诊断COVID-19使用深度学习模型在不同的放射学领域

文摘

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.

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),4^th一代(4 g)和5^th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。

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。

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

该方法在图描述4。

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:(我)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。(2)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。(3)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。

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。

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。

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。

引用

1. 诉Chamola诉Hassija、诉古普塔和m . Guizani”COVID-19流行的全面审查和物联网的角色,无人机,AI,区块链,和5 g在管理其影响,“IEEE访问,8卷,第90265 - 90225页,2020年。视图:出版商的网站|谷歌学术搜索
2. 林k、c·李,d, a . Ghoneim m·s·侯赛因和美国阿明,“Artificial-intelligence-based认知通信在异构无线网络中,数据分析”IEEE无线通信,26卷,不。3、83 - 89年,2019页。视图:出版商的网站|谷歌学术搜索
3. y, y钱,m . s .侯赛因,d . Wu GhoneimM。陈”、“Emotion-aware多媒体系统安全。”IEEE多媒体,21卷,不。3、617 - 624年,2018页。视图:谷歌学术搜索
4. m . s .侯赛因和g·默罕默德,”一个视听情感识别系统使用深度学习融合的认知无线网络框架,“IEEE无线通信,26卷,不。3、62 - 68年,2019页。视图:出版商的网站|谷歌学术搜索
5. x y,妈,j . Zhang m·s·侯赛因·g·默罕默德,和美国Amin”边缘的情报认知物联网:提高灵敏度和交互性,”IEEE网络,33卷,不。3,58 - 64、2019页。视图:出版商的网站|谷歌学术搜索
6. m·a·拉赫曼·m·m·拉希德·m·s·侯赛因e . Hassanain m . f . Alhamid和m . Guizani”区块链和IoT-based认知优势智能城市框架分享经济服务,“IEEE访问7卷,第18621 - 18611页,2019年。视图:出版商的网站|谷歌学术搜索
7. s . a . Alanazi m . m . Kamruzzaman m . Alruwaili n . Alshammari s . a . Alqahtani和a . Karime”测量和防止COVID-19先生使用模型和机器学习在智能医疗、”医疗保健工程卷,2020篇文章ID 8857346, 12页,2020。视图:出版商的网站|谷歌学术搜索
8. m . m . Kamruzzaman“架构使用人工智能、智能医疗保健系统”《IEEE国际多媒体会议及博览会研讨会,页1 - 6,伦敦,英国,2020年7月。视图:出版商的网站|谷歌学术搜索
9. 张y、m . s .侯赛因,a . Ghoneim和m . Guizani”COCME:内容型的缓存为无线通信移动边缘,”IEEE无线通信,26卷,不。3,26-31,2019页。视图:出版商的网站|谷歌学术搜索
10. y . j . Wang苗,p .周,m·s·侯赛因和s·m·m·拉赫曼“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》杂志上卷,85年,第83 - 76页,2017年。视图:出版商的网站|谷歌学术搜索
11. a . Alelaiwi a . Alghamdi m . Shorfuzzaman m·拉瓦希德荷m·s·侯赛因·g·默罕默德,“强化工程教育使用智能类环境,”电脑在人类行为,51卷,第856 - 852页,2015年。视图:出版商的网站|谷歌学术搜索
12. m . Shahzeb a .汗和a·默罕默德”检测冠状病毒病(COVID-19)使用放射性检查,”纯应用微生物学杂志》上,14卷,2020年。视图:出版商的网站|谷歌学术搜索
13. h·j·史、j . Yu和c . s .郑”放射诊断的新冠状病毒感染肺炎:专家建议从放射学的中国社会,“中华方她雪54卷,第285 - 279页,2020年。视图:谷歌学术搜索
14. j·f·w·陈,美国元,k . h . Kok et al .,“家族集群与2019年的小说《冠状病毒相关的肺炎表明人际传播:一项研究的一个家庭病例群集的,”《柳叶刀》,卷395,不。10223年,第523 - 514页,2020年。视图:出版商的网站|谷歌学术搜索
15. h .傅h .徐:张h .徐,z . LiH。陈,r·徐r .太阳et al .,”“联系临床,实验室和CT特点及rt - pcr结果COVID-19随访的患者中,“MedRxiv,2020年。视图:谷歌学术搜索
16. 国家健康委员会办公厅和其他人来说,“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。视图:谷歌学术搜索
17. j . p . Kanne“胸部CT发现2019年新型冠状病毒(2019 - ncov)感染从武汉,中国:重点为放射科医生,”放射学,295卷,2020年。视图:谷歌学术搜索
18. a . Narin c·卡亚、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。视图:谷歌学术搜索
19. o .沙丘状积砂,m . Frid-Adar h·格林斯潘et al .,“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。视图:谷歌学术搜索
20. f, y高,王j . et al .,“肺部感染量化covid-19的CT图像与深度学习,”2020年,https://arxiv.org/abs/2003.04655。视图:谷歌学术搜索
21. c .屁股j·吉尔,d .春,b先生,“深度学习系统屏幕冠状病毒疾病2019肺炎,“应用智能,2020年。视图:谷歌学术搜索
22. b . s . Wang Kang j .马曾x,和m·肖”深入学习算法利用CT图像为冠状病毒病(COVID-19)屏幕上,“MedRxiv,2020年。视图:谷歌学术搜索
23. 江x, x, c . Ma et al .,“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。视图:谷歌学术搜索
24. s . Toraman t . b . Alakus,特工,“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,孤波和分形卷,140年,第122 - 110页,2020年。视图:出版商的网站|谷歌学术搜索
25. m . m . Mijwel“人工神经网络的优缺点,”2018年,https://www.linkedin.com/pulse/artificial-neuralnet works-advantages-disadvantages-maad-m-mijwel。视图:谷歌学术搜索
26. m·k·潘迪特和s . a . Banday“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卷。视图:出版商的网站|谷歌学术搜索
27. m·伊卜拉欣- h·拉赫曼,a . Nait-Ali”检测COVID-19从胸部x光图像使用人工智能:早期的评论,”2020年,https://arxiv.org/abs/2004.05436。视图:谷歌学术搜索
28. s . h . Kassani p h . Kassasni m . j . Wesolowski k·a·施奈德和r .阻止了,“自动检测冠状病毒病的x线和CT图像(COVID-19):基于机器学习的方法,“2020年,https://arxiv.org/abs/2004.10641。视图:谷歌学术搜索
29. a . a . Borkowski: a . Viswanadham l·b·托马斯·r·d·古兹曼·l·a·迪兰和s . m . Mastorides”使用人工智能COVID-19胸部x光诊断,”Medrxiv37卷,2020。视图:谷歌学术搜索
30. a . Makris i Kontopoulos, k . Tserpes”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,60 - 66页,雅典,希腊,2020年9月。视图:出版商的网站|谷歌学术搜索
31. m . Rahimzadeh A玫瑰油,s m . Sakhaei”基于一个完全自动化的深入学习网络检测COVID-19从一个新的肺CT扫描和大型数据集,“MedRxiv,2020年。视图:谷歌学术搜索
32. r·r·Selvaraju m . Cogswell Das, r . Vedantam d·帕里克说,d·巴特拉”Grad-cam:视觉解释基于从深层网络通过梯度本地化,”《IEEE计算机视觉国际会议,第626 - 618页,威尼斯,意大利,2017年10月。视图:出版商的网站|谷歌学术搜索
33. a .阿巴斯·m·m·Abdelsamea和m . m . Gaber”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。视图:谷歌学术搜索
34. p . j .菲利普斯·j·弗林中锋t . et al .,“面部识别的概述大挑战,”Proceeedings IEEE计算机学会计算机视觉与模式识别会议(CVPR ' 05)圣地亚哥,页947 - 954,美国2005年6月。视图:谷歌学术搜索
35. c . Li y刁、h·马和y,“统计PCA的人脸识别的方法,”第二届国际智能信息技术应用研讨会上,第380 - 376页,上海,中国,2008年12月。视图:出版商的网站|谷歌学术搜索
36. j . Civit-Masot f . Luna-Perejon m·多明格斯莫拉莱斯和a . Civit“深度学习系统COVID-19援助使用x射线诊断肺图像,”应用科学,10卷,不。13,4640页,2020年。视图:出版商的网站|谷歌学术搜索
37. t . Ozturk m . Talo e·a·Yildirim美国b . Baloglu o . Yildirim Rajendra Acharya和美国“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文章ID 103792卷,121年,2020年。视图:出版商的网站|谷歌学术搜索
38. a . k . Das Ghosh,雷声,r·杜塔Agarwal,和a . Chakrabarti”自动COVID-19检测使用合奏从x射线图像卷积神经网络学习,”模式分析与应用,24卷,2020年。视图:谷歌学术搜索
39. c . Dabakoglu“卷积神经网络”,2020年,https://medium.com/@cdabakoglu what-is-convolutional-neural-networkcnn-with-keras-cab447ad204c。视图:谷歌学术搜索
40. j . Ricco“Max-pooling /池”,2020年,https://computersciencewiki.org/index.php/Max-pooling_/_Pooling。视图:谷歌学术搜索
41. r . Jain, m·古普塔,s·希夫,d . j . Hemanth“深度学习COVID-19检测和分析基于胸部x光图像,”应用智能,1 - 11,2020页。视图:谷歌学术搜索
42. g . Jain d·米塔尔,d . Thakur和m·k·米塔尔“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,40卷,不。4、1391 - 1405年,2020页。视图:出版商的网站|谷歌学术搜索
43. m . Alazab a . Awajan a . Mesleh a·亚伯拉罕诉Jatana和s . Alhyari“COVID-19预测和检测使用深度学习,”国际期刊的计算机信息系统和工业管理应用程序》12卷,第181 - 168页,2020年。视图:谷歌学术搜索
44. m . m . Rahaman c·李,y姚明et al .,“胸部x光图像的识别COVID-19样本使用深度学习:比较转移学习方法,“x光科学与技术杂志》上卷,28 - 2020页。视图:出版商的网站|谷歌学术搜索
45. b . Sekeroglu和i Ozsahin检测COVID-19从胸部x光图像,采用卷积神经网络”sla技术:将生命科学创新,25卷,不。6,553 - 565年,2020页。视图:出版商的网站|谷歌学术搜索
46. a·曼加尔氧化钾,h . Rajgopal k . Rangarajan周二和诉Namboodiri“CovidAID: COVID-19检测使用x射线胸透,”2020年,https://arxiv.org/abs/2004.09803。视图:谷歌学术搜索
47. p·席尔瓦,大肠Luz, g·席尔瓦et al .,“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ID 100427条,卷。20日,2020年。视图:出版商的网站|谷歌学术搜索
48. c .郑x邓,傅问:et al .,“深上优于检测COVID-19从胸部CT使用弱标签,”MedRxiv,2020年。视图:谷歌学术搜索
49. h . Alshazly c·林斯·e·巴斯,t . Martinetz”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。视图:谷歌学术搜索
50. h·j·a·亚当斯,t . c . Kwee d . Yakar医学博士希望,和r . m . Kwee“胸部冠状病毒疾病的CT成像签名2019感染:追求的科学证据,”胸部,卷158,不。5,1885 - 1895年,2020页。视图:出版商的网站|谷歌学术搜索
51. k . Purohit a . Kesarwani d·r·Kisku和m . Dalui”Covid-19检测胸部x线和CT扫描图像使用多映像深学习模式,增强”BioRxiv,2020年。视图:谷歌学术搜索

版权

版权©2021尤瑟夫Alhwaiti等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。