我很高兴发表另一篇文章巴拉斯纳拉亚南，代顿大学研究所（UDRI），LinkedIn简介。 作者:博士。拉塞尔·c·难的，代顿大学(UD) 博士。巴拉斯纳拉亚南2013年和2017年分别毕业于戴顿大学（UD）电气工程专业，获理学硕士和博士学位。他目前在UDRI软件系统组作为欧洲经委会部门在UD。他的研究兴趣包括深度学习，机器学习，计算机视觉和模式识别。

在这篇博客中，我们应用了一种基于深度学习（DL）的技术，利用MATLAB在胸片上检测COVID-19。

背景

冠状病毒病（COVID-19）是人类在2019年发现疾病的新菌株，从未在过去已经确定。冠状病毒是一个大家族的病毒，导致患者从普通感冒到先进的呼吸道症状，例如中东呼吸综合征（MERS-COV）和严重急性呼吸系统综合症（SARS-COV）的疾病。许多人目前受到影响，并正在世界各地的治疗造成全球大流行。仅在美国，1.6亿至2.14亿人可能被感染过COVID-19疫情的过程中（https://www.nytimes.com/2020/03/13/us/coronavirus-death-estimate.html）。一些国家已宣布全国进入紧急状态，并隔离了数百万人。这里是冠状病毒如何影响人的详细文章：https://www.nytimes.com/article/coronavirus-body-symptoms.html

检测诊断工具向医生提供有价值的第二意见，并协助他们进行筛查。这种机制也有助于迅速向医生提供结果。在这篇博客中，我们应用了一种基于深度学习（DL）的技术，利用MATLAB在胸片上检测COVID-19。

该COVID-19数据集在这个博客使用的是由策划约瑟夫·科恩博士，蒙特利尔大学博士后研究员。多亏了文章通过阿德里安Rosebrock博士为使这一胸片数据集可达世界各地的研究人员和呈现使用DL前期工作。请注意，我们只利用X射线图像。您应该能够从文章直接下载图像。从网站上下载的ZIP文件，并将其解压到一个名为“Covid 19”文件夹后，我们每班一个子文件夹中的“数据集”。标签“Covid”表示COVID-19的在患者中的存在和“正常”否则。因为，我们有两个班的平均分布（25个图像），这里没有阶级的不平衡问题。

加载数据集

首先，使用imageDatastore。这是一个计算效率高的函数加载图像及其标签进行分析。

%明显工作区清晰;关闭所有;clc;%图像数据路径-请相应地修改您的路径数据通路=“数据集”;％的图像数据存储区imd = imageDatastore (datapath公司,……“IncludeSubfolders”,真的,…“LabelSource”、“foldernames”);％确定分头总分割=每个标签（imds）

形象化图像

让我们可视化这些图像，看看每个类的图像是如何不同的。它还将帮助我们确定可用于区分这两个类的分类技术的类型。根据图像，我们可以识别预处理技术，这将有助于我们的分类过程。我们还可以根据类内的相似性和类间的差异来确定可以用于研究的CNN架构的类型。

%图像数num_images =长度(imds.Labels);％可视化随机图像烫发= randperm（NUM_IMAGES，6）;图;对于IDX = 1：长度（烫发）副区（2,3，IDX）;imshow（imread（imds.Files {烫发（IDX）}））;标题（sprintf的（ '％s' 的，imds.Labels（烫发（IDX））））端

为了简化DL体系结构的分类过程，我们应用了简单的预处理技术，并在本文的最后提供了该函数。

K-折叠验证

正如你已经知道，有一组有限的数据集提供的图像，我们分裂成集10倍进行分析，即10种不同的算法，将使用不同的一组从数据集图像的培训。这种类型的验证研究将为我们提供我们的表现更好的估计相比，典型的保持退出验证方法。

我们在这个博客中采用了ResNet-50架构，因为它已经被证明对各种医学成像应用非常有效[1,2]。

折叠次数num_folds = 10;对于每个折叠％循环对于fold_idx = 1：num_folds fprintf中（ '处理中的％d褶皱\ n％d'，fold_idx，num_folds）;％测试指数当前倍test_idx = fold_idx：num_folds：NUM_IMAGES;%当前折叠的测试用例imdsTest =子集（IMDS，test_idx）;％列车指数当前倍train_idx=setdiff（1：长度（imds.Files），test_idx）；为当前折叠训练箱子train_idx imdsTrain =子集(imd);%ResNet架构净= resnet50;lgraph = layerGraph（净值）;清网;类别数量%numClasses=numel（类别（imdsTrain.Labels））；％新可学习层newLearnableLayer = fullyConnectedLayer（numClasses，... '名称'， 'new_fc'，... 'WeightLearnRateFactor'，10，... 'BiasLearnRateFactor'，10）;用新图层替换最后一层lgraph = replaceLayer (lgraph fc1000, newLearnableLayer);newsoftmaxLayer = softmaxLayer(“名字”,“new_softmax”);lgraph = replaceLayer (lgraph fc1000_softmax, newsoftmaxLayer);newClassLayer = classificationLayer(“名字”,“new_classoutput”);lgraph = replaceLayer (lgraph ClassificationLayer_fc1000, newClassLayer);％预处理技术imdsTrain.ReadFcn = @（文件名）preprocess_Xray（文件名）;imdsTest.ReadFcn = @（文件名）preprocess_Xray（文件名）;％培训选项，我们选择了一个迷你小批量由于有限的图像选择= trainingOptions(“亚当”,…‘MiniBatchSize MaxEpochs, 30日,8日……“洗牌”、“every-epoch’,……“InitialLearnRate”, 1的军医,…“详细”,假的,…“阴谋”,“训练进步”);%数据增强增强因子= imageDataAugmenter（... 'RandRotation'，[ -  5 5]， 'RandXReflection'，1，... 'RandYReflection'，1 'RandXShear'，[ -  0.05 0.05]， 'RandYShear'，[ -  0.05 0.05]）;为ResNet架构调整所有训练映像的大小到[224 224]auimds = augmentedImageDatastore([224]，imdsTrain，' dataaug沉着'，augmenter);%的培训netTransfer = trainNetwork (auimds、lgraph选项);为ResNet架构调整所有测试图像的大小到[224 224]augtestimds = augmentedImageDatastore([224]，imdsTest);%每个病例的测试及其相应的标签和后验[predicted_labels test_idx)、后(test_idx:)) = (netTransfer augtestimds)进行分类;保存为每个折叠获得的独立ResNet架构保存（sprintf（'ResNet50_%d_folds'，fold_idx，num_folds'，'netTransfer'，'test_idx'，'train_idx'）；％澄清不必要的变数clearvars -除了fold_idx num_folds num_images predicted_label后imds netTransfer;结束

绩效研究

让我们来衡量我们的算法的性能在混淆矩阵的条款 - 该指标也给出了性能的一个好主意，在精确度和召回条款。我们认为，整体精度是一个很好的指标，因为在这项研究中使用的测试数据集是均匀分布的（属于每个类别的图像而言）。

混淆矩阵

%实际标签actual_labels = imds.Labels;%混淆矩阵figure；plotconfusion（实际标签，预测标签）title（'混淆矩阵：ResNet'）；

ROC曲线

ROC会根据假阳性和检出率协助医生选择手术部位。

test_labels =双（标称（imds.Labels））;%ROC曲线-我们的目标类是这个场景中的第一类[fp_rate tp_rate T, AUC] = perfcurve (test_labels后(:1)1);图;情节(fp_rate tp_rate, ' b - ');网格;包含(“假阳性率”);ylabel(检出率);

ROC曲线值之下％面积拍卖

类活动映射

我们想象这些网络使用不同的代码COVID-19情况下，类激活映射（CAM）的结果：//www.tianjin-qmedu.com/help/deeplearning/examples/investige-network-predictions-using-class-activation-mapping.html. 这将有助于为医生提供算法决策背后的见解。

以下是各种情况下的结果：

对其他公共数据集的测试

为了进一步研究和分析该算法的性能，我们确定了在没有任何COVID-19标签的情况下，其他公共数据集的COVID-19的概率。我们利用文献[2]中放射科医生标记为正常、细菌性肺炎或病毒性肺炎的病例。如上所述，每个网络都在COVID-19数据集的不同图像集上进行训练。任何covid后验值大于0.5的图像都被认为是假阳性（FP）。结果表明，该算法具有较高的特异性和敏感性。在单核GPU上，每个测试用例花费的时间接近13毫秒。

结论

在这个博客中，我们提出了一个简单的基于深度学习的COVID-19 CAD分类方法。使用ResNet的分类算法性能较好，总体精度和AUC较高。转移学习方法的性能明确重申了基于CNN的分类模型在特征提取方面的优越性。利用新的标记图像集可以很容易地对算法进行再训练，进一步提高算法的性能。将这些结果与其他现有的体系结构相结合，将在AUC和整体精度方面提供性能上的提升。从计算(内存和时间)和性能两方面对这些算法进行全面的研究，可以为主题专家提供基于他们选择的算法。CAD将对医生进行COVID-19筛选有很大帮助，并将有助于提供宝贵的第二意见。

参考文献

[1] Narayanan, B. N.， De Silva, M. S.， Hardie, R. C.， Kueterman, N. K.， & Ali, R.(2019)。“理解医学成像应用的深度神经网络预测”。arXiv预印本arXiv: 1912.09621。

[2] Narayanan，B.N.，Davuluru，V.S.P.和Hardie，R.C.（2020年3月）。”两阶段深度学习架构在肺部检查和胸片诊断中的应用”。《医疗成像2020：医疗、研究和应用的成像信息学》（第11318卷，第113180G页）。国际光学和光子学学会。

预处理功能

函数Iout = preprocess_Xray(文件名)％该功能通过将其转化成预处理给定的X射线图像%灰度（如果需要）和随后转换为3通道图像以适应%现有的深度学习架构％作者:Barath Narayanan％日期：2020年3月17日%读取文件名I=imread（文件名）；有些图像可能是RGB，转换成灰度如果〜ismatrix（I）I = rgb2gray（I）;结束%复制图像3次以创建RGB图像Iout =猫(3,我,我,我);结束

关于这篇文章，你有什么问题要问Barath吗?请在下方留言