复杂性 复杂性 1099 - 0526 1076 - 2787 Hindawi 10.1155 / 2021/1296755 1296755 研究文章 诊断COVID-19使用深度学习模型在不同的放射学领域 https://orcid.org/0000 - 0002 - 6516 - 2292 Alhwaiti 尤瑟夫 1 https://orcid.org/0000 - 0002 - 4370 - 8012 Siddiqi 默罕默德Hameed 1 https://orcid.org/0000 - 0002 - 5198 - 5730 Alruwaili Madallah 1 Alrashdi 易卜拉欣 1 https://orcid.org/0000 - 0002 - 1714 - 1948 Alanazi 萨德 1 贾马尔 穆罕默德•哈桑 2 艾哈迈德 默罕默德 1 计算机与信息科学学院 Jouf大学 Sakaka Aljouf 2014年 沙特阿拉伯 ju.edu.sa 2 计算机科学部门 通讯卫星大学 伊斯兰堡 拉合尔的校园 巴基斯坦 comsats.edu.pk 2021年 13 9 2021年 2021年 28 4 2021年 12 8 2021年 13 9 2021年 2021年 版权©2021尤瑟夫Alhwaiti 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。

由COVID-19受到严重影响,许多国家和各种伤亡报告。大多数国家已经实现全部和部分控制COVID-19封锁。辅助医务的雇员感染总是一个威胁的发现。一线辅助医务的员工最初可能是风险观察和治疗病人的时候,谁能通过呼吸道分泌物污染他们。如果没有适当的预防措施,一线辅助医务的工人将被污染的危险,可以成为无意识的运营商为其他疾病的病人在医院和治疗。此外,每个国家都有有限的测试能力;因此,需要一个系统可以帮助医生直接检查和分析病人的血液结构。本研究提出了一种广义自适应深度学习模型,帮助一线辅助医务的员工容易检测COVID-19在不同的放射学领域。在这项工作中,我们使用卷积神经网络设计了一个模型来检测COVID-19从x射线计算机断层扫描(CT)和磁共振成像(MRI)的图像。该模型有27层(输入、卷积max-pooling,辍学,平,密集,和输出层),已测试和验证各种放射学领域如x光,CT和MRI。 For experiments, we utilized 70% of the dataset for training and 30% for testing against each dataset. The weighted average accuracies for the proposed model are 94%, 85%, and 86% on X-ray, CT, and MRI, respectively. The experiments show the significance of the model against state-of-the-art works.

 艾尔Jouf大学 dsr2020 - 06 - 3675 1。介绍

的迅速蔓延COVID-19促使科学家们迅速使用技术,如认知计算开发对策,深入学习,人工智能,机器智能,基于云计算的协作和无线通信 1]。

认知计算模拟人类的思维过程,是广泛应用在金融和投资等领域,医疗和兽医,旅行,和移动系统( 2- - - - - - 4]。物联网(物联网)是相互关联的电子设备上实现具有独特的标识符(uid),如电脑、智能手机、咖啡机、洗衣机、和可穿戴设备( 5, 6]。物联网和云计算,人工智能(AI),机器学习(ML),和深度学习,可能是一个强大的工具来对付COVID-19 [ 7, 8),4th一代(4 g)和5th代(5克)无线通信技术有潜力改变许多部门,包括卫生保健( 9- - - - - - 11]。中国已经使用5 g技术对抗COVID-19流行通过监测患者,收集和分析数据,跟踪病毒( 1]。

大多数发展中国家利用无线技术,以实验室为基础的小路和放射性调查为了识别和诊断COVID-19 [ 12]。一个标准的方法是实时逆转录聚合酶链反应(存在),但由于无症状的病人可出现假阴性的结果,和错误也会影响它的作用在确定COVID-19 [ 13, 14]。在早期阶段,成像技术,如CT扫描、MRI、x射线检测COVID-19患者可能发挥了重要作用[ 15- - - - - - 17]。

Radiology-based胸部扫描被用来研究肺炎( 18]。一个人工智能(AI)的基础工具开发( 19)自动检测、量化和监控COVID-19和区分影响和正常的病人。基于深度学习方法( 20.)开发自动段整个肺部感染网站下胸部CT。同样,基于深度学习的早期筛查系统可以区分流感(病毒性肺炎)有力的病例和COVID-19 [ 21]。基于深度学习方法可以从CT图像中提取图形特性COVID-19 [ 22]。这些特性提供医学病原检测和分析之前一直声称节省关键时间疾病调查。然而,大多数考虑只有一个放射学领域,如x线或CT。

这项工作建立深度学习方法为了通知COVID-19等各种辐射输入图像x射线CT和MRI。模型是一个卷积神经网络(CNN)的27层包括输入、卷积,max-pooling,辍学,扁平,密集,输出。输入层接受输入的灰度图像大小128×128和使用64过滤器的大小3×3。Ae ReLU激活函数是用于输入层和隐藏层。max-pooling层是一层辍学后,以避免过度拟合。这滴不同隐层神经元。神经元的百分比下降应该辍学当使用指定的功能。我们下降30%。下两个卷积层,128过滤器的大小3×3,然后一个2×2 max-pooling层,一层辍学放弃30%的神经元。我们与256过滤器添加三个卷积层,每个尺寸3×3,紧随其后的是一个max-pooling层参数与前面相同的池层。 We also drop 30% of the output neurons. We continue increasing filters in more layers, adding three convolutional layers with 512 filters in each layer, with the same filter size as previous layers. A max-pooling layer follows this stack of layers, and 30% of the neurons are dropped. Two stacks, the same as previous layers, are added using the same parameters.

剩下的纸是组织如下。部分 2总结了各放射学领域最先进的工作。部分 3介绍了提出方法。本研究中使用的数据集描述部分 4。该方法的实验环境提出了部分 5,结果讨论了部分 6。部分 7讨论了结论和未来的工作方向。

 2。相关的工作

各种放射学技术(如x光,CT, MRI)被利用作为COVID-19的诊断成像模式,并研究提出了识别COVID-19反对不同的放射学方法,各种限制。

早期筛查模式 23可以区分COVID-19病人和正常人采用深学习技术在肺CT图像,对618份CT样本有86.7%的准确度。然而,细分模式采用在喂食前学习模型可能会失去一些重要的特性,导致误分类,只有有限的放射学图像被用于实验。自动深CNN系统[ 18)是基于pretrained模型下胸部x光图像。这种启发式模型利用有限的x射线图像控制域。

一个集成的技术基于人工神经网络和卷积CapsNet [ 24)是对胸部x光图像识别COVID-19药丸网络。性能评估与二进制和多级分类,如感染,正常,和肺炎,表示二进制分类识别率97%和84%多类分类。没有规则找到人工神经网络的结构,没有具体的计划来定义神经元的结构,可以通过经验或试错( 25]。当训练的神经网络完成,网络误差减少到一个特定值图像样本;因此,它没有提供最佳结果( 25]。

最近的一些系统( 18, 26- - - - - - 28)利用深度学习和人工智能识别COVID-19,但只在x射线图像。同样的,一个商业平台被用来感染患者和正常人进行分类( 29日有限的),从作者的贡献,只利用x射线实验。深度学习和CNN被用来分类阳性患者冠状病毒和健康的病人 30.]。非常小的数据集使用的x射线图像,这可能并不适用于自然的领域。

一个自动化的方法( 31日)提出了检测COVID-19-positive病人从正常人类,采用深上优于网络加上gradient-weighted类激活映射(Grad-CAM)在CT扫描图像特征提取。然而,Grad-CAM-based方法需要修改网络的架构,这可能降低精度;计算Grad-CAM是昂贵的 32];和一个非标准数据集被利用。CNN,称为分解、传输和组成(DeTraC),是使用主成分分析(PCA)的特征降维方法对胸部x光图像识别冠状病毒( 33]。然而,PCA是有问题的精确评估的协方差矩阵 34]。此外,即使是适度的不变性可能不是由PCA除非训练数据公开提供这些证据( 35]。基于深入学习系统来识别COVID-19从正常人类的识别率高达100% ( 36),这是不现实的。只有一个放射学(x射线)图像利用。类似地,提出了一种系统分类感染,正常,和肺炎病例显著的准确性( 37),和一个深CNN-based系统提出了识别患者冠状病毒和正常人类 38]。然而,两个系统利用有限的x射线图像和使用一个放射学图像。

我们开发一个深度学习模型来准确地分类COVID-19感染患者和正常人类。模型采用放射学输入如x射线图像,CT, MRI,通过它我们可以证明模型的鲁棒性,基于CNN 27层,包括输入、卷积,max-pooling,辍学,扁平,密集,和输出层,并显示显著的性能在不同的放射学图像如x光,CT扫描,核磁共振,比较先进的方法。

 3所示。材料和方法

我们描述提出基于深度学习的方法的流程图对x射线图像如图 1。

流程图的建议的方法对x射线图像。

模型是基于卷积神经网络(CNN)和27层。输入层接受一个灰度图像大小为128×128,使用64过滤器的大小3×3。修正的线性单元(ReLU)激活函数在输入层和隐藏层,ReLU在哪里定义的关系 R( z)= max (0, z),如图 2。

ReLU激活函数( 39]。

ReLU激活函数忽略了负输入图像的像素。第二层是一个回旋的层,有64个大小3×3的过滤器。接下来是max-pooling层,每个补丁的最大值的功能映射,池大小和跨两个2×2。

下一个是一个辍学层通过辍学来避免过度拟合不同的隐藏层神经元。我们降低30%的神经元减少过度拟合。在图所示的辍学技术 3。

辍学技术( 40]。

前一层的输出矩阵转换为单层扁平。例如,输出的形状(1 128年18)平(16384)。然后,两个致密层与每个添加4096个单位。一个ReLU激活函数中使用两层。最后一层是输出层有两个神经元,这类的数量(COVID-19积极和COVID-19负)。soft-max激活函数可实现输入向量实数上一层的一个概率分布 (1) σ Z e z j ∑ j = 1 K e z j , 为 我 = 1 , … , K 和 Z = z 1 , … , z k ∈ R K 。

该方法在图描述 4。

(a)、(b)提出的工作流模型。

 4所示。使用数据集

我们使用以下数据集显示发达方法的有效性。

4.1。x射线图像数据集

我们利用放射学数据集有270 x射线图像从20-55岁男性和女性,收集各种开放来源(用于诊断冠状病毒)。在实现中,我们定期更新数据集将最新的复杂的胸部x光图像。数据集被医学专家(医生)进行彻底检查。我们没有为病人提供元数据。图像被转换为一个向量维度1×6400通过减少每个输入图像的维数80×80。为了避免不平衡,我们利用135正常病人的图像和135 COVID-19-positive图像。3个月的数据收集在一段时间内(2020年6月至8月)。

 4.2。计算机断层扫描(CT)扫描图像数据集

CT图像数据集包含270胸部CT图像。数据集是建立开放来源通常用于诊断COVID-19。数据集包含新的复杂的CT扫描图像,被医生检查系统。图片来自男性和女性的年龄在35岁到55岁。在这个数据集实验中,图像转换为矢量与维度1×6400通过减少每个输入图像的维数80×80。为了避免不平衡,我们利用135个正常的病人和135个图像的图像从COVID-19-positive病人。收集的数据集是超过3个月(2020年6月至8月)。

 4.3。磁共振成像(MRI)图像数据集

另一种类型的放射学数据集是核磁共振扫描,产生两种类型的图像。t1影像突出(照亮)脂质和脂肪由射频脉冲序列,和t2影像突出也水。因此,射频脉冲序列的时机强调目标的组织。我们包括270核磁共振图像的男性和女性的年龄在35岁到60岁。这些是COVID-19确诊病例。我们添加了控件有大约类似的年龄和性别但没有COVID-19。所有图像被转换为一个向量的维度1×6400通过减少每个输入图像的维数80×80。为了避免失衡,我们利用135张照片正常的病人和135个COVID-19-positive图像。收集的数据集是超过3个月(2020年6月至8月)。

 5。实验装置

我们进行了许多实验显示该模型的意义对每个数据集;这些培训分为70%和30%测试,所有测试算法。为每个数据集使用相同的模型架构,hyperparameters不同。

所有实验使用Python, TensorFlow和谷歌Colab(培训)英特尔奔腾酷睿i7 - 6700 (3.4 GHz)和16 GB的RAM。实验描述如下:

第一个实验评估该模型对胸部x光,CT扫描和核磁共振数据集通过平均交叉验证方案。

第二个实验包括一组subexperiments表现在缺乏发达的方法对这三个数据集。我们利用逻辑回归支持向量机,随机森林,再,人工神经网络,朴素贝叶斯、决策树、消极对抗分类器,多层感知器,和额外的树分类器。

第三个实验相比,该技术状态的艺术。

6。结果与讨论 6.1。第一个实验

第一个实验的结果如表所示 1。

识别该方法对x射线,CT, MRI数据集。

数据集 识别利率
x射线 分类 94%
分类错误的 6%
CT扫描 分类 85%
分类错误的 15%
核磁共振成像 分类 86%
分类错误的 16%

从表可以看出 1,该模型有显著的准确性之间的艺术。在不同的数据集训练模型的不同hyperparameters使用相同的结构。表明模型的结构是重要的。此外,模型与不同的机器学习算法相比,显示精度之间的差异深刻学习和常规机器学习算法。

 6.2。第二个实验

第二个实验的结果提出了在表 2- - - - - - 11。

识别的逻辑回归(在没有该方法)对x光,CT, MRI数据集。

数据集 识别利率
x射线 分类 73%
分类错误的 27%
CT扫描 分类 65%
分类错误的 35%
核磁共振成像 分类 74%
分类错误的 26%

识别的支持向量机(在没有该方法)对x光,CT, MRI数据集。

数据集 识别利率
x射线 分类 75%
分类错误的 25%
CT扫描 分类 51%
分类错误的 49%
核磁共振成像 分类 78%
分类错误的 22%

识别利率的随机森林(在没有该方法)对x光,CT, MRI数据集。

数据集 识别利率
x射线 分类 79%
分类错误的 21%
CT扫描 分类 74%
分类错误的 26%
核磁共振成像 分类 77%
分类错误的 23%

识别利率再(在没有该方法)对x光,CT, MRI数据集。

数据集 识别利率
x射线 分类 79%
分类错误的 21%
CT扫描 分类 69%
分类错误的 31%
核磁共振成像 分类 81%
分类错误的 19%

识别的支持向量机(在没有该方法)对x光,CT, MRI数据集。

数据集 识别利率
x射线 分类 72%
分类错误的 28%
CT扫描 分类 66%
分类错误的 34%
核磁共振成像 分类 79%
分类错误的 21%

识别的朴素贝叶斯(在没有该方法)对x光,CT, MRI数据集。

数据集 识别利率
x射线 分类 80%
分类错误的 20%
CT扫描 分类 58%
分类错误的 42%
核磁共振成像 分类 77%
分类错误的 23%

识别的决策树(在没有该方法)对x光,CT和MRI数据集。

数据集 识别利率
x射线 分类 72%
分类错误的 28%
CT扫描 分类 65%
分类错误的 35%
核磁共振成像 分类 77%
分类错误的 23%

识别的消极攻击的分类器(在没有该方法)对x光,CT, MRI数据集。

数据集 识别利率
x射线 分类 65%
分类错误的 35%
CT扫描 分类 71%
分类错误的 29%
核磁共振成像 分类 70%
分类错误的 30%

识别的多层感知器(在没有该方法)对x光,CT, MRI数据集。

数据集 识别利率
x射线 分类 60%
分类错误的 40%
CT扫描 分类 66%
分类错误的 34%
核磁共振成像 分类 47%
分类错误的 53%

识别利率的额外树分类器(在没有该方法)对x光,CT, MRI数据集。

数据集 识别利率
x射线 分类 81%
分类错误的 19%
CT扫描 分类 79%
分类错误的 21%
核磁共振成像 分类 79%
分类错误的 21%

我们观察表 2- - - - - - 11所有的现有分类器没有达到更好的准确性对三个数据集。这是因为大多数的医学图像噪声和其他环境因素很敏感。该方法可以实现显著的准确性在噪声和其他环境因素的存在,如表所示 1。

 6.3。第三个实验

该模型和其他模型的认可率如表所示 12- - - - - - 14,目前该模型实现精度高在所有三个数据集。

该方法的比较以及最先进的x射线数据集的方法(单位:%)。

国家的艺术 加权平均识别率 标准偏差
( 28] 89.6 ±2.9
( 30.] 83.5 ±3.7
( 41] 80.3 ±2.6
( 42] 85.4 ±1.2
( 43] 79.8 ±3.8
( 44] 89.3 ±2.3
( 45] 91.5 ±1.9
( 46] 90.5 ±2.7
提出的模型 94.0 ±3.5

该方法的比较以及先进的CT扫描数据集的方法(单位:%)。

国家的艺术 加权平均识别率 标准偏差
( 28] 82.3 ±1.7
( 47] 75.2 ±1.9
( 48] 84.7 ±2.1
( 49] 82.4 ±2.5
( 50] 83.4 ±1.2
( 51] 79.2 ±3.6
提出的模型 85.0 ±3.5

该方法的比较以及最先进的核磁共振数据集的方法(单位:%)。

国家的艺术 加权平均识别率 标准偏差
逻辑回归 74.0 ±3.1
支持向量机 78.0 ±1.8
随机森林 77.0 ±2.4
再 81.0 ±1.1
人工神经网络 79.0 ±3.7
朴素贝叶斯 71.0 ±5.2
决策树 77.0 ±2.6
消极攻击的分类器 70.0 ±4.6
多层感知器 47.0 ±6.1
额外的树分类器 79.0 ±4.4
提出的模型 86.0 ±3.5

如表中所示 12- - - - - - 14,该方法实现了更高的精度比其他近期作品在所有三个放射学数据集。

 6.4。讨论

COVID-19影响了数以百万计的世界各地的人们。早期发现COVID-19可能有助于阻止传播。其中一个最有效的检测筛查受感染的病人。深度学习起着情感的作用在这个检测,更准确。有许多研究中实现检测COVID-19使用深度学习。在这个研究中,我们使用了一个深度学习神经网络(卷积神经网络)检测COVID-19从不同的放射科医生。我们的模型结果与艺术的状态,因为我们已经创造出了一个健壮的模型。是什么让我们的模型类似的结果是,我们构建模型使用不同的层(27层),调整hyperparameters,使用有效的百分比在辍学,在卷积和池层过滤器的大小,并使用合适的预处理。这些层包括输入、卷积、max-pooling辍学,扁平,密集,输出。输入层接受输入的灰度图像大小128×128和使用64过滤器的大小3×3。 An ReLU activation function is used in the input layer and all hidden layers. Following the max-pooling layer is a dropout layer to avoid overfitting. This drops out different neurons in the hidden layer. The percentage of neurons to drop should be specified when using the dropout function. We drop 30%. Next are two convolutional layers, both with 128 filters of size 3 × 3, then a 2 × 2 max-pooling layer, and a dropout layer to drop 30% of neurons. We add three convolutional layers with 256 filters, each with size 3 × 3, and then a max-pooling layer with the same parameters as the previous pooling layer. We also drop 30% of the output neurons. We continue increasing filters in more layers, adding three convolutional layers with 512 filters in each layer, with the same filter size as previous layers. A max-pooling layer follows this stack of layers, and 30% of the neurons are dropped. Two stacks, the same as previous layers, are added using the same parameters. Moreover, the model got significant accuracy among the state of the art. It trained in different datasets with different hyperparameters using same structure of the model. That indicates that the structure of the model is significant. Also, the model was compared with different machine learning techniques to show the difference in accuracy between deep learning and regular machine learning algorithms.

 7所示。结论

我们开发了一个模型来有效地检测COVID-19从不同的放射学技术和x射线显示它的鲁棒性,CT, MRI数据集。我们使用一个CNN建立深度学习模型,使足够的图像分类。显示该模型的性能,进行了许多实验对每个数据集。在第一个实验中,我们建立了一个模型使用一个CNN与不同层和训练的第一个数据集,和相同的模型构造函数被用来训练数据集。对于每个数据集,我们调整了hyperparameters模型得到一个健壮的模型。在第二个实验中,我们使用不同的机器学习算法在每个数据集(没有该模型)。这证明了该模型的重要性和意义。无论缺乏实例数据集,我们的模型对COVID-19分类精度高。最后,我们技术的分类率比之前的工作,和发达的方法提出了最佳的性能在不同的放射学数据集。

该系统在一个受控环境中进行了测试和验证。在未来的研究中,我们将部署的系统在实际医疗系统COVID-19很容易检测到的图像。

 数据可用性

数据利用为了支持这项工作的发现中描述提供的纸,将通讯作者。

 的利益冲突

作者声明没有关于本研究的利益冲突。

 确认

Sakaka本研究支持Jouf大学Aljouf,沙特阿拉伯王国,在批准号dsr2020 - 06 - 3675。

 Chamola V。 Hassija V。 古普塔 V。 Guizani M。 COVID-19流行的全面审查和物联网的角色,无人机,AI,区块链,5 g管理的影响 IEEE访问 2020年 8 90225年 90265年 10.1109 / access.2020.2992341 林 K。 李 C。 田 D。 Ghoneim 一个。 侯赛因 m . S。 阿明 美国U。 Artificial-intelligence-based认知通信异构无线网络的数据分析 IEEE无线通信 2019年 26 3 83年 89年 10.1109 / mwc.2019.1800351 2 - s2.0 - 85068591499 张 Y。 钱 Y。 吴 D。 侯赛因 m . S。 Ghoneim 一个。 程ydF4y2Ba M。 “Emotion-aware多媒体系统安全 IEEE多媒体 2018年 21 3 617年 624年 侯赛因 m . S。 默罕默德 G。 一个视听情感识别系统对认知无线框架使用深度学习融合 IEEE无线通信 2019年 26 3 62年 68年 10.1109 / mwc.2019.1800419 2 - s2.0 - 85068599175 张 Y。 马 X。 张 J。 侯赛因 m . S。 默罕默德 G。 阿明 美国U。 边缘的情报认知物联网:提高灵敏度和交互性 IEEE网络 2019年 33 3 58 64年 10.1109 / mnet.2019.1800344 2 - s2.0 - 85068842883 拉赫曼 m·A。 拉希德 M . M。 侯赛因 m . S。 Hassanain E。 Alhamid m F。 Guizani M。 区块链和IoT-based认知优势共享经济服务的智能城市的框架 IEEE访问 2019年 7 18611年 18621年 10.1109 / access.2019.2896065 2 - s2.0 - 85062236239 Alanazi 美国一个。 Kamruzzaman M . M。 Alruwaili M。 Alshammari N。 Alqahtani 美国一个。 Karime 一个。 测量和防止COVID-19先生使用机器学习模型和智能医疗保健 医疗保健工程 2020年 2020年 12 8857346 10.1155 / 2020/8857346 Kamruzzaman M . M。 使用人工智能架构的智能医疗系统 《IEEE国际多媒体会议及博览会研讨会 2020年7月 英国伦敦 1 6 10.1109 / icmew46912.2020.9106026 张 Y。 侯赛因 m . S。 Ghoneim 一个。 Guizani M。 COCME:内容型的缓存为无线通信移动边缘 IEEE无线通信 2019年 26 3 26 31日 10.1109 / mwc.2019.1800401 2 - s2.0 - 85068621343 王 J。 苗族 Y。 周 P。 侯赛因 m . S。 拉赫曼 s·M·M。 软件定义网络路由在无线网络多次反射 网络和计算机应用》杂志上 2017年 85年 76年 83年 10.1016 / j.jnca.2016.12.007 2 - s2.0 - 85008152006 Alelaiwi 一个。 Alghamdi 一个。 Shorfuzzaman M。 拉瓦希德荷 M。 侯赛因 m . S。 默罕默德 G。 加强工程教育使用智能类环境 电脑在人类行为 2015年 51 852年 856年 10.1016 / j.chb.2014.11.061 2 - s2.0 - 84955720001 Shahzeb M。 汗 一个。 默罕默德 一个。 检测冠状病毒病(COVID-19)使用放射检查 纯应用微生物学杂志》上 2020年 14 10.22207 / jpam.14.spl1.28 史 h·J。 余 J。 郑 c·S。 放射诊断的冠状病毒感染肺炎:专家建议从放射学的中国社会 中华方她雪 2020年 54 279年 285年 常ydF4y2Ba j·f·W。 元 年代。 角 k . H。 来 k·k·W。 楚 H。 杨 J。 兴 F。 刘 J。 叫喊声 c . c . Y。 胡桐 r·w·S。 Tsoi h·W。 罗 s . k . F。 常ydF4y2Ba k . H。 胡桐 v . k . M。 常ydF4y2Ba w·M。 知识产权 j . D。 蔡 j . P。 程 v . C . C。 程ydF4y2Ba H。 回族 c·k·M。 袁 k . Y。 家族性集群相关的肺炎2019新型冠状病毒表明人际传播:一项研究的一个家庭病例群集的 《柳叶刀》 2020年 395年 10223年 514年 523年 10.1016 / s0140 - 6736 (20) 30154 - 9 傅 H。 徐 H。 张 N。 徐 H。 李 Z。 程ydF4y2Ba H。 徐 R。 太阳 R。 温 l 谢 l 刘 H。 张 K。 傅 C。 侯 K。 杨 Z。 杨 M。 郭 Y。 “联系临床、实验室和CT特点及rt - pcr COVID-19患者的随访结果 MedRxiv 2020年 国家健康委员会办公厅和其他人 国家中医药管理局办公室(2020) 注意程序的发行的新型冠状病毒的诊断和治疗(2019 - ncov)感染肺炎(审判第五版) 2020年 Kanne j . P。 胸部CT发现2019年新型冠状病毒(2019 - ncov)感染从武汉,中国:放射科医生的关键点 放射学 2020年 295年 Narin 一个。 卡亚 C。 帕慕克 Z。 自动检测冠状病毒病(covid-19)使用x射线图像和深度卷积神经网络 2020年 https://arxiv.org/abs/2003.10849 沙丘状积砂 O。 Frid-Adar M。 格林斯潘 H。 褐变 p D。 张 H。 霁 W。 Bernheim 一个。 西格尔 E。 快速AI开发周期的冠状病毒(covid-19)大流行:初步结果进行自动检测和病人监护使用深度学习CT图像分析 2020年 https://arxiv.org/abs/2003.05037 山 F。 高 Y。 王 J。 史 W。 史 N。 汉 M。 雪 Z。 沈 D。 史 Y。 肺部感染的covid-19量化CT图像与深度学习 2020年 https://arxiv.org/abs/2003.04655 屁股 C。 吉尔 J。 春 D。 先生 b。 深度学习系统屏幕冠状病毒疾病2019肺炎 应用智能 2020年 1 王 年代。 康 B。 马 J。 曾 X。 肖 M。 深入学习算法利用CT图像屏幕冠状病毒病(COVID-19) MedRxiv 2020年 徐 X。 江 X。 马 C。 杜 P。 李 X。 Lv 年代。 余 l 程ydF4y2Ba Y。 苏 J。 朗 G。 李 Y。 赵 H。 徐 K。 阮 l 吴 W。 深度学习系统屏幕冠状病毒疾病2019肺炎 2020年 https://arxiv.org/abs/2002.09334 Toraman 年代。 Alakus t . B。 特工 我。 卷积capsnet:人工神经网络方法来检测COVID-19疾病使用胶囊从x射线图像网络 混乱,孤波和分形 2020年 140年 110年 122年 10.1016 / j.chaos.2020.110122 Mijwel M . M。 人工神经网络的优点和缺点 2018年 https://www.linkedin.com/pulse/artificial-neuralnet works-advantages-disadvantages-maad-m-mijwel 潘迪特 m·K。 Banday 美国一个。 非典n-CoV2-19检测使用深层神经网络从胸部x光图像 国际期刊的普适计算和通讯 2020年 16 10.1108 / ijpcc - 06 - 2020 - 0060 伊卜拉欣- M。 拉赫曼 H。 Nait-Ali 一个。 从胸部x光图像检测COVID-19使用人工智能:早期评估 2020年 https://arxiv.org/abs/2004.05436 Kassani s . H。 Kassasni p . H。 Wesolowski m·J。 施耐德 k。 阻止了 R。 自动检测冠状病毒病(COVID-19)的x线和CT图片:一个基于机器学习的方法 2020年 https://arxiv.org/abs/2004.10641 Borkowski 答:一个。 Viswanadham n。 托马斯。 l . B。 古斯曼 r D。 迪兰 l。 Mastorides s M。 使用人工智能COVID-19胸部x光诊断 Medrxiv 2020年 37 Makris 一个。 Kontopoulos 我。 Tserpes K。 COVID-19检测使用深度学习和从胸部x光图像卷积神经网络 美国11日希腊关于人工智能的会议 2020年9月 希腊雅典 60 66年 10.1145/3411408.3411416 Rahimzadeh M。 香精油 一个。 Sakhaei s M。 基于一个完全自动化的深入学习网络检测COVID-19从一个新的和大型肺部CT扫描数据集 MedRxiv 2020年 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 《IEEE计算机视觉国际会议 2017年10月 意大利的威尼斯 618年 626年 10.1109 / iccv.2017.74 2 - s2.0 - 85041910265 阿巴斯 一个。 Abdelsamea M . M。 Gaber M . M。 分类COVID-19胸部x光图像中使用DeTraC深卷积神经网络 应用智能 2020年 菲利普斯 p . J。 弗林 p . J。 中锋 T。 鲍耶 k W。 常 J。 霍夫曼 K。 品牌 J。 Worek W。 人脸识别大挑战的概述 Proceeedings IEEE计算机学会计算机视觉与模式识别会议(CVPR ' 05) 2005年6月 圣地亚哥,加州,美国 947年 954年 李 C。 刁 Y。 马 H。 李 Y。 一个统计PCA的人脸识别方法 第二届国际智能信息技术应用研讨会上 2008年12月 中国上海 376年 380年 10.1109 / iita.2008.71 2 - s2.0 - 62949197996 Civit-Masot J。 Luna-Perejon F。 Dominguez莫拉莱斯 M。 Civit 一个。 深度学习系统COVID-19援助使用x射线诊断肺图像 应用科学 2020年 10 13 4640年 10.3390 / app10134640 Ozturk T。 Talo M。 Yildirim 大肠。 Baloglu 美国B。 Yildirim O。 Rajendra Acharya U。 自动检测COVID-19病例使用深层神经网络和x射线图像 计算机在生物学和医学 2020年 121年 103792年 10.1016 / j.compbiomed.2020.103792 达斯 答:K。 戈什 年代。 雷声 年代。 杜塔 R。 阿加瓦尔 年代。 Chakrabarti 一个。 自动COVID-19检测使用整体学习从x射线图像卷积神经网络 模式分析与应用 2020年 24 Dabakoglu C。 卷积神经网络 2020年 https://medium.com/@cdabakoglu what-is-convolutional-neural-networkcnn-with-keras-cab447ad204c Ricco J。 Max-pooling /池 2020年 https://computersciencewiki.org/index.php/Max-pooling_/_Pooling 耆那教徒的 R。 古普塔 M。 希夫 年代。 Hemanth d . J。 深度学习COVID-19检测和分析基于胸部x光图像 应用智能 2020年 1 11 耆那教徒的 G。 米塔尔 D。 Thakur D。 米塔尔 m·K。 深度学习的方法来检测Covid-19冠状病毒与x射线图像 生物控制论和生物医学工程 2020年 40 4 1391年 1405年 10.1016 / j.bbe.2020.08.008 Alazab M。 Awajan 一个。 Mesleh 一个。 亚伯拉罕 一个。 Jatana V。 Alhyari 年代。 使用深度学习COVID-19预测和检测 国际期刊的计算机信息系统和工业管理应用程序 2020年 12 168年 181年 Rahaman M . M。 李 C。 姚 Y。 Kulwa F。 拉赫曼 m·A。 王 Q。 气 年代。 香港 F。 朱 X。 赵 X。 胸部x光图像的识别COVID-19样本使用深度学习:学习转移方法的比较 x光科学与技术杂志》上 2020年 28 1 19 10.3233 / xst - 200715 Sekeroglu B。 Ozsahin 我。 检测COVID-19使用卷积神经网络从胸部x光图像 sla技术:将生命科学创新 2020年 25 6 553年 565年 10.1177 / 2472630320958376 曼加尔 一个。 氧化钾 年代。 Rajgopal H。 Rangarajan周二 K。 Namboodiri V。 使用x射线胸透CovidAID: COVID-19检测 2020年 https://arxiv.org/abs/2004.09803 席尔瓦 P。 路斯 E。 席尔瓦 G。 Moreira G。 席尔瓦 R。 卢西奥 D。 Menotti D。 COVID-19检测CT图像与深度学习:voting-based方案和cross-datasets分析 医学信息学解锁 2020年 20. 100427年 10.1016 / j.imu.2020.100427 郑 C。 邓 X。 傅 Q。 周 Q。 冯 J。 马 H。 刘 W。 王 X。 深上优于检测COVID-19从胸部CT使用弱标签 MedRxiv 2020年 Alshazly H。 林斯 C。 巴斯 E。 Martinetz T。 可辩解的COVID-19使用胸部CT扫描和探测深度学习 2020年 https://arxiv.org/abs/2011.05317 亚当斯 h·j·A。 Kwee t . C。 Yakar D。 希望 m D。 Kwee r·M。 胸部CT成像签名2019年冠状病毒病的感染:追求的科学证据 胸部 2020年 158年 5 1885年 1895年 10.1016 / j.chest.2020.06.025 Purohit K。 Kesarwani 一个。 Kisku d·R。 Dalui M。 Covid-19检测胸部x光,CT扫描图像使用多映像增强深度学习模型 BioRxiv 2020年