Deep-COVID：利用深度迁移学习在胸腔X射线图像识别COVID-19

Abstract

早期的一些研究显示，COVID-19感染患者的胸片存在特异性异常。受早期工作的启发，我们研究了深度学习模型在COVID-19患者胸片图像检测中的应用。我们首先从公开的数据集中准备5000个胸透数据集。显示COVID-19疾病存在的图像由委员会认证的放射学家鉴定。在2000张x光片的子集上的迁移学习来训练四种流行的卷积神经网络，包括ResNet18、ResNet50、SqueezeNet和DenseNet-121，从而在分析的胸部x光图像中识别COVID19疾病。我们在剩下的3000张图像上对这些模型进行了评估，其中大多数网络的敏感性为97%(±5%)，而特异性为90%左右。虽然实现的性能是非常令人鼓舞的，但需要对更大的COVID-19图像集进行进一步的分析，以获得更可靠的准确率估计。除了敏感性和特异性外，我们还展示了每个模型的受试者工作特征(ROC)、曲线下面积(AUC)和混淆矩阵。

Method

胸部影像报告显示多叶受累及周围空气混浊。最常见的混浊是毛玻璃(57%)和混合衰减(29%)。在COVID-19的早期过程中，在肺血管的边缘区域可见磨砂玻璃样结构，可能难以直观地观察到covid - 19的不对称斑片状或弥散性空气混浊。使用ChexPert数据集，数据集包含大约5000张胸片图像(称为COVID-Xray-5k)，分为2000张训练样本和3000张测试样本。
使用端到端的深度学习框架，直接从原始图像中预测COVID-19。使用
包括ResNet18、ResNet50、SqueezeNet和DesneNet-161进行图像识别。但由于到目前为止，COVID-19类公开的x射线图像很少，我们不能简单地从零开始训练这些模型。在这项工作中，使用了两种策略来解决COVID-19图像稀缺的问题:
1.使用数据增强的方法，图像增强手段，crop，反转，旋转等将数据增加为4倍
2.使用迁移学习，利用imageNet完成预训练。

Conclusion

通过这些模型预测每个图像的概率分数，显示图像被检测为COVID-19的可能性。
通过将这个概率与一个截止阈值进行比较，我们可以得到一个二进制标签来显示图像是否是COVID-19