CMMM 计算和数学方法在医学 1748 - 6718 1748 - 670 x Hindawi 10.1155 / 2021/8036304 8036304 研究文章 评估深层神经网络架构与转移学习肺炎的诊断 https://orcid.org/0000 - 0002 - 6876 - 570 x •克里 苏利耶 1 https://orcid.org/0000 - 0002 - 9352 - 0237 Srinivasan Kathiravan 2 https://orcid.org/0000 - 0002 - 4268 - 3482 Qaisar接受 赛义德面 3 https://orcid.org/0000 - 0002 - 7598 - 1363 文森特 下午Durai拉吉 4 https://orcid.org/0000 - 0001 - 9476 - 8130 常 Chuan-Yu 5 Asghar 默罕默德祖拜尔 1 iQGateway 班加罗尔 印度 2 计算机科学与工程学院 Vellore理工学院(VIT) Vellore 印度 vit.ac.in 3 电子与计算机工程系 Effat大学 吉达 沙特阿拉伯 effatuniversity.edu.sa 4 信息技术与工程学院 Vellore理工学院(VIT) Vellore 印度 vit.ac.in 5 计算机科学与信息工程系 国立云林科技大学 云林64002 台湾 yuntech.edu.tw 2021年 13 9 2021年 2021年 3 8 2021年 30. 8 2021年 13 9 2021年 2021年 版权©2021苏利耶•et al。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

肺炎是一种传染性的疾病,导致空气囊的炎症。它可以危及生命的年轻人和老年人。检测肺炎的x射线图像是一个重大的挑战。早期发现与诊断和帮助可以是至关重要的。最新发展领域的深度学习有显著提高他们的性能在医学图像分析。优越的深学习方法的预测性能使他们适合肺炎分类从胸部x光图像。然而,培训深度学习模型可以麻烦和资源密集型的。重用公共的知识表示模型训练的大规模数据集通过转移学习可以帮助缓解这些挑战。在本文中,我们比较各种图像分类模型基于转移学习知名深学习架构。Kaggle胸部x射线数据集被用来评估和比较我们的模型。 We apply basic data augmentation and fine-tune our feed-forward classification head on the models pretrained on the ImageNet dataset. We observed that the DenseNet201 model outperforms other models with an AUROC score of 0.966 and a recall score of 0.99. We also visualize the class activation maps from the DenseNet201 model to interpret the patterns recognized by the model for prediction.

 教育部 智能识别行业服务研究中心 科学技术部、台湾 most109 - 2221 - e - 224 - 048 - my2 1。介绍

肺炎是一种急性感染的肺部肺泡炎症的特征。肺泡浓汁的填充和液体导致呼吸困难,痛苦的呼吸,和缺乏氧气的摄入量。肺炎感染可能是由于病毒,细菌和真菌制剂是最常见的细菌和病毒感染最危险的。他们是主要的传染性死亡原因在5岁以下的儿童。他们也是死亡的主要原因之一,在发展中国家和慢性疾病。肺炎的早期检测是至关重要的,以避免严重的并发症和致命的后果。它们通常通过检查病人的胸部x光发现定位受感染的地区。胸部x光也便宜,可以在短时间内获得。特色领空的透明的x射线图像通常显示肺炎。不仅是检查胸部x光检测肺炎单调乏味的任务,但是发现放射性审查员在世界上一些偏远地区是具有挑战性的 1]。因此,机器学习方法在医学图像像x射线是一种可行的选择。他们可以帮助放射科医生快速和高效的肺炎检测。高度精确的模型甚至可以执行一个独立的诊断为肺炎。

用高效的深度学习方法取代繁琐的传统方法手工制作有用的特性,神经网络医疗诊断系统是非常准确的 2- - - - - - 5]。尤其是像卷积神经网络(cnn)模型能够捕捉和暴露有关,从图像信息特征,使他们强大的医学图像的特征提取方法。最近,变形金刚,self-attention-based神经网络架构,最初设计用于自然语言处理(NLP),显示承诺在计算机视觉(CV)的表现。可以建立自定义架构测试或使用流行的架构从现成的和抽象的文学在几个像TensorFlow深度学习编程框架。然而,有几个可用的组件选择建立一个深层神经网络(款),构建和优化模型可以款繁琐和耗时。此外,表现最好的模型往往与大量的深层网络参数限制空间和时间复杂度在训练这些模型。这些深层网络还需要大型数据集学习底层特征表示和概括看不见的数据。获得这样的大型数据集通常是不实际在医学领域。大多数这些限制可以被用一种流行的技术,解决转移学习。在这种方法中,我们使用模型对大规模数据集训练,调整我们的目标数据集几个迭代。 Despite the variation in the distribution of the source dataset from the target dataset, the approach is surprisingly effective in medical image classification tasks. They can also be trained in a significantly shorter time as opposed to the several hours required to train an entire DNN model. In this work, we investigate transfer learning for pneumonitis classification from X-ray images with several neural network architectures.

论文的主要贡献如下:

我们证明转移学习使用pretrained ImageNet模型可以实现性能优良的肺炎分类任务

我们应用数据增加改善模型性能和泛化

我们进行绩效评估和比较流行的肺炎DNN-based方法检测从胸部x光图像

我们调整前馈分类各种pretrained模型和评价模型在测试集上。我们表现最好达到96.6%的AUROC DenseNet201模型

目视判读的预测表现最好通过Grad-CAM DenseNet201模型

剩下的纸是组织如下。我们审查各种肺炎检测工作相关工作。材料和方法提供了一个介绍款架构研究工作,讨论了实现细节。我们提出我们的实验结果和讨论的结果。最后,我们总结研究和讨论的局限性和未来的工作。

 2。相关工作

神经网络由于其较高的预测能力,广泛应用于生物医学图像分类任务。Sarvamangala调查cnn医学图像理解( 6]。Litjens等人总结300篇论文在深度学习医学图像分析 7]。马等人调查几个适用于各种任务深度学习在肺医学图像的分析 8]。刘等人进行比较,从医学图像深度学习模型在检测疾病 9]。Esteva等人总结基于深度学习医学的进步计算机视觉在过去的十年里( 10]。

Varela-Santos等人得到纹理特征灰度同现矩阵和喂给一个前馈神经网络( 11]。Sirazitdinov等人使用一个合奏RetinaNet和面具R-CNN肺炎检测和定位( 12]。越等人使用Kaggle胸部x射线数据集执行肺炎分类使用MobileNet连同其他架构通过训练了20世纪( 13]。Elshennawy易卜拉欣也报告良好的准确性和MobileNet ResNet模型在整个网络重新训练( 14]。贾殷等人比较他们的CNN模型和pretrained VGG, ResNet和初始模型( 15]。东印度缎木等人使用转移学习VGG16和Xception模型准确性,并报告87%和82%分别( 16]。塞尔瓦托等人使用10倍交叉验证ResNet50架构的整体使用x光胸透TRACE4平台数据集COVID-19预测COVID-19肺炎( 17]。他们展示出了一些有希望的结果在两个独立的测试集以及它们的交叉验证数据集。InstaCovNet-19模型的古普塔等人使用叠加pretrained InceptionV3, MobileNetV2, ResNet101, NASNet和Xception模型达到99%的精度检测COVID-19和肺炎( 18]。

高预测性能可以通过开发架构获得特定于域的任务和利用来自多个源的数据集。恋人等人胸部x光图像用于肺炎编译来自多个来源,取得了99.8%的高精度使用自定义架构称为重组残余CNN ( 19]。Rajasenbagam等人用DCGAN-based增强技术加上VGG19网络胸部X-ray8数据集( 20.]。斯蒂芬等人探索定制CNN模型的性能( 21]。生活等人开发了一个切除卷积神经网络优于初始和VGG网络Kaggle胸部x射线数据集( 22]。CheXNet Rajpurkar等人达到非凡的准确性在ChestX-ray14数据集分类14疾病( 23]。哈蒙等人深入学习算法训练在一个跨国数据集包含胸部CT扫描定位肺区域并使用作物分类COVID-19肺炎( 24]。他们实现一个AUROC得分95%的测试集。侯赛因等人开发了一个叫做CoroDet CNN架构,达到99%的精度检测COVID-19肺炎与99%的准确率在胸部x光片和CT图像包含标签正常,non-COVID肺炎,COVID肺炎( 25]。

 3所示。材料和方法 3.1。卷积神经网络

卷积神经网络构造用几个卷积层使用可学的过滤器或内核识别模式等图像的边缘,纹理,颜色和形状。CNN模型拥有一些可取的属性,使复杂特征的提取在图像上,不然就很难提取( 26]。自成功的AlexNet ImageNet大规模图像分类竞争,CNN已经发明了几种变异,探索各种方法克服的限制标准的CNN模型( 27]。

通过学习适当的过滤器使用梯度descent-based优化器,CNN可以捕捉时空连接在一个图像。他们从低级分层次构建高级功能特性,帮助cnn有效区分不同对象在一个图像。CNN算法的另一个理想的特征参数共享。因为相同的参数(过滤器)重用来计算特定特性在不同空间位置的输入图像,使用的参数数量也大大减少了。

卷积层常用的与网络中其他组件。激活层引入了非线性层之间,它允许网络捕捉出现在输入特性的复杂关系。而纠正线性单元层是一个常用的激活函数,也可以更多这样的功能。减少功能的大小表示我们深入传播网络,将采样层max-pooling和平均池也使用。分类、输出层softmax或乙状结肠输出值转换为概率密度。

 3.2。图像变形金刚

这些都是架构成功的启发,NLP的变压器。这些模型应用self-attention输入(例如,补丁或图像像素)在输入图像捕获模式中依赖关系。他们通常涉及pretraining网络在大规模数据集通过self-supervised或监督方法微调下游任务紧随其后。

 3.3。转移学习

款可以极其困难和昂贵的培训,特别是深网络需要大量的参数和失败。然而,一些流行款模型使用强大的基础设施构建大规模数据集使用不同的类(ImageNet、JFT等)。因此,他们可以从广泛的图像捕获模式输入和优秀的特征提取器。重用知识表示的概念从一个任务到另一个名为转移的任务是学习。一个可以使用这些估计权重作为热启动他们的神经网络初始权值优化的过程。一个更经济的替代方法是冻结在所有层的权重除了倒数第二层网络和调整他们的目标任务。在这项工作中,我们检查后一种方法。在本节中,我们提出详细的研究中使用的方法和技术。我们利用pretrained模型、工具和模型训练工具TensorFlow框架。本研究的总体管线图描述 1。

肺炎诊断管道使用款模型。

 3.3.1。ResNet101V2

剩余网络使用跳过或快捷键连接的概念来有效地保留信息通过层层款缓和梯度消失的问题。我们在这项工作中使用ResNet101V2变体。与神经网络层,剩余网络帮助学习功能有效地在低和高水平训练网络。

 3.3.2。DenseNet201

与标准的CNN模型中的每个卷积层只有以前的连接层,DenseNet层使用前所有层的特征图作为输入前馈方式。我们使用DenseNet201模型分析。它解决了各种梯度消失等问题问题,并提供改进的传播特点和优势减少了参数的数量。

 3.3.3。InceptionV3和InceptionResNetV2

这些“宽”CNN模型堆栈卷积核的输出与输入大小不一。Inception-ResNet模型集成了剩余连接ResNet《盗梦空间》。使网络深度,使它广泛帮助解决梯度消失的问题。体系结构还引入了两个辅助分类器,提高收敛性。我们在这项工作中使用InceptionV3和InceptionResNetV2模型。

 3.3.4。Xception

卷积模型初始模型进行扩展,将切除分离层。这些层应用卷积切除了逐点的卷积,从而高效地利用模型参数。这是一个改进版的《盗梦空间》使用切除分离卷积由谷歌的研究人员。这里,不同于原来的顺序操作 1 × 1 首先应用卷积,然后channel-wise空间卷积。另一个区别是,没有中间ReLU非线性。

 3.3.5。MobileNetV2

这些轻量级模型最初是用于移动和嵌入式设备资源缺乏的环境中( 28]。他们引进一些先进的技术来开发光神经网络模型。最重要的是使用切除可分离旋转。模型优化有效地权衡各种因素之间如准确性、延迟、宽度、和解决。我们使用MobileNetV2模型为我们的分析工作。

 3.3.6。NASNetMobile

这些模型使用神经结构设计的搜索(NAS)小规模数据集CIFAR-10和转移到像ImageNet大规模数据集。NASNetMobile是一个卷积神经网络,训练图像从ImageNet数据库超过一百万。因此,网络学习丰富广泛的图像特征表示。我们使用NASNetMobile模型分析。在NASNet,虽然整体架构是预定义的,搜索块或细胞强化学习方法。(或在)正常的结构和减少细胞由控制器RNN搜索(递归神经网络)。

 3.3.7。维特

愿景变压器(ViT)体系结构使用的线性预测补丁图像作为输入的多线程self-attention组件的变压器 29日]。我们使用的维生素b / 16变体ImageNet权重。维特将图像分为补丁,然后趋于平缓的补丁,并产生低维线性嵌入这些扁平的补丁。此外,维特包括位置嵌入的序列图像补丁然后提要作为输入标准变压器编码器。变形金刚是pretrained ImageNet等大型数据集或jft - 300 m。不像变形金刚的语言模型,使用self-supervised pretraining,我们报告一个监督pretraining方法更好的性能。

 3.4。数据集

我们用胸部x光图像为肺炎分类Kermany et al。 30.为发展神经网络诊断肺炎模型)。数据集包含了高质量、expert-graded胸部x光图像的图像标签指示正常,pneumonitis-infected肺。肺炎的分类包括细菌和病毒感染的图片。数据集包括培训5248张图片和624的图片进行评估。数据集分布如图 2,和一些示例图像如图 3。

数据集分布的胸部x光片。

样本数据集的照片。

 3.5。数据预处理

我们保留10%的训练数据验证早期停止分裂。图片会做调整以 224年 × 224年 和缩放−1 + 1的范围内。数据随机扩增技术应用于人工增加数据集的大小,使模型健壮的变化数据。数据增加可以帮助增加对看不见的数据模型的普遍性。各种对应应用和各自的参数如表所示 1。执行增加时,图像的像素边界外使用最近邻方法外推。

对应的应用以及它们的参数。

方法 参数(范围)
旋转 30°
变焦 0.85到1.15
宽度和高度变化 0.2
剪切 0.15
水平翻转 真正的
3.6。安装、培训和评估

我们执行转移学习在各种主流CNN架构,保留卷积数据集层和修改前馈层。实验的模型选择的选择。我们使用pretrained ImageNet重量Keras可用的应用程序模块。模型建立与TensorFlow 2.4.1特斯拉P100 GPU。

在培训过程中,卷积层冻结,只有自定义训练前馈层。这允许重用的过滤器已经从ImageNet数据集,避免了昂贵的再培训的整个网络。我们用一个指数学习速率衰减定义如下 k 衰减率和吗 t 是当前时代。时代与学习速率曲线显示的调度程序图 4。 (1) l r t = l r t − 1 经验值 − k 。

时代与学习速率。

我们对不同款的架构和重复的方法记录不同的性能指标和网络参数的数量。我们使用一个验证/开发分割为监控模型的训练和识别最佳hyperparameters。Hyperparameters手动调谐优化损失,AUROC得分。测试集是用于评估的性能调优模型和计算中使用的性能指标,而不是开发过程模型。表 2显示了不同的hyperparameters及其相关的值。

Hyperparameters及其相关的值。

Hyperparameter 价值
优化器 随机梯度下降法
最初的学习速率 0.01
学习速率衰减 指数,衰变率0.1
时代 15
批量大小 32
前馈分类的头 128、128 (ReLU激活)

此外,我们的情节类激活DenseNet201模型可视化的地图区域的输入模型被认为是重要的。我们使用Gradient-weighted类激活映射(Grad-CAM)提供的视觉解释预测方法通过粗定位地图( 31日]。传输的通用体系结构学习方法如图 5。

转移学习架构。

 4所示。结果与讨论

图 6代表了不同款的学习曲线模型。数据 7- - - - - - 10显示测试AUROC、精密分数,回忆分数,和准确性分数不同款的模型用于分析。临床诊断系统的主要指标是回忆,它被定义为模型的能力正确诊断条件和假阳性率(玻璃钢) 32- - - - - - 37]。接收机算子特性曲线下的面积(AUROC)允许我们识别模型,最好的回忆和最大化最小化玻璃钢。我们使用AUROC作为评价的主要指标。中华民国曲线是一个诊断的图示模型的回忆和玻璃钢分数在不同的截止点。一个模型的曲线接近45度线被认为是随机的。模型识别能力高的会有更多的曲线下的面积。我们也呈现特异性评分(1-FPR)的模型。

不同款的学习曲线模型。

AUROC的各种款模型进行了比较。

的比较各种款模型的精度的分数。

不同款的回忆成绩的比较模型。

的比较各种款模型的准确性分数。

表现最好的模型是DenseNet201模型AUROC 96.7%。数据 11- - - - - - 18说明了标准化的混淆矩阵的各种模型款。DenseNet201混淆矩阵的模型图 11显示了一个真阳性率高,这是最佳的医疗诊断。图 6表明DenseNet201模型收敛速度比其他方法。此外,MobileNetV2模型显示之间的最佳平衡模型大小和预测性能。

规范化DenseNet201模型的混合矩阵。

规范化InceptionResNetV2模型的混合矩阵。

规范化InceptionV3模型的混合矩阵。

规范化MobileNetV2模型的混合矩阵。

规范化NASNetMobile模型的混合矩阵。

规范化ResNet101V2模型的混合矩阵。

归一化维生素模型的混合矩阵。

规范化Xception模型的混合矩阵。

数据 19- - - - - - 26描绘的ROC曲线DenseNet201,维特,MobileNetV2, NASNetMobile, ResNet101V2, Xception, InceptionV3,分别和InceptionResNetV2模型。曲线显示TPR和玻璃钢不同阈值是不同的。一般来说,我们看到的是玻璃钢迅速增加随着TPR的增加。此外,Grad-CAM热图DenseNet201图 27显示模型,在大多数情况下,做了出色的参加的地区增加透明度通常表明肺炎。维生素模型是完全平衡的不同性能指标相比其他模型。一些模型显示回忆得分高于DenseNet201模型但表现不佳对其他指标。这个模型偏差是标签的偏态分布的结果,积极的标签在哪里大约三倍的负面标签。

ROC曲线DenseNet201模型。

维特的ROC曲线模型。

ROC曲线MobileNetV2模型。

ROC曲线NASNetMobile模型。

ROC曲线ResNet101V2模型。

ROC曲线Xception模型。

ROC曲线InceptionV3模型。

ROC曲线InceptionResNetV2模型。

激活地图从Grad-CAM DenseNet201随着预测一些样品测试集的照片。

从我们的实验中,我们观察到模型与功能复用技术(DenseNet201、ResNet101V2 MobileNetV2)和更广泛的网络(Xception和NASNetMobile)表现得明显更好。一个可能的解释是,随着pretrained网络,并不是所有的学习特征图可能是下游相关领域(在这种情况下肺x射线图像)。在更广泛的网络,我们的性能瓶颈缓解复合“不合时宜”的特征图谱我们更深的网络可能导致最终损失的信息。我们也看到一般与的大小模型改进的性能。火车模型也非常快,大多数模型完成一个时代在一分钟。表 3列出了款车型相比的性能指标。表 4显示每个模型中参数的数量。注意,虽然培训配置相似,比较公平,我们可以获得更高的准确性通过调优单个模型可教育的层次,不同的优化等。

款车型相比的性能指标。

模型 精度 精度 回忆 AUROC
DenseNet201 0.788 0.751 0.99 0.967
维特 0.8 0.759 0.995 0.959
MobileNetV2 0.843 0.815 0.969 0.955
NASNetMobile 0.806 0.773 0.977 0.945
ResNet101V2 0.792 0.756 0.985 0.94
Xception 0.793 0.755 0.99 0.936
InceptionV3 0.792 0.756 0.985 0.931
InceptionResNetV2 0.827 0.794 0.977 0.926

模型的参数比较。

模型 参数的数量(百万)
MobileNetV2 2.44
NASNetMobile 4.42
DenseNet201 18.58
Xception 21.14
InceptionV3 22.08
ResNet101V2 42.91
InceptionResNetV2 54.55
维特 85.91
5。结论

在这项研究中,我们进行一个比较分析转移学习的各种深层神经网络模型用于肺炎检测胸部x光图像。少量的预处理和hyperparameter调优,我们表现最好DenseNet实现了AUROC得分96.7%的测试集,Grad-CAM激活说明模型的预测的可靠性。模型的精度高表明这些模型在任务的功效。模型也更容易实现像TensorFlow使用深度学习框架。他们也比培训整个网络训练速度更快。

由于计算资源的限制,我们限制我们的实验Kermany et al的胸部x光图像和微调,冻层。在未来,我们可以扩展我们的实验,包括转移学习热启动和再培训。我们也可以在多个数据集源报告性能指标来评估泛化。采用这些模型来练习,额外的实验像概率校准,阈值,和偏见标识需要执行和是我们当前工作的范围之外,其重点是不同款架构的总体效率与传输的学习。进一步,未来研究可以为解决临床相关的查询,设计和先进的深度学习的有效性的方法将帮助放射科医生或内科医生精确地完成的肺炎检测胸部x光图像。

然而,提出了工作成果可以帮助专家做出最佳选择的模型,消除需要一个详尽的搜索。转移与深层神经网络学习减轻与模型训练和相关几个问题让我们为肺炎检测建立精确的模型,这有助于在肺炎的早期检测和管理。

 数据可用性

在这项研究中使用的数据集是可用的 https://data.mendeley.com/datasets/rscbjbr9sj/3。

 的利益冲突

作者宣称没有利益冲突有关的出版。

 确认

这项工作得到了科技部,台湾(批准号most109 - 2221 - e - 224 - 048 - my2)。这项研究部分由“智能识别行业服务研究中心”的特色区域研究中心计划的框架内发芽项目由教育部高等教育在台湾(MOE)。

 乔治 r B。 胸部医学:肺和危重病医学的本质 2005年 Lippincott Williams &威尔金斯 Rajasegarar 年代。 Leckie C。 Palaniswami M。 Bezdek j . C。 季度球体建立分布式无线传感器网络异常检测 2007年IEEE国际会议交流 2007年 英国格拉斯哥 3864年 3869年 10.1109 / ICC.2007.637 2 - s2.0 - 38549109147 Gadekallu t·R。 Alazab M。 Kaluri R。 Maddikunta p·k·R。 巴塔查里亚 年代。 Lakshmanna K。 米 P。 手势分类使用小说CNN-crow搜索算法 复杂和智能系统 2021年 7 4 1855年 1868年 10.1007 / s40747 - 021 - 00324 - x Gadekallu t·R。 拉其普特人 d S。 Reddy m P。 Lakshmanna K。 巴塔查里亚 年代。 辛格 年代。 Jolfaei 一个。 Alazab M。 小说PCA-whale文中针对深层神经网络分类模型使用GPU番茄植物病害 实时图像处理》杂志上 2021年 18 4 1383年 1396年 10.1007 / s11554 - 020 - 00987 - 8 局域网 l 太阳 W。 徐 D。 余 M。 肖 F。 胡 H。 徐 H。 王 X。 基于人工智能的方法对COVID-19病人管理 聪明的药 2021年 1 1 10 15 10.1016 / j.imed.2021.05.005 34447600 Sarvamangala d·R。 卷积神经网络在医学图像的理解:一个调查 进化的情报 2021年 1 22 10.1007 / s12065 - 020 - 00540 - 3 Litjens G。 Kooi T。 Bejnordi b E。 Setio A . A。 Ciompi F。 Ghafoorian M。 van der Laak j·a·w·M。 范Ginneken B。 桑切斯 c。I。 一项调查显示深度学习在医学图像分析 医学图像分析 2017年 42 60 88年 10.1016 / j.media.2017.07.005 2 - s2.0 - 85026529300 28778026 马 J。 首歌 Y。 田 X。 华 Y。 张 R。 吴 J。 调查对肺医学成像深度学习 医学前沿 2020年 14 4 450年 469年 10.1007 / s11684 - 019 - 0726 - 4 31840200 刘 X。 西班牙 l 羽衣甘蓝 答:U。 瓦格纳 美国K。 傅 d . J。 Bruynseels 一个。 Mahendiran T。 莫拉 G。 Shamdas M。 克恩 C。 Ledsam j . R。 施密德 m·K。 Balaskas K。 托波尔 e . J。 巴赫曼 l . M。 基恩 p。 丹尼斯顿 答:K。 比较深刻的学习表现和卫生保健专业人员从医学成像检测疾病:系统回顾和荟萃分析 《柳叶刀》杂志上的数字医疗 2019年 1 6 e271 e297 10.1016 / s2589 - 7500 (19) 30123 - 2 2 - s2.0 - 85072553843 33323251 Esteva 一个。 周 K。 杨 年代。 奈克 N。 Madani 一个。 Mottaghi 一个。 刘 Y。 托波尔 E。 迪安 J。 Socher R。 深learning-enabled医疗计算机视觉 NPJ数字医学 2021年 4 1 1 9 10.1038 / s41746 - 020 - 00376 - 2 Varela-Santos 年代。 梅林 P。 卡斯蒂略 O。 梅林 P。 Kacprzyk J。 肺炎的x射线图像分类检测使用纹理特性和神经网络 直观的和2型模糊逻辑神经和优化的改进算法:理论和应用程序。研究计算智能 2020年 862年 可汗 施普林格 10.1007 / 978 - 3 - 030 - 35445 - 9 - _20 Sirazitdinov 我。 Kholiavchenko M。 Mustafaev T。 一轩 Y。 Kuleev R。 Ibragimov B。 深层神经网络集成的肺炎本地化大规模数据库胸部x光片 电脑和电子工程 2019年 78年 388年 399年 10.1016 / j.compeleceng.2019.08.004 2 - s2.0 - 85070340950 悦 Z。 马 l 张 R。 深度学习的比较和验证模型的诊断肺炎 计算智能和神经科学 2020年 2020年 8 10.1155 / 2020/8876798 33014032 Elshennawy n·M。 易卜拉欣 d . M。 Deep-pneumonia框架使用深度学习模型基于胸部x光图像 诊断 2020年 10 9 649年 10.3390 / diagnostics10090649 32872384 耆那教徒的 R。 Nagrath P。 Kataria G。 Kaushik 诉。 Hemanth d . J。 肺炎检测胸部x光图像中学习使用卷积神经网络和传输 测量 2020年 165年 108046年 10.1016 / j.measurement.2020.108046 东印度缎木 E。 Unver写道 h . M。 肺炎的诊断胸部射线图像使用深度学习 2019科学会议Electrical-Electronics与生物医学工程和计算机科学(EBBT) 2019年 1 5 塞尔瓦托 C。 Interlenghi M。 蒙蒂 c . B。 使役动词 D。 ·卡普拉 D。 Cozzi 一个。 Schiaffino 年代。 波里道利 一个。 Gandola D。 阿里 M。 卡斯蒂格利奥尼 我。 重新 C。 Sardanelli F。 人工智能应用于x射线胸透COVID-19肺炎的鉴别诊断 诊断 2021年 11 3 530年 10.3390 / diagnostics11030530 33809625 古普塔 一个。 古普塔 年代。 Katarya R。 英斯达浸Net-19:深入学习分类模型的检测COVID-19病人使用胸部x光片 应用软计算 2021年 99年,第106859条 10.1016 / j.asoc.2020.106859 恋人 R。 Menaka R。 Hariharan M。 学习独特的过滤器COVID-19从胸部x光检测使用剩余CNN 应用软计算 2021年 99年,第106744条 10.1016 / j.asoc.2020.106744 Rajasenbagam T。 Jeyanthi 年代。 Pandian j . A。 检测肺感染的肺炎使用深从胸部x光图像卷积神经网络和基于内容的图像检索技术 环境智能和人性化计算杂志》上 2021年 2021年 10.1007 / s12652 - 021 - 03075 - 2 斯蒂芬。 O。 祈神保佑 M。 Maduh 美国J。 宋 d . U。 一个高效的深度学习方法在医疗肺炎分类 医疗保健工程 2019年 2019年 7 10.1155 / 2019/4180949 2 - s2.0 - 85064257256 31049186 生活的 i S。 斯利瓦斯塔瓦 M。 库马尔 D。 王妃 M。 Muthreja P。 Mohadikar G。 肺炎检测使用深度方面卷积神经网络(DW-CNN) EAI普及卫生和技术支持的事务 2020年 6 23 1 10 10.4108 / eai.28 - 5 - 2020.166290 Rajpurkar P。 欧文 J。 朱 K。 杨 B。 梅塔 H。 段 T。 丁 D。 Bagul 一个。 Langlotz C。 Shpanskaya K。 Lungren m P。 Chexnet: radiologist-level肺炎检测与深度学习胸部x光检查 2017年 https://arxiv.org/abs/1711.05225 哈蒙 美国一个。 桑福德 t·H。 徐 年代。 Turkbey e . B。 罗斯 H。 徐 Z。 杨 D。 Myronenko 一个。 安德森 V。 Amalou 一个。 痘痘 M。 卡辛 M。 长 D。 Varble N。 沃克 s M。 Bagci U。 Ierardi a . M。 Stellato E。 Plensich G·G。 Franceschelli G。 Girlando C。 Irmici G。 Labella D。 哈穆德 D。 Malayeri 一个。 琼斯 E。 萨默斯 r·M。 Choyke p . L。 徐 D。 弗洛勒斯 M。 (尽管) K。 Obinata H。 森 H。 髌骨 F。 Cariati M。 Carrafiello G。 一个 P。 木 b . J。 Turkbey B。 人工智能的检测COVID-19肺炎在胸部CT使用跨国数据集 自然通讯 2020年 11 1 4080年 10.1038 / s41467 - 020 - 17971 - 2 32796848 侯赛因 E。 哈桑 M。 拉赫曼 m·A。 李 我。 Tamanna T。 首脑 m Z。 重复相同:一个基于深度学习的分类COVID-19检测使用胸部x光图像 混乱,孤波和分形 2021年 142年 110495年 10.1016 / j.chaos.2020.110495 达卡 诉。 之一Meena s V。 王妃 G。 Sinwar D。 的故事 Ijaz m F。 Woźniak M。 深卷积神经网络的调查申请植物叶子上疾病的预测 传感器 2021年 21 14 4749年 10.3390 / s21144749 34300489 李 Z。 刘 F。 杨 W。 彭 年代。 周 J。 卷积神经网络:调查分析、应用和前景 IEEE神经网络和学习系统 2021年 Srinivasu p . N。 湿婆赛 j·G。 Ijaz m F。 Bhoi 答:K。 金 W。 康 J·J。 皮肤病用深度学习神经网络分类MobileNet V2和LSTM 传感器 2021年 21 8 2852年 10.3390 / s21082852 33919583 Dosovitskiy 一个。 拜尔 l Kolesnikov 一个。 Weissenborn D。 翟 X。 Unterthiner T。 Dehghani M。 照顾者 M。 Heigold G。 葛里炸药 年代。 Uszkoreit J。 一幅值得16 x16词:变形金刚对大规模图像识别 2020年 https://arxiv.org/abs/2010.11929 Kermany D。 张 K。 Goldbaum M。 标记的光学相干断层扫描(OCT)和胸部x光图像分类 Mendeley数据 2018年 2 10.17632 / rscbjbr9sj.2 Selvaraju R R。 Cogswell M。 达斯 一个。 Vedantam R。 帕瑞克豪 D。 巴特拉 D。 基于Grad-cam:视觉解释从深层网络通过梯度本地化 2017年IEEE计算机视觉国际会议(ICCV) 2017年 意大利的威尼斯 618年 626年 Srinivasan K。 Garg l 达塔 D。 Alaboudi 答:一个。 Jhanjhi n Z。 阿加瓦尔 R。 托马斯。 a·G。 性能比较深的CNN模型检测司机分心 电脑,材料和连续 2021年 68年 3 4109年 4124年 10.32604 / cmc.2021.016736 Srinivasan K。 Rajagopal 年代。 Velev d·G。 Vuksanovic B。 实现有效检测肿瘤磁共振成像使用cluster-sparse辅助超分辨率 生物医学工程杂志》 2021年 15 Sanchez-Riera J。 Srinivasan K。 华 K。 程 W。 侯赛因 m·A。 Alhamid m F。 使用深度学习先验健壮RGB-D手跟踪 IEEE电路和系统视频技术 2018年 28 9 2289年 2301年 10.1109 / TCSVT.2017.2718622 2 - s2.0 - 85023750990 Srinivasan K。 Ankur 一个。 沙玛 一个。 磁共振图像的超分辨率使用卷积神经网络 2017年IEEE国际会议对消费者Electronics-Taiwan (ICCE-TW) 2017年 台北,台湾 41 42 10.1109 / ICCE-China.2017.7990985 2 - s2.0 - 85028509403 Srinivasan K。 Cherukuri 答:K。 文森特 d·R。 Garg 一个。 程ydF4y2Ba B.-Y。 一个高效的实现人工神经网络与K-fold交叉验证流程优化 互联网技术杂志》 2019年 20. 4 1213年 1225年 Nandhini Abirami R。 文森特 p·m·d·R。 Srinivasan K。 塔里克 U。 常 彭译葶。 CNN和深深甘在计算视觉perception-driven图像分析 复杂性 2021年 2021年 30. 10.1155 / 2021/5541134