文摘

COVID-19的早期和准确的检测是一个重要的过程控制的传播这种致命的疾病和死亡率。胸部放射扫描是一个重要的工具,用于管理和早期诊断COVID-19病毒以来,呼吸系统的目标。胸部x光片(CXR)图像是非常有用的有效检测COVID-19,由于其可用性,具有成本效益的方式,和快速的结果。此外,人工智能(AI)技术,如深度学习(DL)模型扮演了一个重要的角色在设计使用CXR图像自动诊断流程。这个动机,当前的研究提出了一种新的量子海鸥优化算法与DL-based COVID-19诊断模型,命名QSGOA-DL技术。拟议中的QSGOA-DL技术将检测和分类的帮助下COVID-19 CXR图像。在这方面,QSGOA-DL技术包括EfficientNet-B4作为特征提取器的设计,而hyperparameter优化QSGOA技术的帮助下进行。此外,分类过程是由多层的极端学习机(MELM)模型。这项研究的新颖性在于设计QSGOA EfficientNet-B4 hyperparameter优化的模型。一系列广泛的模拟进行了基准测试CXR数据集,和结果评估在不同的方面。 The simulation results demonstrate the promising performance of the proposed QSGOA-DL technique compared to recent approaches.

1。介绍

冠状病毒病(COVID-19)应该在早期诊断以减少病毒的传播,同时防止进一步的并发症。COVID-19增加传播的情况下,全球在日常生活中,目前的诊断工具的限制强加挑战在管理和控制疫情。全球研究人员进行了积极研究开发有效的诊断程序和加快发展的治疗和疫苗(1]。一般来说,三个诊断程序是广泛用于医学成像等血液测试,和病毒测试(2]。使用最广泛的病毒测试之一是确定为成了检测COVID-19逆转录聚合酶链反应(rt - pcr)是受雇为一线筛查工具。然而,一些研究人员发现,实验结果达到了灵敏度仅50至62% (3]。这揭示了事实第一次rt - pcr结果也可以达到为负。因此,为了验证实验诊断的准确性,许多rt - pcr实验是在14天内进行的观察。换句话说,一个可疑的rt - pcr阴性结果COVID-19例考虑为真阴性,如果没有积极的rt - pcr结果后进行筛选测试14天期间的观察。事实上,这使病人诊断为COVID-19并强调了业已干瘪的大多数国家的医疗基础设施由于缺乏足够的rt - pcr试剂盒和合格人员(4]。

根据文献,胸部x光检查(CXR)被作为一线诊断工具在意大利和几个国家(5]。放射扫描可以检测运行条件的肺部和复苏/疾病的病人的不同阶段在一个高效的方式(6]。放射科医生观察到的异常出现在放射扫描COVID-19病人的报告。近年来,深度学习,提高人工智能技术的基本组成部分,是有相当大的诊断准确性,在医学成像自动诊断肺部疾病。它超过了人类层次的表演ImageNet分类任务在2015年与一百万张图片来训练,进一步显示皮肤科医生水平表现在2017年皮肤损伤的分类。进一步结果优秀的筛查肺癌(2019年7]。

一般来说,放射科医生手册筛选过程可能带来偏差或错误的诊断和增加可能损失的风险为微小病变的诊断。因此,卫生专业人员如radiotherapists利益获得优秀的新兴的人工智能(AI)方法在计算机辅助COVID-19诊断。人工智能(AI)和先进的软件,医疗领域的图像分析,直接协助医护人员在打击这本小说冠状病毒。这些系统提供有效的和高质量的诊断结果,大大减少人力需求8]。最近,机器学习和深入学习人工智能的两个主要领域,涉足到一般医疗应用程序。建立基于深度学习支持系统的诊断COVID-19使用x光,CT扫描样本。提出了几个方案根据pretrained模型使用转移学习,而一些方法已经提出了一个个性化的网络(9]。数据科学和机器学习,虽然在不同的领域,已经聚集在一起,都是动态受雇于预后等不同阶段,诊断,COVID-19疫情预测,并预测。然而,几乎所有的DL-based技术,用于疾病诊断,需要注释病变,特别是对于疾病诊断CT体积。注释的病变COVID-19带来沉重的代价,时间,和精力的radiotherapist阻止疾病的有效抑制。COVID-19已迅速蔓延到全球的国家,是一个巨大的radiotherapists短缺。因此,开展COVID-19诊断使用DL社区模型具有重要意义。

目前的研究重点是海鸥的设计一个新的量子优化算法与DL-based COVID-19诊断模型,命名QSGOA-DL技术。此外,提出QSGOA-DL技术包括EfficientNet-B4作为特征提取器的设计,而hyperparameter QSGOA技术进行的优化过程。此外,分类过程是由多层的极端学习机(MELM)模型。为了展示的霸权提出QSGOA-DL技术,广泛的基准测试CXR数据集上进行实验分析,结果在几个方面进行评估。

剩下的纸是组织如下:部分2文献回顾;部分3讨论了该模型;部分4验证该模型的性能;最后,部分5总结了研究。

2。相关的工作

罗伊et al。10)提出了一个新的网络从空间获得变压器网络。这个网络可以预测疾病的严重性率同时基于输入帧和弱监督的方式提供定位的病理产物。此外,作者提出了一种新颖的方法根据uninorm聚合的有效帧视频级别的分数。最后,先进的深方法验证估计COVID-19图像进行像素级分割的生物标志物。在[11),提出了一种矩阵剖面技术来检测异常的CT扫描图像通过两个阶段。异常严重程度评分(CT-SS)评估和方差之间的CT-SS COVID-19 CT图像和non-COVID-19 CT图像检查。稀疏异常面具被评估,用于惩罚所有的图像的像素值。后来abnormality-weighted图像利用培训基准DenseNet DL模型区分COVID-19 CT non-COVID-19 CT图像。在这项研究中,作者应用VGG19模型作为比较的基准模型的目的。

Sakib et al。12)提出了一个可行的和有效的区分COVID-19 DL-CRC框架从其他异常(例如,肺炎),通常情况下,精度高。独家数据集由四个开放来源与PA为肺炎,胸部的x射线信息COVID-19,通常的情况。提出DL-CRC框架杠杆的达里语模型COVID-19数据自适应使用GAN和迦得模型。Kaur et al。13)模型的基础上,提出了专家深度特性和PF-BAT增强PF-FKNN分类诊断的新型冠状病毒。方法,特点是提取的FC层transfer-learned MobileNetv2和FKNN培训。FKNN hyperparameter是微调的帮助下PF-BAT算法。

辛格和辛格14)提出了一个自动的方法来诊断COVID-19从胸部x光图像。这项研究提出了一个增强的深度方面CNN模型分析胸部x光图像。在这研究中使用小波分解将多分辨率分析在网络。部分波段频率,实现从输入图像,送入网络辨认疾病。网络开发预测输入图像的类COVID-19或正常或病毒性肺炎。

李等人。15)提出了一种新的高效和有效的训练方法COVID-19分类网络COVID-19 CT检查和记录人数较少的负样本。具体来说,新self-supervised学习方法介绍了负样本中提取特征和COVID-19-positive样本。接下来,两种类型的软标签(“多样性”和“困难”)被计算为负样本挖土机COVID-19特性和负样本之间的距离,负样本的数据“价值”可以被测量。沙姆西基地等。16)提出了一个深uncertainty-aware TL架构COVID-19识别使用医疗图像。四种常见cnn,包括InceptionResNetV2、VGG16 ResNet50, DenseNet121,最初被用于这项研究从CT和x射线图像中提取深度特性。后,特征提取是实现使用不同的ML和统计建模的方法来识别COVID-19病例。

吴et al。17)开发了一种新的JCS系统执行简单和实时COVID-19胸部CT诊断。为了培养这些JCS系统,作者建立了一个大规模COVID-19分割和分类(COVID-CS)数据集包含144167胸部CT图像收集从400年COVID-19人和350负样本。共有3855个胸部CT图像,收集从200年人,带注释的细粒度进行像素级的不透明,即。肺实质的、改进的衰减。汉et al。18)提出了一个AD3D-MIL模型person-level标签分配给一个3 d胸部CT扫描图像视为一个包的实例。AD3D-MIL语义上可以创建3 d深处实例遵循可能患病的地区。此外,AD3D-MIL采用一种引起池方法3 d实例提供洞察每一个实例,对袋标签。最后,AD3D-MIL学习伯努利分布bag-level标签容易学习。

3所示。该模型

在这项研究中,一种新型QSGOA-DL技术提出了检测和分类COVID-19使用CXR图像。提出QSGOA-DL技术包含不同运营阶段如预处理、EfficientNet-B4-based特征提取,QSGO-based hyperparameter优化,和MELM-based分类。图1说明所涉及的所有过程提出QSGOA-DL模型。QSGO技术的设计协助hyperparameter EfficientNet-B4值模型的最优选择。

3.1。预处理

提出了模型的图像进行预处理,通过数据增强和图像缩放等两种方式。增加技术产生的摄动版本可用的图像。缩放、旋转和其他常用此仿射转换。一般进行增加数据集的大小和深度学习提供有效的培训模式在不同类型的图像。此外,二维数组(x设在和y设在)x数据的形象(512×512)的大小是0到255之间的像素值归一化和存储从PNG格式的帮助下OpenCV图书馆。所有的预处理图像测量512×512,有三个渠道。

3.2。EfficientNet-B4-Based特征提取

在这个阶段,预处理CXR图像传递到EfficientNet-B4技术并生成一组有用的特征向量。在这里,CNN是一个非循环图指向。这个网络也能够学习极其非线性函数。神经元的基本单元在CNN。所有层,CNN,是由许多神经元。这些神经元连接在一起。,输出层的神经元输入层的神经元 ,按照下面公式: 在哪里表示层的权重矩阵 表示偏差项,表明激活函数。层的激活被表示为 。为了训练CNN,学习是很重要的和层,所以忽略成本函数19]。一般来说,假设一个训练集 与培训的例子;重量和偏见应定义,因为他们减少成本,即。首选的输出之间的差异和实际输出 。个人培训的成本函数的例子是决定如下: 在哪里表示最后一层的激活。最小化过程是迭代后由梯度下降的方法。这种方法涉及到成本函数的偏导数的计算对重量和重量结果更新。单一的梯度下降迭代更新变量和如下:

BP模型用于计算成本函数的偏导数。每个俱乐部都有一个隐藏的单元相互连接的每个输入单元。这增加的数量关系到极高的水平,同时,它也可以处理高维图像等信息。当图像被认为是它的尺寸大小,然后连接每个输入像素的过程所有的神经元所带来的沉重的计算成本。一个小如的形象 像素要求 连接在输入层中表示在初始层的神经元数。卷积层允许建设的稀疏连接分配参数通过神经元。与FC层相比,卷积层有更少的参数。所以,它很容易被训练。它是派生的代价小降低性能。CNN所广泛使用的图像检测包括卷积和FS层。这个网络经常被称为深度网络。

DL培训过程模型,扩大网络宽度、网络深度,强化和改善输入图像解决方案是使用最广泛的方法来提高模型的精度。尽管以前作品如ResNet和WideResNet证明了上述方法的优势,是很重要的每个维度平衡网络决议或宽度或深度,所以可以通过扩展达到平衡的所有尺寸以恒定的比率。晒黑了EfficientNet模型可以产生适当的分辨率的影响延伸,深度和宽度的网络和后获得更好的性能。起初,研究人员可以把CNN描绘成一个函数: ,在这代表运营商 表示输出的张量表示输入形状张量 ,在哪里 ,和表示的数字通道输入图像的高度和宽度。可以确定一个CNN的序列层: 。在实际应用过程中,CNN层通常使用在许多阶段,在每个阶段都使用类似的网络框架。因此,它决定如下20.]: 在哪里表示层这是持续的在一个阶段和 代表了高度,宽度,和数字通道的输入张量的一层 接下来,标准CNN设计主要侧重于确定一个最优层框架 。然而,根据预先确定的基线网络框架,模型扩展主要是扩展了决议 长度 ,和宽度的网络。同时,模型克服了扩展实现小说资源约束的设置问题 。他们也会检查 明显的层,因为它是一个示例设计空间。EfficientNet强调,每一层应该由一个常数统一缩放比例减少设计空间。目标是大大提高模型的精度提供了资源约束的环境,因为它被认为是一个优化问题: 在哪里 ,和代表规模系数采用宽度,深度,和解决网络; 代表在基线网络预定的参数。接下来,一种新型复合伸缩技术,使用一个复合系数 ,采用均匀扩张网络的深度和宽度如下: 在哪里 ,和是常数。在别人,代表着一个设定价值,决定了资源是有效的扩展模型,而 ,和确定额外资源的分配方法解决,相应的网络的宽度和深度。也有一定的关系的标准卷积运算和失败 和 。当网络双打的深度,然后失败双打。然而,当网络解决方案/宽度双打,失败。经常自卷积运维控制计算成本的CNN, CNN是扩大与方程(7准确),增加了整体失败 最后,扩展模型并不改变层操作符在预定的基线网络。因此,关键是要有一个基线网络。EfficientNet小说mobile-size基线网络,提出了多目标神经框架,增强了失败和准确性。的基本组件由紧缩和激励优化和mobile-inverted MBConv瓶颈。

3.3。Hyperparameter优化

QSGOA技术部署hyperparameters参与EfficientNet-B4模型的最优选择。符合这一点,性能得到提高。海鸥(科学术语:Larus minutus沿海鸟类)是一个在3000万年之前开始居住在这个星球上。它们的存在几乎在世界各地。大翅膀,海鸥的后腿已经进化,这样他们也可以旅行在水中。虽然鱼是海鸥列为主要的食物来源,他们也吃两栖动物,爬行动物,摩尔、蚯蚓、昆虫。换言之,海鸥是杂食性动物。他们是聪明的鸟,而海鸥的平均寿命是10至15年。一般来说,他们住一群和迁移的时候有一个独特的行为。

南部迁移鸟类的运动在秋天和向北移动/春天从地面到高度或从coast-coast忍受冬天条件和足够数量的轻松地得到富裕的食物来源。海鸥这种迁移的现象,这是一个季节性的行为,考虑到因为他们到处迁移实现广泛的食物来源以获得足够的能量(21]。的过程如下:(我)迁移开始当成群的海鸥开始向北/南旅行。为了逃避冲突,他们的主要位置是不同的。(2)这个群的经验的好处之一是,他们试图旅行最佳生存的方向,实现最低成本价值。

一般来说,海鸥在海上攻击迁徙鸟类。这一现象发生时作为一个螺旋形的行为攻击。海鸥模型SGO审议通过以下几点。迁移行为模拟的流动海鸥成群的位置。为此,必须满足三个条件。

防撞:为了躲避碰撞在邻近的海鸥,模型作为进一步的参数决定的更新的小说位置审议海鸥(搜索代理): 在哪里描述了位置,与其他搜索代理,避免碰撞代表候选人的位置在当前迭代(我),描述了运动搜索代理的行为在他们的搜索区域也是建模如下: 在哪里描述了迭代和表示频率的控制参数在的范围 。(我)与另一个邻居的经历:从你的邻居避免碰撞后,候选人进展的方向最佳邻居(最优解)。 在哪里描述了位置对一个最佳的健身候选人的候选人 。的系数是一个任意值使勘探开发阶段之间的权衡。实现如下: 让描述任意的值在0和1之间。(2)向最优解迁移(搜索代理):最后,根据最优解搜索代理升级他们的位置如下: 在哪里描述之间的方差最优成本和海鸥。

在迁移的时候,海鸥经常改变攻击速度和角度。海鸥在空中可以保留的位置用翅膀和体重。在攻击过程中,海鸥在空气中螺旋方向移动 ,和飞机的 在哪里描述之间的任意值范围和和表示螺旋半径将按以下公式: 在哪里描述了自然对数和基础和代表螺旋的形状。海鸥的小说职位更新如下: 在哪里保持最优的结果。为了提高SGO算法的探索能力,QSGOA设计包括量子计算。

一些数字计算机的数据的最小单位,演示了在特定时间或1, - - - - - -一点一点或者量子取得了从量子计算最小单位的数据。所有 - - - - - -位能够存在的0,1,同时结合国家或一组。这是命名为叠加。 - - - - - -一些被称为一对数字 ,的值和表示确定的概率 - - - - - -从美国一些相应的0和1。的状态 - - - - - -预计如下:

所有的 - - - - - -位必须履行的归一化公式如下:

在量子计算机中,一个单独的是所指的顺序吗 位如下(22]:

当检测到量子态的表现,它崩溃向单身状态。观察程序 - - - - - -位进行了如下:

如果兰德。

然后。

其他的事情。

在量子计算机、量子功能实现的顺序更新值 - - - - - -位的人。这导致升级的依从性 - - - - - -位在方程(20.)。 - - - - - -门是最量子函数来更新 - - - - - -位。存在不同的 - - - - - -盖茨非门等受控非门,旋转大门,阿达玛门, - - - - - -门, - - - - - -门, - - - - - -门。主要分析,旋转 - - - - - -门是利用其他质量门。旋转 - - - - - -门可以确定如下: 在哪里指的是旋转角 - - - - - -位附近/ 1的状态。的状态 - - - - - -位在时间升级如下:

3.4。图像分类

在这最后阶段,派生的一组特征送入MELM分类器分配适当的类标签测试CXR图像。SLFN的基本形式,黄等人提出了榆树提高训练速度的工作,后来扩展榆树的假设神经元隐藏节点到另一个隐藏节点。样本训练可以表达的 ,在哪里代表了训练样本,显示的输入示例使用维度。此外,表示的输出实例。后,输入向量被认为是SLFN使用的输出隐藏的节点,它是表示如下: 在哪里 代表了隐藏的产出和 显示输出的重量。给定的输出培训,样品可以通过零误差估计,给出如下: 在哪里 表示隐藏输出矩阵(23]。输出的重量解决方案包括线性公式,而这样的解决方案可能等于缓解训练的错误,即 。输出的最佳近似重量可能被表示为Moore-Penrose广义逆 :

一般来说,采用正交投影来解决广义逆 。如果非奇异的, ,或者,如果非奇异的,

MELM多层神经网络中,multi-ELM-AEs堆叠在一起,在什么地方 ;让是我输入的数据描述 来 。假设 表示我th变换矩阵,其中表示转换向量用于描述学习有关 。在此基础上,替换与 ,在哪里取而代之的是相应的(24]:

让的输出矩阵我隐层有关 ,和解决如下:

接下来, 在哪里代表了最终的描述 采用作为隐层输出来估计输出权重和这是一

4所示。结果与讨论

该模型模拟了使用Python 3.6.5工具基准CXR图像数据集(25]。结果调查在不同大小的训练和测试数据集。图2说明了几个示例图像研究考虑。

图3描绘了QSGOA-DL技术所产生的混淆矩阵与不同的培训/测试数据测试数据。图3(一)描述了所产生的混淆矩阵提出QSGOA-DL技术培训/测试80:20。图展览QSGOA-DL技术将3218种图像归类COVID-19和3219年健康样本图片。与此同时,图3(b)展示了混淆矩阵由QSGOA-DL方式培训/测试70:30。图显示,相比QSGOA-DL算法优于他人,将3214种图像归类COVID-19和3215张图片作为健康的。最后,图3(c)说明了混淆矩阵QSGOA-DL算法生成的培训/测试60:40。图表明,拟议中的QSGOA-DL方法将3209种图像归类COVID-19和3212图片一样健康。

表1显示了整个实现的分类结果QSGOA-DL技术在不同培训/测试数据大小。结果表明该QSGOA-DL技术完成了最大分类结果对所有培训/测试尺寸。例如,培训/测试数据大小为80:20,QSGOA-DL技术导致精度0.9984,敏感性为0.9981,特异性为0.9984,精度0.9983,0.9983的f值,MCC为0.9966。此外,随着培训/测试数据大小为70:30日QSGOA-DL方式导致精度0.9972,敏感性为0.9969,特异性为0.9972,精度0.9971,0.9971的f值,MCC为0.9941。此外,培训/测试数据大小60:40岁的提议QSGOA-DL方法产生一个精度0.9963,敏感性为0.9953,特异性为0.9963,精度0.9958,0.9958的f值,MCC为0.9916。

图4说明了基于结果的精度图绘制QSGOA-DL技术应用培训/测试数据大小为80:20。训练和测试精度的图报告在时代数增加而增加。饱和后最大的时代。它也观察到,训练精度大大高于了测试精度。

图5充分体现了损失图绘制结果的基础上从QSGOA-DL技术应用培训/测试数据大小为80:20。训练和测试的图州损失了大量时代数的增加和减少饱和后最大时代计数。注意到,训练损失低于测试精度。

图6展示了基于QSGOA-DL精度图绘制方法结果的应用培训/测试70:30。训练和测试精度值的图描述了在时代数增加而增加,饱和后最大的时代。也发现,训练精度显著提高了测试精度。

图7基于分析结果表明损失图绘制QSGOA-DL方法应用培训/测试70:30。图表明,训练和测试损失增加了时代数和高饱和后一个优越的时代。它也观察到,培训比测试精度损失较小。

图8演示的结果精度图分析QSGOA-DL算法应用培训/测试60:40。训练和测试精度值的图州得到增强的时代数的增加和高时代计数后达到饱和。从结果可以推断,训练精度明显优于测试精度。图9代表了损失图分析情节提出QSGOA-DL技术应用培训/测试60:40。训练和测试的图展示了损失转化为最小值与上级时代计数和时代数增加后趋于饱和。它可以观察到,训练得到建立和较小的损失比测试精度。

最后,提出QSGOA-DL之间进行了详细比较研究技术和最近其他方法,结果如表所示2和数字10和11(26]。通过检查结果在精度方面,很明显,DHL-2 ResNet-1,和ResNet-2技术达到一个最小精度为97%,97%,和97%,分别。同样,DHBL DHL-1和TL-ResNet-2技术完成中等精度值的98%,98%,和98%,分别。尽管TL-RENet-1产生99%的算法精度,提出QSGOA-DL技术获得了99.80%的精度高。

除此之外,对敏感性,很明显,模型如TL-RENet-1 ResNet-1,和ResNet-2得到最可能的敏感性为97%,97%,和97%,分别。同样,DHL-1 TL-ResNet-2和DHL-2技术完成了温和的灵敏度值的98%,98%,和99%,分别。然而,DBHL产生算法的灵敏度为99%,而呈现QSGOA-DL方法获得优越的敏感性为99.80%。同时,通过检查结果的特异性,DHL-2, ResNet-1,和ResNet-2技术获得特异性最少值,也就是说,97%,97%,和97%,分别。符合这一点,DHBL、DHL-1 TL-ResNet-2系统完成温和的特异性值的98%,98%,和98%,分别。TL-RENet-1实现算法的特异性为99%,而预计QSGOA-DL算法达到最大的特异性为99.80%。

另一方面,通过检查结果的准确性,ResNet-1, ResNet-2,和TL-RENet-1方法获得最准确值的97.21%,97.21%,和98.06%,分别。同样,TL-ResNet-2、DHL-1 DHL-2方法也完成中等精度值的98.14%,98.14%,和98.29%,分别。尽管DBHL导致算法的准确率为98.53%,该QSGOA-DL方式完成优越的精度为99.83%。上述结果表明该QSGOA-DL技术优于现有方法的最大精度为99.80%,敏感性为99.80%,特异性为99.80%,准确性为99.83%,f值的99.80%,MCC的99.70%。因此,该模型可以利用适当的工具来诊断COVID-19使用CXR图像。

5。结论

在这项研究中,一种新型QSGOA-DL技术提出了检测和分类COVID-19使用CXR图像。拟议中的QSGOA-DL技术包含不同运营阶段如预处理、EfficientNet-B4-based特征提取,QSGO-based hyperparameter优化,和MELM-based分类。QSGO技术的设计协助hyperparameter EfficientNet-B4值模型的最优选择。为了展示的霸权提出QSGOA-DL技术,广泛的基准测试CXR数据集上进行实验分析。结果评估几个方面。仿真结果证明的承诺表现QSGOA-DL技术比现有的方法。在未来,QSGOA-DL技术的性能可以验证使用计算机断层扫描(CT)扫描图像的诊断COVID-19。

数据可用性

数据共享并不适用于本文中没有生成数据集在当前研究。

伦理批准

这篇文章不包含任何研究与人类参与者由作者。

同意

不适用。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

手稿是通过贡献的作者写的。所有作者都批准的最终版本的手稿。

确认

作者扩展他们的升值Deputyship进行研究和创新,教育部,沙特阿拉伯,通过这个项目没有资助这项研究工作。(ifprc - 215 - 249 - 2020),和阿卜杜拉国王大学,安全域,吉达,沙特阿拉伯。