免責聲明：本研究是為X光圖像中COVID－19的自動檢測而開發(fā)的，完全是為了教育目的。由于COVID－19沒有經過專業(yè)或學術評估，最終的應用并不打算成為一個準確的用于診斷人類的COVID－19診斷系統。

介紹：Covid－19是由一種病毒（SARS－CoV－2冠狀病毒）引起的大流行性疾病，已經感染了數百萬人，在幾個月內造成數十萬人死亡。據世界衛(wèi)生組織（WHO）稱，大多數COVID－19患者（約80％）可能無癥狀，約20％的患者可能因為呼吸困難而需要住院治療。在這些病例中，大約5％可能需要支持來治療呼吸衰竭（通氣支持），這種情況可能會使重癥監(jiān)護設施崩潰。抗擊這一流行病的關鍵是快速檢測病毒攜帶者的方法。冠狀病毒冠狀病毒是引起呼吸道感染的病毒家族。這種新的冠狀病毒病原體是在中國登記病例后于1919年底發(fā)現，它會導致一種名為冠狀病毒（COVID－19）的疾病。1937年首次分離出冠狀病毒，然而，直到1965年，這種病毒才被描述為冠狀病毒，因為它在顯微鏡下的輪廓看起來像一個樹冠。下面你可以看到SARS－CoV－2病毒的原子級三維模型：

X光近年來，基于計算機斷層掃描（CT）的機器學習在COVID－19診斷中的應用取得了一些有希望的成果。盡管這些方法取得了成功，但事實仍然是，COVID－19傳播在各種規(guī)模的社區(qū)。X光機更便宜、更簡單、操作更快，因此比CT更適合在更貧困或更偏遠地區(qū)工作的醫(yī)療專業(yè)人員。目標對抗Covid－19的一個重大挑戰(zhàn)是檢測病毒在人體內的存在，因此本項目的目標是使用掃描的胸部X光圖像自動檢測肺炎患者（甚至無癥狀或非病人）中Covid－19的病毒。這些圖像經過預處理，用于卷積神經網絡（CNN）模型的訓練。CNN類型的網絡通常需要一個廣泛的數據集才能正常工作，但是，在這個項目中，應用了一種稱為“遷移學習”的技術，在數據集很小的情況下非常有用（例如Covid－19中患者的圖像）。目的是開發(fā)兩種分類模型：Covid－19的檢測與胸片檢測正常的比較Covid－19的檢測與肺炎患者檢測的比較按冠狀病毒相關論文定義的，所有類型的肺炎（COVID－19病毒引起的除外）僅被認為是“肺炎”，并用Pneumo標簽（肺炎）分類。我們使用TensorFlow 2．0的模型、工具、庫和資源，這是一個開源平臺，用于機器學習，或者更準確地說，用于深度學習。最后在Flask中開發(fā)了一個web應用程序（web app），用于在接近現實的情況下進行測試。下圖為我們提供了最終應用程序如何工作的基本概念：

X光掃描胸部圖像（User＿A．png），應用程序將圖像存儲在web應用程序的計算機上，決定圖像是否屬于受病毒污染的人（模型預測：［陽性］或［陰性］）。在這兩種情況下，應用程序都會輸出預測的準確性（模型準確度：X％）。為了避免兩者都出錯，將向用戶顯示原始文件的名稱及其圖像。圖像的新副本存儲在本地，其名稱添加一個預測標簽，并且加上準確度。這項工作分為四個部分：環(huán)境設置、數據清洗和準備模型1訓練（Covid／正常）模型2訓練（Covid／肺炎）Web應用的開發(fā)與測試靈感該項目的靈感來源于UFRRJ（里約熱內盧聯邦大學）開發(fā)的X光COVID－19項目。UFRRJ的XRayCovid－19是一個正在開發(fā)的項目，在診斷過程中使用人工智能輔助健康系統處理COVID－19。該工具的特點是易用、響應時間快和結果有效性高，我希望將這些特點擴展到本教程第4部分開發(fā)的Web應用程序中。下面是診斷結果之一的打印屏幕（使用了Covid－19數據集1圖像之一）：

喬杜里等人在論文中闡述了該大學開展這項工作的科學依據，論文地址：https：／／arxiv．org／abs／2003．13145另一項工作是Chester，論文：https：／／arxiv．org／pdf／1901．11210．pdf，由蒙特利爾大學的研究人員開發(fā)。Chester是一個免費且簡單的原型，醫(yī)療專業(yè)人員可以使用它們來了解深度學習工具的實際情況，以幫助診斷胸部X光。該系統被設計為輔助工具，用戶可在其中處理圖像以確認或協助診斷。當前版本的 Chester（2．0）使用DenseNet－121型卷積網絡訓練了超過10．6萬張圖像。該網絡應用程序未檢測到Covid－19，這是研究人員對應用程序未來版本的目標之一。下面是診斷結果之一的截圖（使用了Covid－19數據集的圖像）

在下面的鏈接中，你可以訪問Chester，甚至下載應用程序供脫機使用：https：／／mlmed．org／tools／xray／。感謝這項工作最初是根據Adrian Rosebrock博士發(fā)表的優(yōu)秀教程開發(fā)的，我強烈建議你深入閱讀，此外，我要感謝Nell Trevor，他根據羅斯布魯克博士的工作，進一步提出了如何測試結果模型的想法。第1部分－環(huán)境設置和數據準備數據集訓練模型以從圖像中檢測任何類型信息的第一個挑戰(zhàn)是要使用的數據量。原則上，可公開獲取的圖像數量越多越好，但是請記住，這種流行病只有幾個月的歷史，所以對于Covid－19檢測項目來說，情況并非如此）但是，Hall等人的研究，論文：https：／／arxiv．org／pdf／2004．02060．pdf，證明使用遷移學習技術僅用幾百幅圖像就可以獲得令人鼓舞的結果。如引言所述，因為訓練兩個模型，所以需要3組數據：確認Covid－19的X光圖像集常規(guī)（“正常”）患者的X光圖像集一組顯示肺炎但不是由Covid－19引起的X光圖像為此，將下載兩個數據集：數據集1：COVID－19的圖像集Joseph Paul Cohen和Paul Morrison和Lan Dao COVID－19圖像數據收集，arXiv： 2003．11597， 2020這是一個公開的COVID－19陽性、疑似患者和其他病毒性和細菌性肺炎（MERS、SARS和ARDS）的X光和ct圖像數據集。數據是從公共來源收集的，也可以從醫(yī)院和醫(yī)生處間接收集（項目由蒙特利爾大學倫理委員會批準，CERSES－20－058－D）。以下GitHub存儲庫中提供了所有圖像和數據：https：／／github．com／ieee8023／covid－chestxray－dataset。數據集2：肺炎和正常人的胸片論文：Kermany， Daniel； Zhang， Kang； Goldbaum， Michael （2018）， “Labeled Optical Coherence Tomography （OCT） and Chest X－Ray Images for Classification”通過深度學習過程，將一組經驗證的圖像（CT和胸片）歸類為正常和某些肺炎類型。圖像分為訓練集和獨立的患者測試集，數據可在網站上獲得：https：／／data．mendeley．com／datasets／rscbjbr9sj／2胸片的類型從數據集中，可以找到三種類型的圖像，PA、AP和Lateral（L）。L的很明顯，但X光的AP和PA視圖有什么區(qū)別？簡單地說，在拍X光片的過程中，當X光片從身體的后部傳到前部時，稱為PA（后－前）視圖，在AP視圖中，方向相反。通常，X光片是在AP視圖中拍攝的，但是一個重要的例外就是胸部X光片，在這種情況下，最好在查看PA而不是AP，但如果病人病得很重，不能保持姿勢，可以拍AP型胸片。