家的17，026名患者的多国队列的30，386张CXR图像组成，使其成为据我们所知最广泛，最多样化的COVID-19 CXR数据集。在这里，我们提供了有关拟议数据集各个方面的全面详细信息，包括患者人口统计学，成像视图和感染类型。希望COVIDx CXR-3可以帮助科学家推进针对COVID-19大流行和相关疾病的机器学习研究。
2022-11-18 cs.CV eess.IV
Diagnosis of COVID-19 Cases from Chest X-ray Images Using Deep Neural Network and LightGBM
Semnan University（塞姆南大学）；Amirkabir University of Technology（阿米尔卡比尔理工大学）
冠状病毒于二零一九年年底在中国武汉被发现，随后导致大流行，并在全球范围内迅速爆发。自那时以来，感染人数迅速增加。因此，在这项研究中，尝试提出一种新的有效方法，使用深度神经网络（DNN）从X射线图像中自动诊断电晕病。在所提出的方法中，DensNet 169被用来提取患者的胸部X射线（CXR）图像的特征。将提取的特征给予特征选择算法（即，ANOVA）来选择其中的一些。最后，利用LightGBM算法对选取的特征进行分类。所提出的方法在ChestX-ray 8数据集上进行了评估，并在两类（即，COVID-19和无发现）和多类（即，COVID-19、肺炎和无发现）分类问题。
2022-03-27 cs.CV eess.IV
Automatic classification between COVID-19 pneumonia, non-COVID-19 pneumonia, and the healthy on chest X-ray image: combination of data augmentation methods
Kobe University Graduate School of Medicine（神户大学医学院）；Kyoto University Graduate School of Medicine（京都大学医学院）
目的：本研究旨在开发和验证计算机辅助诊断（CXDx）系统，用于在胸部X射线（CXR）图像上对COVID-19肺炎、非COVID-19肺炎和健康人进行分类。材料与方法：从两个公开数据集中，获得了1248张CXR图像，其中包括215张、533张和500张COVID-19肺炎患者、非COVID-19肺炎患者和健康样本的CXR图像。所提出的CADx系统使用VGG 16作为预训练模型，并将常规方法和混合方法相结合作为数据增强方法。其他类型的预训练模型与基于VGG 16的模型进行了比较。还评价了单一类型或无数据增强方法。在构建和评估CADx系统时，使用了训练/验证/测试集的拆分。使用125张CXR图像评价了测试集的三类准确度。结果：CAD系统在COVID-19肺炎、非COVID-19肺炎和健康人之间的三类准确率为83.6%。对COVID-19肺炎的敏感性超过90%。常规方法和混合方法相结合比单一类型或无数据增强方法更有效。结论：本研究能够建立一个准确的3类分类的CADx系统。我们的CADx系统的源代码可作为COVID-19研究的开源。
2020-06-12 cs.CV eess.IV
Explainable COVID-19 Detection Using Chest CT Scans and Deep Learning
Institute for Neuro- and Bioinformatics, University of Lübeck（吕贝克大学神经与生物信息学研究所）；Department of Mathematics, Faculty of Science, South Valley University（南谷大学理学院数学系）
本文探讨了在胸部CT图像上训练的深度学习模型如何在快速和自动化的过程中诊断COVID-19感染者。为此，我们采用了先进的深度网络架构，并提出了一种迁移学习策略，使用为每个深度架构量身定制的自定义大小的输入，以实现最佳性能。我们在两个CT图像数据集上进行了大量的实验，即SARS-CoV-2 CT扫描和COVID 19-CT。结果表明，与以往的研究相比，我们的模型具有更好的性能，其中我们最好的模型在SARS-CoV-2数据集上的平均准确度，精确度，灵敏度，特异性和F1得分分别为99.4%，99.6%，99.8%，99.6%和99.4%;在COVID 19-CT数据集上分别为92.9%、91.3%、93.7%、92.2%和92.5%。此外，我们应用两种可视化技术来为模型的预测提供可视化解释。可视化显示了COVID-19与其他肺部疾病的CT图像的良好分离的聚类，以及COVID-19相关区域的准确定位。
2020-11-09 cs.CV eess.IV
DCNNV-19: A Deep Convolutional Neural Network for COVID-19 Detection in Chest Computed Tomographies
本技术报告提出使用深度卷积神经网络作为初步诊断方法，用于分析具有严重急性呼吸系统综合征（SARS）症状和疑似COVID-19疾病患者的胸部计算机断层扫描图像，特别是在RT-PCR结果延迟和缺乏紧急护理可能导致严重的暂时性，长期或永久性健康损害的情况下。该模型在83，391张图像上进行了训练，在15，297张图像上进行了验证，并在22，185张图像上进行了测试，实现了98%的F1分数，Cohen's Kappa为97.59%，准确率为98.4%，损失率为5.09%。证明高度准确的自动化分类，并在更短的时间内提供结果比目前的黄金标准考试，实时逆转录聚合酶链反应（RT-PCR）。
2022-08-23 cs.CV eess.IV
COVID-VIT: Classification of COVID-19 from CT chest images based on vision transformer models
Middlesex University（密德萨斯大学）；Newham University Hospital（纽汉大学医院）；Barts Health NHS Trust（巴茨健康国民医疗服务信托）
这篇论文是为了应对MIA-COV 19挑战，根据CT肺部图像将COVID与非COVID进行分类。COVID-19病毒在过去18个月里摧毁了世界，感染了超过1.82亿人，造成390多万人死亡。其总体目标是通过开发可解释的Vision Transformer深度学习技术，从胸部X光片预测COVID-19病毒的诊断，从而以更快速、准确和透明的方式进行人群筛查。本次比赛共3D数据集5381个，其中训练数据集1552个，评估数据集374个，测试数据集3455个。虽然大多数数据体在轴向视图中，但有一些受试者的数据在冠状或矢状视图中，其中1或2个切片在轴向视图中。因此，虽然研究了基于3D数据的分类，但在本次比赛中，2D图像仍然是主要焦点。研究了两种深度学习方法：基于注意力模型的Vision Transformer（ViT）和基于传统卷积神经网络（CNN）的DenseNet。基于验证数据集的初始评估结果表明，ViT的性能优于DenseNet，F1得分分别为0.76和0.72。代码可在GitHub <https：//github/xiaohong 1/COVID-ViT>上获取。
2021-07-04 cs.CV eess.IV
Comparative Analysis of State-of-the-Art Deep Learning Models for Detecting COVID-19 Lung Infection from Chest X-Ray Images
COMSATS University Islamabad（伊斯兰堡COMSATS大学）；Bacha Khan University（巴查汗大学）；Chung-Ang University（中央大学）；University of Malaya（马来亚大学）；University Malaysia Sabah（马来西亚沙巴大学）；Institute of Space Technology（空间技术研究所）
持续的COVID-19大流行已经夺走了数百万人的生命，并破坏了全球经济。据报道，大多数COVID-19死亡和经济损失来自人口密集的城市。可以理解的是，有效控制和预防流行性/大流行性传染病至关重要。世卫组织认为，检测和诊断是控制流行病的最佳战略。世界各地的科学家正在尝试开发各种创新和具有成本效益的方法来加快测试过程。本文全面评估了最近十大最先进的深度卷积神经网络（CNN）用于使用胸部X射线图像自动检测COVID-19感染的适用性。此外，它提供了这些模型的准确性方面的比较分析。本研究确定了控制和预防传染性呼吸道疾病的有效方法。我们的训练模型在对COVID-19感染的胸部X光片进行分类方面表现出出色的结果。特别是，我们的训练模型MobileNet、EfficentNet和InceptionV 3在COVID-19类别分类测试集上的平均分类准确率分别达到95%、95%和94%。因此，加快COVID-19病例的检测、发现和随访可能有利于临床从业人员和放射科医生。
2022-07-01 cs.CV eess.IV
Vision Transformer based COVID-19 Detection using Chest X-rays
COVID-19是一种全球性大流行病，由于其快速突变，检测它们对于当今的医疗专业人员来说是一项重大任务。目前检查胸部X光片和CT扫描的方法需要渊博的知识，而且很耗时，这表明当人们的生命处于危险之中时，它会缩短医生的宝贵时间。本研究试图通过微调Vision Transformer（ViT）实现胸部X射线分类的最新性能来帮助这一过程。所提出的方法使用预训练的模型，经过微调以检测胸部X光片上COVID-19疾病的存在。该方法的准确率为97.61%，精确率为95.34%，召回率为93.84%，f1分数为94.58%。这一结果表明了基于变压器的模型在胸部X射线上的性能。
2021-10-09 cs.CV cs.LG eess.IV
Multi-Channel Transfer Learning of Chest X-ray Images for Screening of COVID-19
Opticho（옵티코（Opticho））
2019年新型冠状病毒（COVID-19）在全球迅速蔓延，正在影响整个社会。目前筛查COVID-19患者的金标准测试是聚合酶链反应测试。然而，COVID-19检测试剂盒并不广泛可用且耗时。因此，作为一种替代方法，正在考虑进行胸部X光检查，以进行快速筛查。由于COVID-19在胸部X光片中的表现在特征上各不相同，并且需要专门阅读COVID-19胸部X光片，因此限制了其用于诊断。为了解决放射科医生快速阅读胸部X光片的挑战，我们提出了一个基于ResNet架构的多通道迁移学习模型，以促进COVID-19胸部X光片的诊断。三种基于ResNet的模型使用Dataset_A重新训练（模型a、b和c）数据集_B（4245例肺炎和1763例非肺炎）和数据集_C（184例COVID-19和5824例非COVID 19），以分类（a）正常或患病，（b）肺炎或非肺炎，以及（c）COVID-19或非COVID 19。最后，使用Dataset_D（1579例正常，4245例肺炎和184例COVID-19）对这三个模型进行了集成和微调，以分类正常，肺炎和COVID-19病例。我们的结果表明，集成模型比单一ResNet模型更准确，后者也使用Dataset_D进行了重新训练，因为它为每个类提取了更多相关的语义特征。我们的方法提供了94%的准确率和100%的召回率。因此，我们的方法可能有助于临床医生筛查患者的COVI…
2020-05-12 cs.CV cs.LG eess.IV
CovXR: Automated Detection of COVID-19 Pneumonia in Chest X-Rays through Machine Learning
Cupertino High School（库比蒂诺高中）；Stanford University（斯坦福大学）
2019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）引起的高度传染性疾病。COVID-19的标准诊断检测程序是使用实时聚合酶链反应（PCR）检测鼻咽拭子中的SARS-CoV-2核酸，这可能需要数天时间才能提供诊断。另一种普遍的检测形式是快速抗原检测，与PCR相比，其灵敏度较低，但因其通常15-30分钟的快速诊断时间而受到青睐。COVID-19检测呈阳性的患者在87%的病例中表现出弥漫性肺泡损伤。机器学习已被证明在放射学的图像分类问题中具有优势。在这项工作中，我们介绍了CovXR作为一种机器学习模型，旨在检测胸部X射线（CXR）中的COVID-19肺炎。CovXR是一个卷积神经网络（CNN），在超过4,300个胸部X光片上训练。模型的性能通过准确性、F1评分、灵敏度和特异性来衡量。该模型的准确率为95.5%，F1得分为0.954。敏感性为93.5%，特异性为97.5%。CovXR的准确率超过95%，F1评分超过0.95，在CXR上预测COVID-19肺炎的准确率非常高。该模型实现了比以前工作更好的准确性，并使用独特的方法来识别COVID-19肺炎。CovXR在PCR确诊阳性患者的CXR上识别COVID-19方面高度准确，并提供比PCR检测快得多的结果。
2021-10-12 cs.CV eess.IV
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
Study of Vision Transformers for Covid-19 Detection from Chest X-rays
本研究针对新冠快速准确检测需求，探索多种前沿视觉Transformer模型结合迁移学习从胸部X光片检测新冠的效果，取得98.75%-99.5%的准确率，性能优于传统方法和CNNs，为临床筛查诊断提供新工具。
2023-07-17 cs.CV eess.IV
COVID-19 Detection on Chest X-Ray Images: A comparison of CNN architectures and ensembles
São Paulo State University (UNESP)（圣保罗州立大学（UNESP））
COVID-19在首次发现后仅四个月就迅速成为全球大流行病。尽快发现这种疾病以减少其传播至关重要。胸部X线（CXR）图像的使用成为一种有效的筛查策略，与逆转录-聚合酶链反应（RT-PCR）互补。卷积神经网络（CNN）通常用于自动图像分类，它们在CXR诊断中非常有用。本文测试了21种不同的CNN架构，并在CXR图像中识别COVID-19的任务中进行了比较。它们被应用于COVIDx 8B数据集，这是一个大型COVID-19数据集，包含来自至少51个国家的患者的16，352张CXR图像。还采用了CNN的集合，它们表现出比单个实例更好的功效。最好的个体CNN实例结果由DenseNet 169实现，准确率为98.15%，F1得分为98.12%。通过使用五个DenseNet 169实例的集成，这些分别进一步增加到99.25%和99.24%。这些结果高于使用相同数据集的最近作品中获得的结果。
2022-05-09 cs.CV eess.IV
Prediction of COVID-19 using chest X-ray images
Northwestern University（西北大学）；Great Learning
COVID-19，又称新型冠状病毒病，是一种高度传染性疾病，于2019年底首次在中国出现。SARS-CoV-2是一种冠状病毒，属于引起这种疾病的冠状病毒大家族。这种疾病最初于2019年12月出现在中国武汉，并迅速蔓延到213个国家，成为全球大流行病。发烧、干咳和疲倦是最典型的COVID-19症状。疼痛，疼痛和呼吸困难是患者可能面临的其他症状。这些症状中的大多数是呼吸道感染和肺部异常的指标，放射科医生可以识别。COVID-19患者的胸部X光片看起来很相似，肺部有斑片状和模糊不清，而不是清晰健康的肺部。然而，在X射线上，肺炎和其他慢性肺部疾病可能类似于COVID-19。训练有素的放射科医生必须能够区分COVID-19和传染性较低的疾病。我们的人工智能算法旨在为医生提供恶化风险的定量估计。以便对病情恶化风险高的患者进行分流和有效治疗。该方法在大流行热点地区特别有用，因为入院时的筛查对于分配有限的资源（如医院床位）非常重要。
2022-04-08 cs.CV eess.IV
A two-step explainable approach for COVID-19 computer-aided diagnosis from chest x-ray images
University of Turin（都灵大学）；Azienda Ospedaliera Città della Salute e della Scienza Presidio Molinette（健康与科学城医院莫利内特分院）；AOU San Luigi Gonzaga（圣路易吉·贡扎加大学医院）
为了评估针对COVID-19传播的即时和快速反应，对患者进行早期筛查是一个关键问题。使用鼻咽拭子被认为是最可行的方法;然而，结果不是立即的，或者在快速检查的情况下，不够准确。使用胸部X射线（CXR）成像进行早期筛查可能会提供更快，更准确的反应;然而，从CXR诊断COVID很难，我们应该依赖深度学习支持，另一方面，其决策过程是“黑箱”，因此不值得信赖。我们提出了一种可解释的两步诊断方法，首先检测肺部的已知病理（异常），然后诊断疾病。我们的方法在COVID检测中实现了有希望的性能，与专业的人类放射科医生兼容。我们所有的实验都是在牢记这一点的情况下进行的，特别是对于临床应用，可解释性对于建立机器学习算法的信任起着重要作用。
2021-01-25 cs.CV 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 For Classification Of Chest X-Ray Images (Covid 19)
Ecole Nationale des Télécommunications et des Technologies de l'Information et de la Communication (ENSTTIC)（国立电信与信息通信技术学院）；University of Djillali Liabes（吉拉利·利亚贝斯大学）；Konya Technical University（科尼亚技术大学）
在医疗实践中，信息技术的贡献可以是相当大的。其中大多数做法包括医疗援助用于识别人体不同病理的图像。其中之一是X射线图像，涵盖了我们在本文中的大部分工作。胸部X光在COVID 19的识别和诊断中发挥了重要作用。自2019年12月在中国武汉发现首例病例后，2020年以来COVID 19病毒已被宣布为全球大流行。我们在这个项目中的目标是能够对包含Covid 19、病毒性肺炎、肺混浊和正常图像的不同胸部X光图像进行分类。我们使用了CNN架构和不同的预训练模型。最好的结果是使用ResNet 18架构，准确率为94.1%。我们还注意到，在AlexNet的情况下，GPU执行时间是最佳的，但需要我们注意的是，预训练的模型收敛速度比CNN快得多。节省的时间是非常可观的。这些结果不仅将解决患者的诊断时间，而且将为从业者提供一个有趣的工具，从而特别在强流行时期帮助他们。
2023-01-06 cs.CV 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
CoVScreen: Pitfalls and recommendations for screening COVID-19 using Chest X-rays
Sonit Singh School of Computer Science
针对现有胸部X光COVID-19筛查研究的数据集与评估缺陷，该研究整理了大规模胸部X光数据集、提出预处理流程和CoVScreen CNN架构，实验验证了其筛查有效性。
2024-05-13 cs.CV eess.IV
CXR-Net: An Artificial Intelligence Pipeline for Quick Covid-19 Screening of Chest X-Rays
University of Michigan（密歇根大学）；Henry Ford Health System（亨利·福特医疗系统）；Molecular Medicine Institute（分子医学研究所）
CXR-Net是一个双模块人工智能管道，用于从胸部X射线（CXR）中快速检测SARS-CoV-2。模块1在具有放射科医师注释的肺轮廓的6395个CXR的公共数据集上进行训练，以生成与心脏和大血管重叠的肺的掩模。模块2是混合卷积网络，其中具有学习系数的第一卷积层被小波散射变换（WST）提供的具有固定系数的层代替。模块2将患者CXR和模块1计算的相应肺部掩模作为输入，并产生类别分配（Covid与非Covid）和识别SARS相关肺部区域的高分辨率热图作为输出。模块2是在底特律亨利福特卫生系统（HFHS）医院获得的非新冠肺炎和RT-PCR确诊的新冠肺炎患者的CXR数据集上进行训练的。所有非Covid CXR均来自Covid前时期（2018-2019年），包括正常肺部和受非Covid病理影响的肺部的图像。训练集和测试集分别由2265个CXR（1417个Covid阴性，848个Covid阳性）和1532个CXR（945个Covid阴性，587个Covid阳性）组成。将六个不同的交叉验证模型（每个模型在1887张图像上训练，并在378张图像上验证）组合成一个集成模型，用于对测试集的CXR图像进行分类，结果准确度= 0.789，精度= 0.739，召回率= 0.693，F1评分= 0.715，ROC（AUC）= 0.852。
2021-02-26 cs.CV eess.IV
Classification of COVID-19 Patients with their Severity Level from Chest CT Scans using Transfer Learning
National Institute of Technology Delhi（德里国家理工学院）；Indian Institute of Technology, Roorkee（鲁尔基印度理工学院）
背景和目的：在大流行期间，人工智能（AI）方法与生物医学科学相结合的使用在减轻医疗保健系统和医生的负担方面发挥了重要作用。COVID-19病例的快速增加导致对医院病床和其他医疗设备的需求增加。但是，由于医疗设施有限，建议根据感染的严重程度对患者进行诊断。考虑到这一点，我们分享了我们在检测COVID-19以及使用胸部CT扫描和深度学习预训练模型评估其严重程度方面的研究。数据集：我们已收集三个不同类别标签（即非COVID、严重COVID及非严重COVID）的合共1，966张CT扫描图像，其中714张CT图像属于非COVID类别、713张CT图像属于非严重COVID类别及539张CT图像属于严重COVID类别。方法：所有的图像进行初步预处理，使用对比度有限直方图均衡化（CLAHE）的方法。然后将预处理后的图像送入VGG-16网络进行特征提取。最后，检索到的特征进行分类，并使用支持向量机（SVM）与10倍交叉验证（CV）的准确性进行评估。结果与结论：在我们的研究中，我们结合了众所周知的预处理、特征提取和分类策略，使我们获得了显著的疾病成功率及其严重程度识别，准确率为96.05%（非严重COVID-19图像为97.7%，严重COVID-19图像为93%）。因此，我们的模型可以帮助放射科医生检测COVID-19及其严重程度。
2022-05-27 cs.CV eess.IV
Advance Warning Methodologies for COVID-19 using Chest X-Ray Images
Tampere University（坦佩雷大学）；Qatar University（卡塔尔大学）；Reem Medical Center（里姆医疗中心）；Hamad Medical Corporation Hospital（哈马德医疗公司医院）
2019冠状病毒病（COVID-19）在2019年12月首次发现后，已迅速成为全球健康问题。因此，为COVID-19的早期诊断建立准确可靠的预警系统现已成为当务之急。根据专家医生的说法，在早期阶段检测COVID-19并不是一项简单的任务，因为只有当疾病进展到中度或重度阶段时，才能看到感染的痕迹。在这项研究中，我们的第一个目标是评估最新的\textit{state-of-the-art}机器学习技术从胸部X光图像中早期检测COVID-19的能力。本研究同时考虑了紧凑分类器和深度学习方法。此外，我们提出了一个最近的紧凑型分类器，卷积支持估计网络（CSEN）的方法，因为它非常适合于一个稀缺的数据分类任务。最后，这项研究引入了一个名为Early-QaTa-COV 19的新基准数据集，其中包括1065个由医生标记的早期COVID-19肺炎样本（非常有限或没有感染迹象）和12544个对照（正常）样本。一组详细的实验表明，CSEN达到了最高（超过97%）的灵敏度和超过95.5%的特异性。此外，DenseNet-121网络在其他深度网络中表现领先，灵敏度为95%，特异性为99.74%。
2021-03-18 cs.CV eess.IV
Artificial Intelligence applied to chest X-Ray images for the automatic detection of COVID-19. A thoughtful evaluation approach
Universidad de Antioquia（安蒂奥基亚大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；Universidad Politécnica de Madrid（马德里理工大学）
目前临床上用于诊断COVID-19的标准方案包括分子或抗原检测，通常辅以普通胸部X光检查。综合分析旨在减少这些测试的假阴性数量，同时也提供有关疾病存在和严重程度的补充证据。然而，该过程并非没有错误，并且由于其复杂性，胸部X射线的解释仅限于放射科医生。长期目标是为诊断提供新的证据，本文提出了基于深度神经网络的不同方法的评估。这些是使用胸部X射线图像开发自动COVID-19诊断工具的第一步，该工具还可以区分对照组、肺炎组或COVID-19组。本文描述了训练卷积神经网络的过程，该网络的数据集包含来自不同来源的79，500多张X射线图像，其中包括8，500多个COVID-19示例。为了评估和比较开发的模型，三个不同的实验进行了以下三个预处理方案。目的是评估预处理数据如何影响结果并提高其可解释性。同样，对可能损害系统及其对性能影响的不同可变性问题进行了批判性分析。与所采用的方法，获得了91.5%的分类准确率，与87.4%的平均召回最坏的，但最可解释的实验，这需要一个以前的自动分割的肺部区域。
2020-11-29 cs.CV eess.IV
COVIDGR dataset and COVID-SDNet methodology for predicting COVID-19 based on Chest X-Ray images
Andalusian Research Institute in Data Science and Computational Intelligence（安达卢西亚数据科学与计算智能研究所）；University of Granada（格拉纳达大学）；University of Vigo（维戈大学）；University of Alicante（阿利坎特大学）
目前，冠状病毒病（COVID-19）是21世纪最具传染性的疾病之一，使用RT-PCR检测，CT扫描和/或胸部X射线（CXR）图像进行诊断。CT（计算机断层扫描）扫描仪和RT-PCR检测在大多数医疗中心不可用，因此在许多情况下，CXR图像成为帮助临床医生做出决策的最具时间/成本效益的工具。深度学习神经网络在构建COVID-19分诊系统和检测COVID-19患者，尤其是低严重程度的患者方面具有巨大潜力。不幸的是，目前的数据库不允许建立这样的系统，因为它们是高度异构的，并偏向于严重的情况。本文件有三个方面：（i）我们揭开了最新COVID-19分类模型所实现的高敏感性的神秘面纱，（ii）在与西班牙格拉纳达的Hospital Universitario Clínico San Cecilio的密切合作下，我们建立了COVIDGR-1. 0，这是一个同质和平衡的数据库，包括所有严重程度，从正常与阳性RT-PCR，轻度，中度到重度。COVIDGR-1.0包含426个阳性和426个阴性PA（PosteroAnterior）CXR视图;（iii）我们提出了基于COVID智能数据的网络（COVID-SDNet）方法，用于提高COVID分类模型的泛化能力。我们的方法在重度、中度和轻度COVID-19严重程度水平下达到了良好和稳定的结果，准确度为$97.72\% \pm 0.95 \%$、$86.90\%…
2020-11-11 cs.CV eess.IV
COVID-Net CXR-S: Deep Convolutional Neural Network for Severity Assessment of COVID-19 Cases from Chest X-ray Images
University of Waterloo（滑铁卢大学）；DarwinAI Corp.（DarwinAI公司）；Niagara Health（尼亚加拉医疗）；McMaster University（麦克马斯特大学）；Thunder Bay Regional Health Sciences Centre（桑德贝地区健康科学中心）；Northern Ontario School of Medicine（北部安大略医学院）
全球仍在努力控制和遏制由SARS-CoV-2病毒引起的COVID-19大流行的传播。与SARS-CoV-2感染相关的医疗状况导致诊所和医院的患者数量激增，导致医疗资源的压力显着增加。因此，在临床工作流程中管理和处理SARS-CoV-2感染患者的重要部分是严重程度评估，这通常是使用胸部X射线（CXR）图像进行的。在这项工作中，我们介绍了COVID-Net CXR-S，这是一种卷积神经网络，用于根据患者胸部的CXR图像预测SARS-CoV-2阳性患者的空域严重程度。更具体地说，我们利用迁移学习将来自15，000多例患者病例的多国队列的16，000多张CXR图像中获得的代表性知识转移到自定义网络架构中进行严重程度评估。由北美放射学会（RSNA）RICORD倡议组织的多国患者队列的实验结果表明，拟议的COVID-Net CXR-S有可能成为COVID-19阳性患者CXR图像计算机辅助严重程度评估的强大工具。此外，由两名分别拥有超过10年和19年经验的委员会认证放射科医生对选定病例进行的放射科医生验证显示，放射科医生的解释与COVID-Net CXR-S用于严重程度评估的关键因素之间具有一致性。虽然COVID-Net CXR-S不是一个生产就绪的解决方案，但其开源版本的最终目标是成为临床科学家、机器学习研究人员以及公民科学家的催化剂，以开发创新的新型临床决策支持解决方案，帮助世界各地的临床医…
2021-05-01 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
CxSE: Chest X-ray Slow Encoding CNN forCOVID-19 Diagnosis
Lakehead University（湖首大学）
冠状病毒继续扰乱我们的日常生活，因为它以指数速度传播。需要迅速发现，以便隔离阳性患者，避免进一步传播。这项工作提出了一种新的卷积神经网络（CNN）架构称为“慢编码CNN。在AI AGAINST COVID-19- Screening X-ray images for COVID-19 Infections competition的测试数据样本上，发现所提出的模型的最佳性能wrt灵敏度，阳性预测值（PPV）为SP=0.67，PP=0.98，SN=0.96和PN=0.52。SP和PP代表COVID-19阳性类别的灵敏度和PPV，而PN和SN代表COVID-19阴性类别的灵敏度和PPV。
2021-06-23 cs.CV eess.IV
Automatic Detection of COVID-19 and Pneumonia from Chest X-Ray using Deep Learning
在这项研究中，来自普通病毒性肺炎、细菌性肺炎、确诊的Covid-19疾病患者的X射线图像数据集被用于冠状病毒疾病的自动检测。调查的重点是评估过去几年为临床图片顺序提出的尖端卷积神经系统结构的展示。特别是，被称为迁移学习的系统已经收到。通过迁移学习，在小的临床图片数据集中定位与标准不同的变化是一个可以实现的目标，经常会产生惊人的结果。本试验中使用的数据集。首先，24000张X光图像的集合包括6000张确诊的Covid-19疾病的图像，6000张确诊的普通细菌性肺炎的图像和6000张正常情况的图像。信息是从开放式临床商店的可访问X射线照片中收集和扩展的。结果表明，深度学习与X射线成像可以分离出与Covid-19疾病相关的值得注意的生物标志物，而获得的最佳精确度，可影响性和特殊性分别为97.83%，96.81%和98.56%。
2021-10-15 cs.CV 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
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
Improving Semi-supervised Deep Learning by using Automatic Thresholding to Deal with Out of Distribution Data for COVID-19 Detection using Chest X-ray Images
Instituto Tecnologico de Costa Rica（哥斯达黎加技术学院）
半监督学习（SSL）利用标记和未标记数据来训练模型，当标记数据有限而未标记数据巨大时。通常，未标记数据比标记数据更广泛地可用，因此当标记数据稀缺时，这些数据用于提高模型的泛化水平。然而，在现实世界中，未标记的数据可能描绘与标记的数据集分布不同的分布。这被称为分布不匹配。当未标记数据的源与标记数据的源不同时，通常会出现这种问题。例如，在医学成像领域，当使用胸部X射线图像训练COVID-19检测器时，可能会使用从不同医院采样的不同未标记数据集。在这项工作中，我们提出了一个自动阈值的方法来过滤未标记的数据集中的分布数据。我们使用标记和未标记数据集之间的Mahalanobis距离，使用由预训练的Image-net特征提取器（FE）构建的特征空间来对每个未标记的观察进行评分。我们在使用胸部X射线图像训练COVID-19检测器的背景下测试了两种简单的自动阈值化方法。测试方法提供了一种自动方式来定义在训练半监督深度学习架构时要保留哪些未标记数据。
2022-11-03 cs.CV eess.IV
COVID-19 Infection Localization and Severity Grading from Chest X-ray Images
Qatar University（卡塔尔大学）；Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）；Reem Medical Center（Reem医疗中心）；Hamad General Hospital（哈马德综合医院）；Weill Cornell Medicine - Qatar（威尔康奈尔医学院卡塔尔分校）
自2019年12月出现以来，2019冠状病毒病（COVID-19）一直是全世界的主要议程，因为它对世界经济和医疗体系产生了重大影响。鉴于COVID-19对肺组织的影响，胸部放射成像已成为筛查和监测疾病的必要条件。许多研究提出了深度学习方法来自动诊断COVID-19。尽管这些方法在检测方面取得了惊人的性能，但它们使用了有限的胸部X射线（CXR）数据库进行评估，通常只有几百张COVID-19 CXR图像。因此，这种数据稀缺性阻碍了可靠的评估，可能会过度拟合。此外，大多数研究显示，在COVID-19肺炎的感染定位和严重程度分级方面没有能力或能力有限。在这项研究中，我们通过提出一种系统和统一的方法来解决这一迫切需求，该方法用于肺部分割和COVID-19定位，并从CXR图像中进行感染量化。为了实现这一目标，我们构建了最大的基准数据集，其中包含33，920张CXR图像，包括11，956个COVID-19样本，其中通过一种新型的人机协作方法在CXR上执行地面真实肺分割掩模的注释。使用最先进的分割网络，U-Net，U-Net++和特征金字塔网络（FPN）进行了一系列广泛的实验。开发的网络，经过广泛的迭代过程，达到了优越的性能，肺区域分割的交集超过联盟（IoU）的96.11%和骰子相似系数（DSC）的97.99%。此外，各种形状和类型的COVID-19感染被可靠地定位，IoU和DSC分别为83.05…
2021-03-14 cs.CV 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
Evaluation of Convolutional Neural Networks for COVID-19 Classification on Chest X-Rays
Universidade do Vale do Rio dos Sinos（瓦莱杜里奥杜斯辛诺斯大学）
早期识别COVID-19患者对于提供充分治疗和减轻卫生系统负担至关重要。COVID-19检测的金标准是使用RT-PCR检测。然而，由于对测试的高需求，在巴西的一些地区，这些测试可能需要几天甚至几周的时间。因此，检测COVID-19的替代方案是分析数字胸部X射线（XR）。即使在无症状患者中，也可以在XR中检测到COVID-19引起的变化。在这种情况下，基于深度学习的模型具有很大的潜力，可以用作诊断的支持系统或筛选工具。在本文中，我们提出了卷积神经网络的评估，以识别XR中的COVID-19肺炎。提出的方法包括XR的预处理步骤、数据增强以及通过使用ImageNet数据集预训练的卷积架构DenseNet 121、InceptionResNetV 2、InceptionV 3、MovileNetV 2、ResNet 50和VGG 16进行分类。所获得的结果表明，VGG 16架构获得了优越的性能，在XR的评估指标，使用本文中提出的方法进行分类。我们的方法获得的结果表明，VGG 16架构在XR分类中表现出优异的性能，准确度为85.11%，灵敏度为85.25%，$85.16%, F1-score of $的特异性为85.03%，AUC为0.9758。
2021-09-06 cs.CV 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
Triple-view Convolutional Neural Networks for COVID-19 Diagnosis with Chest X-ray
School of Computing and Information Technology, University of Wollongong（卧龙岗大学计算与信息技术学院）
2019冠状病毒病（COVID-19）正在影响全球越来越多的人，对医疗保健系统构成重大压力。COVID-19的早期和准确诊断对于筛查感染患者和阻断人与人之间的传播至关重要。使用深度学习的基于胸部X射线（CXR）的COVID-19计算机辅助诊断成为一种有前途的解决方案。然而，COVID-19的多样性和各种放射学特征使其具有挑战性，特别是考虑到每次CXR扫描通常只生成一张图像。数据稀缺是另一个问题，因为目前收集大规模医学CXR数据集可能很困难。因此，如何从有限的样本中提取更多的信息和相关的功能变得至关重要。为了解决这些问题，与传统方法从单个视图处理每个CXR图像不同，本文提出了三视图卷积神经网络用于CXR图像的COVID-19诊断。具体来说，所提出的网络从每个CXR图像的三个视图中提取个体特征，即，左肺视图、右肺视图和整体视图，在三个流中，然后将它们整合用于联合诊断。所提出的网络结构尊重人类肺部的解剖结构，并且在实践中与COVID-19的临床诊断非常一致。此外，视图的标注不需要专家的领域知识，这是许多现有方法所需要的。实验结果表明，该方法具有较好的性能，特别是在具有挑战性的三类分类任务中，具有广泛的通用性和较高的灵活性。
2020-10-27 cs.CV eess.IV
Classification of COVID-19 in Chest X-ray Images Using Fusion of Deep Features and LightGBM
Amirkabir University of Technology（阿米尔卡比尔理工大学）；Semnan University（塞姆南大学）；University of New Mexico（新墨西哥大学）；Technical and Vocational University (TVU)（技术与职业大学（TVU））
提出融合 DenseNet169 与 MobileNet 深度特征、经单变量选择后用 LightGBM 分类的方法，在 ChestX-ray8 上实现较高的 COVID-19 二分类与多分类准确率。
2022-06-27 cs.CV eess.IV
COVID-19-CT-CXR: a freely accessible and weakly labeled chest X-ray and CT image collection on COVID-19 from biomedical literature
National Center for Biotechnology Information (NCBI)（美国国家生物技术信息中心）；National Library of Medicine (NLM)（美国国家医学图书馆）；National Institutes of Health (NIH)（美国国立卫生研究院）；Weill Cornell Medicine（威尔康奈尔医学院）；University of Texas at Arlington（德克萨斯大学阿灵顿分校）
对全球健康的最新威胁是COVID-19疫情。尽管存在胸部X射线（CXR）和计算机断层扫描（CT）扫描的大型数据集，但由于患者隐私，目前很少有COVID-19图像收集。与此同时，生物医学文献中与COVID-19相关的文章迅速增长。在这里，我们介绍了COVID-19-CT-CXR，这是一个COVID-19 CXR和CT图像的公共数据库，这些图像是从PubMed Central Open Access（PMC-OA）子集的COVID-19相关文章中自动提取的。我们提取了文章中的图形、相关说明和相关图形描述，并将复合图形分成子图形。我们还设计了一个深度学习模型，将它们与其他图形类型区分开来，并对其进行相应的分类。最终数据库包括1，327张CT和263张CXR图像（截至2020年5月9日）及其相关文本。为了证明COVID-19-CT-CXR的效用，我们进行了四个案例研究。(1)我们表明，COVID-19-CT-CXR在用作额外的训练数据时，能够有助于提高COVID-19和非COVID-19 CT分类的DL性能。(2)我们收集了流感的CT图像，并训练了DL基线，以区分COVID-19、流感或CT上的正常或其他类型疾病的诊断。(3)我们从非COVID-19 CXR中训练了一个无监督的单类分类器，并执行异常检测来检测COVID-19 CXR。(4)从文本挖掘的标题和图形描述中，我们比较了COVID…
2020-10-22 cs.CV 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
Diagnosing COVID-19 Severity from Chest X-Ray Images Using ViT and CNN Architectures
本研究利用ViT和CNN架构，通过迁移学习从胸部X射线图像预测COVID-19严重程度，DenseNet161在分类任务中达80%准确率，ViT在回归任务中误差最低。
2025-02-28 cs.CV eess.IV
