新冠肺炎研究进展的几篇论文（三）

“停课不停研”，论文品读， 研一新生考虑不周，欢迎指正。

论文地址：https://arxiv.org/abs/2003.05037v1

参考CSDN文章：https://blog.csdn.net/l7H9JA4/article/details/105061797

Rapid AI Development Cycle for the Coronavirus (COVID-19) Pandemic: Initial Results for Automated Detection & Patient Monitoring using Deep Learning CT Image Analysis

摘要：
CT平扫已被证明是一种有效的疾病检测、定量和随访的工具。可以开发深度学习算法来帮助分析潜在的大量胸部CT检查。
目的：开发基于人工智能的冠状病毒自动CT图像分析工具，用于检测、定量和跟踪冠状病毒，并证明它们可以将冠状病毒患者与未患病患者区分开来。本文提出了一个系统，利用稳健的二维和三维深度学习模型，修改和适应现有的人工智能模型，并将它们与临床理解相结合。
结果:在中国控制和感染患者的数据集上，冠状病毒与非冠状病毒的胸部CT分类结果为0.996 AUC (95%CI: 0.989-1.00)，98.2%的敏感性，92.2%的特异性。对于冠状病毒患者的时间分析，系统输出能够定量测量较小的混浊度(体积、直径)，并在基于切片的热图或三维体积显示中显示较大的混浊度。我们建议的Corona score可以衡量疾病随时间的进展。结论:这项初步研究目前正在向更大的人群推广，表明快速发展的基于人工智能的图像分析可以在检测冠状病毒以及疾病负担的定量和跟踪方面达到较高的准确性。

方法：
系统是由多个组件和分析CT案例在两个不同的层次:
A:3d分析的情况下,使用现有的结节和焦混浊,之前开发的算法

B:新开发的二维分析每个片的检测和定位索取扩散的透明包括磨砂玻璃浸润的临床描述为代表的冠状病毒。
这两个子系统相互补充，在某些地方相互加强。

B部分：第一步是肺裁剪阶段:我们使用肺分割模块提取感兴趣的肺区域(ROI)。采用6150例肺部异常病例的CT切片及其相应的肺面罩，训练U-net图像分割体系。

数据来源：

深度学习模型：
我们使用Resnet-50 - 2D深卷积神经网络架构;该网络有50层，可以将图像分成1000个类别。该网络对来自ImageNet数据库的100多万张图像进行了预训练
网络训练：进一步训练网络参数(微调)来解决手头的问题:使用来自中国几家医院的疑似covid19病例(表一:数据集-1)。每片注释为正常(1036例)与异常(829例)。为了克服有限的情况，我们使用了数据增强技术(图像旋转、水平翻转和裁剪)。
网络结果：通过网络划分为异常的4个COVID-19切片的示例结果。上图为CT图像。在底部一行，提供了相应的彩色地图。红色代表最强的网络输出，蓝色代表最弱的网络输出。我们注意到，这些地图与弥散性混浊很好地吻合，这有力地表明，该网络成功地掌握了与COVID-19表现相关的重要特征。

时间推移评价:
左边，我们看到了科罗娜分数的图表。在这个图中，我们可以评估患者中冠状病毒的相对严重性。右侧显示了相关的科罗娜评分。在这里，可以确定该病的不同病程。