我很高兴发表另一篇文章Barath Narayanan，代顿大学研究所(UDRI),LinkedIn的资料． 共同作者：博士拉塞尔C. Hardie.，代顿大学（UD） 博士。Barath Narayanan分别于2013年和2017年毕业于代顿大学(University of Dayton)电气工程硕士和博士学位。他目前担任联合任命为研究科学家UDRI的软件系统组同时也是哈佛大学的附属学院ECE部门在特拉华大学。主要研究方向为深度学习、机器学习、计算机视觉和模式识别。

在本博客中，我们使用MATLAB应用基于深度学习(DL)的技术来检测胸片上的COVID-19。

背景

冠状病毒病(COVID-19)是2019年发现的一种新的人类疾病，过去从未被发现。冠状病毒是一个大家庭的病毒，可以引起从普通感冒到中东呼吸综合征(MERS-COV)和严重急性呼吸综合征(SARS-COV)等晚期呼吸综合征患者的疾病。许多人目前受到影响，正在世界各地接受治疗，导致全球大流行。仅在美国，就可能有1.6亿至2.14亿人在COVID-19流行期间受到感染(https://www.nytimes.com/2020/03/13/us/coronavirus-deaths-estimate.html）.几个国家已经宣布进入国家紧急状态，并隔离了数百万人。以下是一篇关于冠状病毒如何影响人类的详细文章:https://www.nytimes.com/article/coronavirus-body-symptoms.html

检测和诊断工具为医生提供有价值的第二意见，并在筛查过程中协助他们。这种机制也有助于迅速向医生提供结果。在本博客中，我们使用MATLAB应用基于深度学习(DL)的技术来检测胸片上的COVID-19。

的Covid-19数据集在这个博客中使用的是由约瑟夫·科恩博士他是蒙特利尔大学的博士后研究员。多亏了文章通过艾德里安博士Rosebrock为全球的研究人员提供了胸片数据集，并使用DL展示了最初的工作。请注意，我们只使用x射线图像。您应该能够直接从本文中下载图像。在从网站下载ZIP文件并将它们解压缩到一个名为“covid19”的文件夹后，“dataset”中每个类都有一个子文件夹。“Covid”字样表示患者存在Covid -19，否则为“正常”。因为我们有两个阶级的平均分布(25张图片)，所以这里没有阶级不平衡的问题。

加载数据集

让我们从使用加载数据库开始imageageAtastore.．它是一个计算上有效的功能，可以将图像与其标签一起加载，以进行分析。

％清除工作区清除;关闭所有;CLC;% Images Datapath -请相应地修改您的路径datapath公司=“数据集”;%的图像数据存储IMDS = imageageAtastore（DataPath，...'uppordubfolders'，true，...'labelsource'，'foldernames'）;确定分割total_split = countEachLabel (imd)

可视化图像

让我们来看看图像，并查看每个类的图像如何不同。它还可以帮助我们确定可以应用于区分两个类的分类技术的类型。基于图像，我们可以识别有助于我们分类过程的预处理技术。我们还可以根据类别内的相似性确定可以用于研究的CNN架构类型，以及跨类的差异。

%图像数量num_images = length（imds.labels）;%可视化随机图像烫= randperm (num_images 6);图;idx = 1:长度(烫)次要情节(2、3、idx);imshow (imread (imds.Files{烫发(idx)}));标题(sprintf(“% s”,imds.Labels(烫发(idx))))

为了简化DL架构的分类过程，我们应用简单的预处理技术，并且在本文末尾括起来。

K-fold验证

正如你已经知道的，在这个数据集中有一个有限的图像集，我们将数据集分成10倍进行分析，即使用数据集中的不同图像集训练10种不同的算法。与典型的hold-out验证方法相比，这种类型的验证研究将为我们提供更好的绩效评估。

我们在这个博客中采用了ResNet-50架构，因为它已经被证明在各种医学成像应用中是非常有效的[1,2]。

％折叠数量num_folds = 10;%循环每次折叠对于fold_idx=1:num_folds fprintf('Processing %d among %d folds \n'，fold_idx,num_folds);%当前折叠的测试指数test_idx = fold_idx: num_folds: num_images;当前折叠的％测试用例test_idx imdsTest =子集(imd);%当前折叠的训练指数train_idx = setdiff(1:长度(imds.Files) test_idx);％列车案件用于当前折叠IMDStrain =子集（IMDS，TRATH_IDX）;% ResNet架构网= resnet50;lgraph = layerGraph(净);清楚净;％类别数量numClasses =元素个数(类别(imdsTrain.Labels));%新的可学习层newLearnableLayer = fulllyconnectedlayer (numClasses，…“名称”、“new_fc’,……“WeightLearnRateFactor”10…“BiasLearnRateFactor”,10);％用新图层替换最后一层LGRAPH = REPLAYELAYER（LGAPRAGE，'FC1000'，NewLearnablayer）;newsoftmaxlayer = softmaxlayer（'name'，'new_softmax'）;Lgraph = ReployElayer（LGraph，'FC1000_Softmax'，NewsoftmaxLayer）;newclasslayer = classificationlayer（'name'，'new_classoutput'）;LGRAPH = REPLAYELAYER（LGAPH，'ClassificationLayer_FC1000'，NewClassLayer）;%的预处理技术imdsTrain。ReadFcn = @(文件名)preprocess_Xray(文件名);imdsTest。ReadFcn = @(文件名)preprocess_Xray(文件名);% Training Options，由于图像有限，我们选择一个小的迷你批处理大小选项= TrainingOptions（'adam'，...'maxepochs'，30，'minibatchsize'，8，...'shuffle'，'near-epoch'，...'italllearnrate'，1e-4，...'verbose'，false，...'plots'，'培训 - 进展'）;％数据共消沉augmenter = imageDataAugmenter(…“RandRotation”,5[5],“RandXReflection”,1,…RandYReflection, 1,“RandXShear”,[-0.05 - 0.05],“RandYShear”,[-0.05 - 0.05]);％培训所有培训图像大小到[224 224]对于Reset架构auimds = augmentedimagedataStore（[224 224]，Imdstrain，'dataaugmentation'，增强者）;％ 训练nettransfer = trainnetwork（auimds，lgraph，选项）;为Reset架构调整所有测试图像的大小大小[224 224]奥图斯蒂姆兹= upmentedimageGateSore（[224 224]，IMDSTEST）;%检测及其相应的标签和后验[predicted_labels（test_idx），后退（test_idx，:)] =分类（NetTransfer，Augtestimds）;％保存为每个折叠获得的独立resnet架构保存(sprintf (ResNet50_ % d_among_ % d_folds, fold_idx, num_folds),‘netTransfer’,‘test_idx’,‘train_idx’);%清除不必要的变量clearvars  -  except fold_idx num_folds num_images predge_labels后IMDs nettransfer;结束

性能研究

让我们用混淆矩阵来衡量算法的性能——这个度量也给出了在精确度和回忆率方面的性能。我们认为总体准确性是一个很好的指标，因为在本研究中使用的测试数据集是均匀分布的(就属于每个类别的图像而言)。

混乱矩阵

％实际标签实际_labels = imds.labels;％困惑矩阵图;plotconfusion(actual_labels,predicted_labels') title('Confusion Matrix: ResNet');

ROC曲线

ROC将帮助医生在误报和检测率方面选择他们的操作点。

test_labels =双(名义(imds.Labels));% ROC曲线-我们的目标类是这个场景中的第一个类[fp_rate，tp_rate，t，auc] = perfcurve（test_labels，后（：，1），1）;图;plot（fp_rate，tp_rate，'b-'）;网格;Xlabel（'假阳性率'）;ylabel（'检测率'）;

% ROC曲线下面积AUC

类激活映射

我们使用代码可视化这些网络针对不同COVID-19病例的类激活映射(CAM)结果://www.tatmou.com/help/deeplearning/examples/investigate-network-predictions-using-class-activation-mapping.html．这将有助于向医生提供算法决定背后的见解。

以下是在不同情况下获得的结果:

在其他公开可用的数据集上进行测试

为了进一步研究和分析该算法的性能，我们确定了其他公共可用数据集没有任何COVID-19标签的COVID-19概率。我们利用在[2]中由放射科医生标记为正常、细菌性肺炎或病毒性肺炎的病例。如上所述，每个网络都使用来自COVID-19数据集的一组不同的图像进行训练。任何covid后验值大于0.5的图像都被认为是假阳性(FP)。结果表明，该算法具有较高的特异性和敏感性。在单核GPU上，每个测试用例花费的时间接近13毫秒。

结论

在本博客中，我们为Covid-19的CAD提出了一种简单的深度学习的分类方法。使用RESET的分类算法相对较好地执行高总体精度和AUC。转移学习方法的性能明确重申，基于CNN的分类模型良好的提取特征。算法可以轻松地用新的标记图像重新培训，以进一步增强性能。将这些结果与其他泄漏架构相结合将在AUC和整体准确性方面提供促进性能。在计算（内存和时间）和性能方面，对这些算法的全面研究提供了主题专家根据其选择选择算法。CAD对Covid-19筛选的医生有很大帮助，并有助于提供有价值的第二次意见。

参考

[1] Narayanan，B. N.，De Silva，M.S.，Hardie，R.C.，Kueterman，N.K.，＆Ali，R。（2019）。“了解医学成像应用的深度神经网络预测”。Arxiv预印迹arxiv：1912.09621。

Narayanan, B. N.， Davuluru, V. S. P. & Hardie, R. C.(2020年3月)。“胸部x线片肺炎诊断的两阶段深度学习体系”。《2020年医学成像:医疗保健、研究和应用的成像信息学》(第11318卷，第113180G页)。国际光学与光子学学会。

预处理功能

函数iout = preprocess_xray（文件名）这个函数通过将给定的x射线图像转换为%灰度如果需要，稍后转换为3通道图像以适应％存在的深度学习架构％％作者：Barath Narayanan%日期:3/17/2020%读取文件名I = imread(文件名);％某些图像可能是RGB，将它们转换为灰度如果~ ismatrix(我)我= rgb2gray(我);结束复制图像3次，创建一个RGB图像iout =猫（3，我，我，我）;结束

在这篇文章中为Barath有任何疑问吗？留言下面