文摘
肺炎是一个臭名昭著的危及生命的肺部细菌或病毒感染。最新的病毒感染危害全世界许多人的生活是严重急性呼吸系统综合症冠状病毒2 (SARS-CoV-2),这导致COVID-19。本文旨在检测和区分病毒性肺炎和COVID-19疾病使用数字x光图像。当前实践包括乏味的传统流程,仅仅依靠放射科医生或医疗顾问的专业技术是有限的,浪费时间,效率低下,过时了。实现很容易容易被误诊的人为错误。深度学习的发展和技术进步允许医学科学家和研究人员进入各种神经网络算法来开发应用程序,工具和仪器,可以进一步支持医疗放射学家。本文概述深度学习技术在胸部x线摄影COVID-19和肺炎病例。
1。介绍
肺炎是威胁生命的疾病之一,造成全世界大多数死亡。这是预计,每年有140万儿童死于肺炎,其中儿童死亡总数的18%都在5岁以下。2019年12月,在武汉的震中,中国,一种新的冠状病毒,严重急性呼吸道syndrome-coronavirus-2 (SARS-CoV-2),导致COVID-19,出现了,现在是一个世界性的大流行。截至29日th2020年9月,COVID-19已被证实在215个国家和地区,涉及全球33558131例和1006471例死亡,死亡率为3% (1]。大多数感染报告在美国、巴西、印度、俄罗斯、南非、墨西哥、秘鲁、哥伦比亚、智利、西班牙、和许多其他1]。国家已经宣布进入紧急状态和国家封锁而病例以惊人的速度增加(2]。
肺炎是肺内的肺泡炎症(3]。炎症会建立流体和脓,随后导致呼吸困难。病人将显示气短等症状,咳嗽、发热、胸痛、发冷、或疲劳。抗生素和抗病毒药物可以治疗细菌性和病毒性肺炎。COVID-19最初叫做小说coronavirus-infected肺炎(NCIP) [3]。病毒性肺炎的症状类似于其他的变化和更多4的包括心跳加速、呼吸急促、快速气息也被称为急性呼吸窘迫综合征(ARDS),头晕,和沉重的汗水3]。COVID-19损害的细胞和组织行肺气囊(3]。受损的细胞和组织可以分解和肺部血栓导致的呼吸困难3]。然而,立即诊断COVID-19和随之而来的药物和治疗的应用可以极大地帮助,防止病人的病情的恶化,最终可以导致死亡5]。
因此,它是一个挑战与COVID-19通过医学影像诊断病人。深度学习模型模拟人类层面的准确性和精度分析和分段没有人为错误的医学图像(6]。然而,深度学习不能替代医疗专业人士如医生、临床医生、放射科医生在医疗诊断6),但它可以协助医学专家在现场执行和处理耗时的工作,确定胸片等肺炎的迹象和区分类型的肺炎和其严重性6]。
2。背景COVID-19
冠状病毒是单链核糖核酸(RNA)病毒,病毒的大小大约26到32个碱基。在2019年12月,一个新的(小说)冠状病毒被发现在中国,导致严重的呼吸道疾病,包括肺炎。美国卫生和公众服务部/疾病控制与预防中心(CDC)报道说,中国当局宣布新型冠状病毒引起的爆发,SARS-CoV-2 [7]。冠状病毒可以引起轻微到严重的呼吸道疾病,称为冠状病毒病2019 (COVID-19)。爆发开始在武汉,湖北省,中国,许多国家已经蔓延到全世界包括马来西亚。世界卫生组织(WHO)宣布COVID-19大流行于2020年3月11日。CDC还表示冠状病毒可以在人与人之间传播主要是通过密切接触,面对面,身体靠近对方在6英尺(8]。
SARS-CoV-2传播更有效地比流感但不像麻疹,高效的传染性病毒。呼吸系统疾病在空气飞沫传播。感染是通过呼吸道飞沫传播主要是通过密切接触和感染分布在空气中当一个人咳嗽或打喷嚏。当一个人污染SARS-CoV-2咳嗽,打喷嚏,唱歌,谈判,或呼吸时,他或她会产生呼吸道飞沫的大小范围从大滴肉眼可见的小水滴。微小的水滴也可以形成颗粒的干燥很快在气流8]。呼吸困难是一个似是而非的肺炎的迹象,需要提示临床考虑和照顾。研究表明,人们经常遭受COVID-19显示高热和呼吸困难9]。目前,没有抗体或明确的治疗COVID-19病人向公众开放。美国食品和药物管理局(FDA)没有授权或批准的疫苗来防止COVID-19 [8)直到2020年12月12日,当Pfizer-BioNTech冠状病毒疫苗,提供防范COVID-19高达95%,已被授权为安全、有效,且仅用于紧急(10]。然而,世界卫生组织(世卫组织)鼓励便利公众说服不注射疫苗的强制性(11]。
早期诊断COVID-19是至关重要的,防止人类传播的病毒保持健康的人口。逆转录-聚合酶链反应(rt - pcr),测试是用来检测COVID-19疾病。它显示了高特异性但在传感灵敏度不符合疾病的存在(12]。它演示了一定比例的假阴性结果。然而,当病态负载高在症状阶段,测试更准确。(rt - pcr)检测盒也局限在某些地理区域,特别是第三世界国家(13]。主要城市的周转时间是24小时,甚至更长时间在农村地区9]。有一种紧迫感去探索其他的可能性来区分SARS-CoV-2-infected病人的疾病,使直接推荐(9]。胸部x光起着至关重要的作用,是第一次成像技术诊断COVID-19 [14]。胸部x光片上的病毒了毛玻璃混浊,外围,双边和主基底分布(12]。这些演讲似乎与那些造成non-SARS-CoV-2-related病毒,细菌,真菌肺炎(9,12]。
此外,研究人员发现它有问题的区分病毒性肺炎和其他形式的细菌和真菌病原体(15]。胸部x光片和CT扫描都不鼓励使用作为主要诊断工具屏幕/确认和评估呼吸系统损害COVID-19因为风险高和疾病传播的迅速增加(9,13]。CT扫描发现不如rt - pcr明确但在传感COVID-19高度敏感,可以作为一个基本的角色在疾病分析/治疗(13]。然而,美国放射学院支持CT扫描的实践作为一次线评估(16]。有进一步的问题使用CT扫描作为一线测试增强传播的风险,访问,和成本,导致建议9]。当大流行灾难性的,放射成像被认为是强制性的,便携式胸部x射线是一种有用的和实际的选择(12]。然而,图片的估价严重放射技术负责,经常与有限的资源缺乏的地区。因此,自动化决策工具可以基本平息一些这个问题的量化和识别疾病发展(9]。
2.1。背景深度学习(DL)
人工智能(AI)是一种计算机科学分支,允许机器执行人类智力的任务。人工智能的发展和物联网,医疗设备迅速改变,它提供了许多医学放射学的可能性。机器学习(ML)技术可以实现人工智能的目的。艾城的子集是允许计算机系统的学习能力和实现任务与数据自动没有手工编程。深度学习(DL)的一个子集相关机器学习方法模拟人脑的神经元17,18]。ML是应用DL的实现作为一个基本主题的技术分类、识别,识别的图像或视频。该算法指示模拟人类神经系统信息处理模式。DL是目前一个重要的主题的技术分类、识别,识别的图像或视频。DL功能认知方法的算法仿真和数据挖掘发展概念(19]。DL深藏组成的地图输入数据层需要贴上标签和隐藏模式在复杂的数据分析20.]。毫升与DL, DL可以自动分类功能和提供准确的结果在高端GPU的帮助下而毫升需要更广泛的数据预处理的功能需要手动提取。毫升集成了各种计算模型和算法来模拟人类神经系统而DL-based网络更深刻和创建许多隐藏层相比,传统的安。DL算法不需要许多功能分类和获得直接从数据来显示他们的更高的解决问题的能力。DL可以解释数据和提取广泛的空间特性,尽管如果特性是裸体人眼可见或不可见。这减少了手工数据分割等预处理。DL可以处理复杂的数据表示和模拟训练有素的医生通过识别和检测临床决策的特性。DL架构应用于医用x射线检测和各种医学图像处理和计算机视觉等领域(17]。DL进展理解更高的结果,在医学领域扩大疾病的可能性,并执行有效的医学图像的实时(21,22在疾病识别系统(23]。表1显示了深度学习神经网络的重大贡献(23,24]。
图1下面显示了机器学习的思维导图的类型和深度学习技术创建的(25]。
卷积神经网络(CNN)最常应用于图像处理的问题,计算机识别的对象在一个图像。CNN也可以使用自然语言处理项目。CNN模型对处理和分类图像来说是足够的。常规神经网络有三个层次:一个输入层、隐藏层和输出层。输入层有不同的形式,而隐层对这些输入执行计算。输出层提供的结果计算和提取。每一层包含神经元,其重量与上一层的神经元。因此,网络中提供的数据不会产生假设通过输出层。然而,常规的神经网络不能应用如果数据包含图片或语言。这就是卷积神经网络(CNN)。 CNN treats data as spatial data. Unlike regular neural network, the CNN neurons are not connected to every layer from the input layers to the hidden layers, and finally, the output layers only choose the neurons closest to it with the same weight. CNN upholds the spatial aspect of the dataset, which means that it undergoes a filtering process that simplifies complex images to better-processed images that are understood. The CNN is made up of many layers, consisting of several individual layers known as the convolutional layer, the pooling layer, and a fully connected layer. Inside, the layer of the CNN also consists of the rectified linear unit layer (ReLU). The ReLU layer activates the function to ensure nonlinearity as the data progresses through each layer in the network. Without ReLU, the data that is provided at the input layer would lose the dimensionality that is required in the network. The fully connected layer performs classification on the datasets. The CNN works by placing a filter over an array of image pixels and creating a convolved feature map. The analogy is like looking at an image through a window allowing specific features within the image to be seen. This is also known as the typical 2D convolutional neural network. The pooling layer reduces the sample size of the particular feature map, which speeds up the process by reducing the parameters the network needs. The output is the pool featured map, consisting of two execution methods, i.e., max pooling and average pooling. Max pooling takes the maximum input of a particular convolved feature, whereas the average pooling takes the convolved feature’s average. The next step is feature extractions, whereby the network creates a picture of the image data based on its mathematical rules. The images’ classification requires the network to move into the fully connected layer by flattening and simplifying the images. A complex set of neural network connections can only process linear data. If the data is unlabelled, unsupervised learning methods can be applied by using autoencoders to compile the data in a low dimension space performing calculations, then, additional layers are reconstructed to upsample the existing data.
CNN是DL的原因是众所周知的,但它有局限性和基本缺陷。max-pooling或连续卷积层失去有价值的信息。CNN工作需要大量的数据,而且它失去信息池区域,进而降低空间分辨率,从而他们的输出不变的微小变化的输入。目前,问题是通过构建复杂的架构来解决在cnn恢复丢失的信息。
生成对抗网络(GAN)列车两个网络组成类似于数据的人工数据样本训练集和歧视网络区分人工和原始模型:简单意味着,GAN发电机数据,另一个是区别的数据。发电机数据不断产生人工数据的伪造者,和鉴别器会试图揭露伪造者。每次鉴别器能够识别假冒形象,发电机将精益求精,直到尽可能准确。
胶囊是一种人工神经网络,网络大大新。这是一个网络,适用于当地胶囊的人工神经网络,由复杂的内部计算的输入和封装这些计算结果小矢量的高度信息输出。CapsNet架构就MNIST先进的性能,更好的性能比cnn MultiMNIST [26]。
3所示。冠状病毒疾病的放射学角度2019 (COVID-19)
2019年12月,陌生的推导的发烧呼吸道疾病的患者被告知在集群在武汉城市,湖北省,中国。冠状病毒疾病2019 (COVID-19)是负责这种流行病。其他相应的肺的条件记录是由冠状病毒的其他菌株的家庭。最著名的例子是严重急性呼吸系统综合症(SARS)和中东的呼吸系统综合症(即)。非典疫情得到控制与自2003年以来没有人类污染的报道而小即出现继续说。因此,成像是一种必备的分析性程序工具观察疾病发展和coronavirus-related肺综合征(27]。成像结构的关键和慢性阶段非典和即不一致和含糊的28]。第一个账户成像发现COVID-19也被描述为不确定的29日- - - - - -31日]。研究人员进行了各种研究,以进一步区分和识别的成像特性这一新的冠状病毒综合征,但信息仍然是不够的。
COVID-19加剧超出人类理解的事件;集群和每天一万几个报告发病率在世界的某些地方。障碍的病因学的和医疗结构与非典和即;从这些肺综合症的知识和能力可以支持处理COVID-19喷发的急剧增加。综述部分将使我们熟悉的放射学家和成像光谱冠状病毒症状并讨论COVID-19的报道成像特性。
SARS发现于2003年作为第一个广东省新时代的中国,其临床发现小说病毒性肺炎。临床disease-infested 8422人要求在之前916人的生命,并没有出现报道自从[32]。即是在沙特阿拉伯,一个病人的痰是小说的冠状病毒在2012年(32]。全球疾病已经感染了2492人,858人丧生,最新的发现是在2019年12月(32]。
SARS有多种成像的特性,即分享彼此相似,但也有一些差异如表所示2。COVID-19的分析的基础上提出肺炎的迹象(如干咳,嗜睡,肌痛,不适、呼吸困难的症状类似SARS和即以及过去的旅行活动,中国与COVID-19患者或熟人。疾病及其严重程度的发展依赖于胸部成像收购估值,发现和识别。便携式x射线胸透(CXR)作为一线形态COVID-19患者CT扫描,应用CT扫描在特定情况下。便携式x射线胸透(CXR)的利益抛弃病人需要旅行从一个地方到另一个和减少个人保护装备(PPE)的使用。避免不必要的成像和运输的安排是放射科。Czawlytco等人发现胸部x光片是不敏感的早期检测灵敏度的COVID-19只有59% (33]。患者的胸部x光片不推荐流感或流感样症状。也不推荐用于证实COVID-19轻微症状患者。因此,指定为COVID-19急性呼吸道患者胸部x光状态或COVID-19轻微症状,但患者高危因素发展严重的疾病。胸部x线摄影和断层不能用作一线在COVID-19筛查或诊断,即使正常的胸部x光片和CT图像,COVID-19的可能性不能排除患者可能无症状,和肺条件维护可以预料到的。然而,信息COVID-19病人最初宣布对病毒恶意使用实时反向transcriptase-polymerase连锁反应(rt - pcr)被发现通过早期CT发现COVID-19 [32]。与此同时,初步结果肺部成像显示正常情况下。因此,标准的胸部成像不排除感染的可能性SARS-CoV-2 [32]。
3.1。人工智能在胸部x光片(CXR)和CT扫描
与斗争SARS-CoV-2迅速感染,积极筛查和直接医疗响应对受感染的病人是迫切需要的。rt - pcr是一种常见的筛选程序手册,耗时、复杂和艰巨的积极性率只有63% (34,35]。研究关于早期识别COVID-19利用CXR和其他成像技术仍在发展。据英国《卫报》报道信息共享的呼吸内科医生SARS-CoV-2肺炎不同于常见的病毒性肺炎病例(36]。然而,几个病毒性肺炎具有可比性的图像与其他感染和炎症性肺部疾病(34]。COVID-19症状是类似于其他病毒性肺炎可能导致错误的诊断和预后在很多医院,尤其是在急诊科超载和understaff [34]。
今天,许多生物医学问题和并发症如脑部肿瘤检测、肺部疾病检测、乳腺癌检测和其他肿瘤紧急情况使用人工智能(AI)的解决方案(34]。卷积神经网络(CNN),深度学习技术,有利于揭示原始图像的图像特征不明显(34]。深入学习算法的准确性依赖于成像质量,在光线暗的图像和CNN可以提高成像质量的高速视频内窥镜检查,发现肺结节CT图像,识别小儿肺炎从CXR图像,并自动标签的息肉在结肠镜检查和cystoscopic从视频图像分析34]。因此,只有选择确认COVID-19阳性病人的图像。王et al。(2017)显示积累数据集允许重大医学成像工具的发展进展预测各种肺炎和结果对受感染的病人(37,38]。Rajpurkar et al。(2017)和科恩et al。(2019)工作在两个组织模型来预测各种肺炎(37,39,40]。深度学习模型和算法工具,可以开发分流案件在物理测试的短缺,特别是rt - pcr (37,41,42]。美国大学放射学(ACR)只建议便携式CXR ambulant保健设施,要求和强烈反对CT应用和通知决定一个疑似COVID-19病人和是否进行rt - pcr检测,承认病人,提供其他治疗,劝阻病人被检疫或其他33]。然而,深度学习模型和算法应该预测病人的结果,允许医生立即促进护理和管理(37,43]。COVID-19可以被认为是在非常极端的情况下,医生可能会面对的决策选择病人医疗资源的分配根据事故的严重程度(43]。工具将监控SARS-CoV-2阳性病人的疾病的发展进化(37]。
3.2。接近技术和卷积神经网络架构
深度学习机器学习(DL)是一个小节,和一个卷积神经网络是一种深度学习通常应用于计算机视觉领域。CNN的例子架构LeNet、AlexNet GoogLeNet,视觉几何组(VGG)净,ResNet等(44]。目标是应用深度学习神经网络架构创建实际应用来提高诊断和预后性能(44]。
深CNN创建LeNet旨在识别手写的数字。然而,LeNet有一定的局限性,因此,它的继任者AlexNet是第一个深CNN,杰出的组织和识别任务的结果图像。由于硬件限制在2000年初,深CNN架构的学习能力是局限于小样本大小的图像。AlexNet是适用于所有类型的images-its深度从LeNet扩展的五层到八层:五卷积层,两个完全隐藏层连接,和一个完全连接输出层普遍对不同的图像分辨率。然而,它导致过度拟合问题。辍学的过度拟合问题是固定算法,它任意在训练过程中取消了一些转换单位。DenseNet是一个现代CNN建筑,需要更少的视觉物体识别参数。上一层的产品,结合未来的输出层。DenseNet的目标是识别视觉对象紧密连接的所有层。ResNet称为剩余净,一层分为两个分支,一个分支并没有信号,其他进程ResNet添加上一层,一层一层的未来。 Usually, a deep neural network tends to randomly overfit and sometimes produce more preliminary results than a network with a few layers.
CNN是基于生物过程的大脑视觉皮层的人类和动物。CNN由多层的更高一层一层连接到一个较低的研究图像的抽象特性考虑接受字段之间的空间关系。这允许CNN识别模式和识别图像层内的图像。各种CNN模型适用于不同的层,数量的神经元和接受字段在各自的层次和算法44]。集成学习转移到技术修改CNN模型应用于pretrain很多放射学图像数据集来诊断COVID-19问题[44]。这种技术绕过了麻烦从头训练所有图片每次新病例或图像识别。然而,这个方法无效的放射学图像数据集用于公众。
基于表的研究3,几项研究使用深度学习COVID-19使用放射影像诊断。
表3包括一些研究与深度学习模型使用两种类型的医学图像,即。胸片(CXR)和CT图像。基于表,大部分的研究人员使用CXR图片因为他们的可用性。CXR要求低内存空间和高绩效结果这让研究人员应用这些图像到各自的深度学习模型。总共有52个研究使用不同的深度学习方法实现结果。52的期刊上面所提到的,34岁的研究使用CXR图像,17项研究使用CT图像,和4的研究使用CT和CXR图像。更多CXR图像COVID-19病人发现在公共数据库鼓励研究人员研究深度学习利用这些图像。医学领域的期刊经常提到CT图像显示精度高的性能,但这些精度被揭穿,因为它没有明确显示在深度上优于CAD系统。CT图像的性质,产生许多横断面图只是一个病人导致高内存使用的设施来处理。一般来说,CT图像以前被认为比CXR图像更准确,因为CT图像的横截面图像单独标签。因此,研究利用的结合CT和CXR图像展示出了一些有希望的结果。 However, studies with 3D data have lower performance than 2D data, mainly because there are primarily 2D data available for the public to use. The table also shows that deep learning models produced more stable results with more data.
3.3。COVID-19放射学数据源为潜在的造型
本节描述可用的放射学影像数据源功能的开发人员使用CNN架构克服COVID-19深度学习技术。数据的变化要求不同的人工智能方法研究。放射学图像CXR和CT图像高维数据需要像LeNet CNN-based模型来处理图像,AlexNet, GoogLeNet, VGGNet, ResNet [44]。AlexNet是CNN的类别由亚历克斯Krizhevsky于2012年设计的。这是个很受欢迎的CNN,集重要里程碑的移民像网络网络(89年林)等。90年],VGGNet [91年Simonyan等。],GoogLeNet Szegedy et al(《盗梦空间》与它们)。
CNN架构应用程序需要一个大数据集训练、测试和验证。表4描述了可用数据源COVID-19放射学图像,主要CXR和CT图像。
数据源描述表4是标准的开源放射学图像可供公众访问,研究,并使用CNN架构描述。然而,根据表,有最小COVID-19数据综合利用人工智能技术进行深入研究。这就产生了问题和困难时利用这些技术在实际实践与数量有限的数据集。
4所示。挑战的解释和应用的成像特性来克服COVID-19和建议
理论上,利用人工智能是消除虚假新闻,可以在网络上找到和各种社会媒体平台,以确保真实性、负责任的、可靠的关于大流行性流感的信息。然而,科学家们面临许多挑战和限制表所示5以下为公众产生伦理和可靠的结果。
当实现一个DL模型、测试和训练图像使用了相同的目标分配数据和预测医学图像为各自的类别。我们的想法是不可能实现由于有限的数据可用性或弱标签(9]。尽管很多情况下发生在世界范围内,我们已经非常有限的COVID-19 CXR或CT图像数据公开。因此,很难培养DL模型和区分之间的图像COVID-19-related CXR CT和non-SARS-CoV-2病毒,细菌和其他pathogen-related CXR和CT图像。北美放射学会(RSNA) [97年和成像COVID-19 AI倡议在欧洲98年),旨在向公众提供方便的数据。这些数据实现跨类别的各种特性,加强组内的差异,导致更好的DL性能。由于缺乏数据,模型将overfit和产生弱普遍的结果99年]。因此,增加数据已经被证明是有效地培训歧视DL模型。数据增强技术的例子有翻转、旋转色彩抖动,随机裁剪,弹性变形,生成对抗网络——基于(GAN)的合成数据生成One hundred.]。医学图像中发现ImageNet有不同的视觉特征显示高阶级之间的相似之处(101年]。因此,传统的增强方法执行简单的图像变化不太有效102年]。GAN指的是专门的算法和海绵学习系统的引人注目的预测和转换数据从一个到另一个生产动态数据和图片,以便更好的识别和分析可以做到的。GAN-based DL模型应用于人工生成数据。因此,为了克服数据变得稀缺的情况下,氮化镓是用于开发有效的医学视觉识别数据增强策略。
根据《华尔街日报》写的Afshar et al ., cnn,用于识别积极COVID-19 CXR图像容易失去图像之间的空间信息实例和需要一个大型数据集,以弥补损失。胶囊网络,a.k.。COVID-CAPS,是另一种造型框架能够处理小的数据集。胶囊胶囊的网络由卷积层。它有可能进一步提高诊断能力。因此,使用胶囊网络pretrain有望提高精度的图像卷积中的每个胶囊层代表一个特定的图像实例在一个特定的位置通过几个神经元。胶囊的路由协议网络有助于CNN模型来确定空间关系。
5。结论和未来的工作
全球COVID-19破坏了人们的生活。伤亡人数相关疾病不能包含和增加了数以千计的日常。AI技术的存在帮助我们生活舒适和有许多成就和贡献在简化流程和程序。然而,COVID-19非常致命的,因为它传播的传播比以往更快、更广泛。冠状病毒也不断改变着我们的新的高峰,和蛋白质突变已报告的国家像马来西亚、英国、南美、澳大利亚、荷兰和新加坡。这一发现的临床影响,其传染性或攻击性仍然是未知的。突变是否会影响摄影成像的发展仍然是个谜。
基于worldmeter网站:https://www.worldometers.info/coronavirus/,一些国家未能应对疾病,有些人几乎没有解决的情况下,和一些处理情况更成功。因此,一个成功的国家控制的情况可能有经验飙升增加一夜之间如果社会变得宽容在采取适当的措施。
尽管许多研究人员发表了他们的工作,贡献的数量和人工智能的应用对解决COVID-19是基本的。与石化每天的死亡人数和受感染的病人发现,该病毒的突变发生迅速而不知不觉地,我们离应用人工智能在摄影成像识别病人感染SARS-CoV-2。人工智能的发展,摄影成像慢是因为COVID-19数据集的有限的可用性。随着全球影响的人数,人工智能方法需要大量的数据以及一些计算模型和CNN架构学习和获取知识。从开源网站获得的当前数据,大多数研究人员是不够的。即使有最好的可用数据,它远非完美;作为数据无法解释大流行的整体情况。因此,对于未来的研究和发展,获取摄影成像数据而言,最好的方法是获得可靠的,全球性的,公开数据,研究建立一个基础设施,允许研究人员在放射学领域的专家,人工智能,深度学习,成像导航和理解这些数据及其发展。
大多数COVID-19摄影图像数据存储在不同的格式标准,大小,和质量障碍为COVID-19-related AI研究科学家加快发展。因此,在未来的发展中,COVID-19摄影图片应该有标准操作程序,允许研究人员和科学家和那些有激情和感兴趣的自由贡献和利用信息。未来的研究深度学习模型识别和区分COVID-19图像和病毒性肺炎的区别是至关重要的。这项研究将帮助放射科医生和医生了解病毒和评估未来使用CT冠状病毒和CXR图像更有效的和有效的。
数据可用性
本研究数据分析了现有数据的再分析,公开可用的位置在参考部分引用。
的利益冲突
所有的作者宣称他们没有利益冲突。
确认
这项工作是支持的俄文Geran马来亚大学(st014 - 2019)。