新冠肺炎還在肆虐，全世界人民在共同戰疫。與COVID-19作鬥爭的一個關鍵步驟是對受感染患者進行有效篩查，以便那些受感染的人能夠立即得到治療和護理，並被隔離以減輕病毒的傳播。標準的檢測是核酸PCR，但是耗時操作複雜。為此採用人工智能影像檢測是一種選擇。近期，滑鐵盧大學發佈了專門用於檢測肺片中新冠肺炎的COVID-NET，取得非常有希望的結果。
COVID-19大流行繼續對全球人口的健康和福祉產生破壞性影響。與COVID-19作鬥爭的一個關鍵步驟是對受感染患者進行有效的篩查，其中最關鍵的篩查方法之一是使用胸片進行放射成像。基於此，許多基於深度學習的人工智能(AI)系統被提出，結果顯示在使用胸片圖像檢測COVID-19感染患者的準確性方面很有希望。然而，這些開發的人工智能系統是封閉的，研究社區無法對其進行更深入的理解和擴展，也無法對公眾進行訪問和使用。因此引入COVID-Net，這是一種針對胸片圖像中COVID-19的檢測而設計的深度卷積神經網絡，它是開源的，並且對公眾開放。還描述了用於訓練COVID-Net的胸片數據集，將其稱為COVIDx，它由來自兩個開放訪問數據庫的2839例患者的5941張前後胸片圖像組成。此外，還研究COVID- net如何使用可解釋性方法進行預測，以獲得與COVID病例相關的關鍵因素的更深入的瞭解，從而幫助臨床醫生改進篩選。決不生產就緒的解決方案,希望開放獲取COVID-Net,隨著描述構建開源COVIDx數據集,將槓桿,建立由研究人員和公民數據科學家們還都加快發展的高度準確的實際深度學習解決方案檢測COVID-19病例和加速處理那些最需要的人。
概述
COVID-19大流行繼續對全球人口的健康和福祉產生破壞性影響，這是由嚴重急性呼吸系統綜合徵冠狀病毒2(SARS-CoV-2)感染個人造成的。與COVID-19作鬥爭的一個關鍵步驟是對受感染患者進行有效篩查，以便那些受感染的人能夠立即得到治療和護理，並被隔離以減輕病毒的傳播。檢測covid19病例的主要篩查方法是PCR (PCR) [PCR]檢測，可以檢測呼吸標本(通過鼻咽或口咽拭子等多種手段採集)中的SARS-CoV-2RNA。雖然PCR檢測是金標準，因為它是高度敏感的，但它是一個非常耗時、費力和複雜的手工過程，這是供不應求的。
另一種用於COVID-19篩查的篩查方法是影像學檢查，即由放射科醫師進行胸片成像(如x線或CT成像)並進行分析，以尋找與SARS-CoV-2病毒感染相關的視覺指標。在早期的研究中發現，患者在胸片圖像中表現出與COVID-19感染者特徵類似的異常[Ng, Huang]，有研究認為，影像學檢查可作為疫區COVID-19篩查的主要工具[Ai]。由於現代醫療系統中胸部放射成像系統的普及，使得放射成像檢查可以更快地進行，並具有更大的可用性，這使其成為PCR檢測的一個很好的補充(在某些情況下，甚至顯示出更高的敏感性[Fang])，但面臨的最大瓶頸之一是需要專業的放射科醫師來解釋放射成像圖像，因為視覺指標可能是微妙的。因此，計算機輔助診斷系統可以幫助放射科醫生更迅速和準確地解釋放射圖像，以檢測COVID-19病例是非常必要的。
由於需要更快速地解釋影像學圖像，一些基於深度學習的人工智能(AI)系統已經被提出，在通過影像學成像檢測COVID-19感染患者的準確性方面，結果顯示相當有希望[Goze, Xu]。然而，據作者所知，這些開發的人工智能系統是封閉來源的，研究社區無法在其基礎上對這些系統進行更深入的理解和擴展。此外，這些系統不能供公眾訪問和使用。因此，最近一直在努力推動開放獲取和開放源代碼的人工智能解決方案，用於放射性核磁驅動的COVID-19病例檢測，一個典型的努力是開放源代碼COVID胸部x射線數據集，一個由Cohen構建的數據集，包括COVID-19病例(以及SARS和MERS病例)和帶註釋的胸部x射線和CT圖像，因此，研究社區和公民數據科學家可以利用數據集來探索和構建用於COVID-19檢測的人工智能系統。
基於迫切需要開發解決方案以幫助抗擊COvID-19大流行，並受到研究社區開源和開放獲取努力的啟發，本研究引入COVID-Net，這是一種深度卷積神經網絡設計，專門用於從公開的、向公眾開放的胸片圖像中檢測COvID-19病例。還描述了用於訓練COVID-Net的數據集，將其稱為COVIDx，它由來自2839例患者的5941張前後胸片圖像組成，是由包含胸片圖像的兩個開放訪問數據庫(即科恩(Cohen)和卡格爾(kaggle))。此外，研究COVID- net如何使用可解釋性方法進行預測，以獲得與COVID病例相關的關鍵因素的更深入的瞭解，從而幫助臨床醫生改進篩選。
另一種用於COVID-19篩查的篩查方法是影像學檢查，即由放射科醫師進行胸片成像(如x線或CT成像)並進行分析，以尋找與SARS-CoV-2病毒感染相關的視覺指標。在早期的研究中發現，患者在胸片圖像中表現出與COVID-19感染者特徵類似的異常[Ng, Huang]，有研究認為，影像學檢查可作為疫區COVID-19篩查的主要工具[Ai]。由於現代醫療系統中胸部放射成像系統的普及，使得放射成像檢查可以更快地進行，並具有更大的可用性，這使其成為PCR檢測的一個很好的補充(在某些情況下，甚至顯示出更高的敏感性[Fang])，但面臨的最大瓶頸之一是需要專業的放射科醫師來解釋放射成像圖像，因為視覺指標可能是微妙的。因此，計算機輔助診斷系統可以幫助放射科醫生更迅速和準確地解釋放射圖像，以檢測COVID-19病例是非常必要的。
由於需要更快速地解釋影像學圖像，一些基於深度學習的人工智能(AI)系統已經被提出，在通過影像學成像檢測COVID-19感染患者的準確性方面，結果顯示相當有希望[Goze, Xu]。然而，據作者所知，這些開發的人工智能系統是封閉來源的，研究社區無法在其基礎上對這些系統進行更深入的理解和擴展。此外，這些系統不能供公眾訪問和使用。因此，最近一直在努力推動開放獲取和開放源代碼的人工智能解決方案，用於放射性核磁驅動的COVID-19病例檢測，一個典型的努力是開放源代碼COVID胸部x射線數據集，一個由Cohen構建的數據集，包括COVID-19病例(以及SARS和MERS病例)和帶註釋的胸部x射線和CT圖像，因此，研究社區和公民數據科學家可以利用數據集來探索和構建用於COVID-19檢測的人工智能系統。
基於迫切需要開發解決方案以幫助抗擊COvID-19大流行，並受到研究社區開源和開放獲取努力的啟發，本研究引入COVID-Net，這是一種深度卷積神經網絡設計，專門用於從公開的、向公眾開放的胸片圖像中檢測COvID-19病例。我們還描述了用於訓練COVID-Net的數據集，我們將其稱為COVIDx，它由來自2839例患者的5941張前後胸片圖像組成，是由包含胸片圖像的兩個開放訪問數據庫(即科恩(Cohen)和卡格爾(kaggle))。此外，我們研究COVID- net如何使用可解釋性方法進行預測，以獲得與COVID病例相關的關鍵因素的更深入的瞭解，從而幫助臨床醫生改進篩選。
另一種用於COVID-19篩查的篩查方法是影像學檢查，即由放射科醫師進行胸片成像(如x線或CT成像)並進行分析，以尋找與SARS-CoV-2病毒感染相關的視覺指標。在早期的研究中發現，患者在胸片圖像中表現出與COVID-19感染者特徵類似的異常[Ng, Huang]，有研究認為，影像學檢查可作為疫區COVID-19篩查的主要工具[Ai]。由於現代醫療系統中胸部放射成像系統的普及，使得放射成像檢查可以更快地進行，並具有更大的可用性，這使其成為PCR檢測的一個很好的補充(在某些情況下，甚至顯示出更高的敏感性[Fang])，但面臨的最大瓶頸之一是需要專業的放射科醫師來解釋放射成像圖像，因為視覺指標可能是微妙的。因此，計算機輔助診斷系統可以幫助放射科醫生更迅速和準確地解釋放射圖像，以檢測COVID-19病例是非常必要的。
由於需要更快速地解釋影像學圖像，一些基於深度學習的人工智能(AI)系統已經被提出，在通過影像學成像檢測COVID-19感染患者的準確性方面，結果顯示相當有希望[Goze, Xu]。然而，據作者所知，這些開發的人工智能系統是封閉來源的，研究社區無法在其基礎上對這些系統進行更深入的理解和擴展。此外，這些系統不能供公眾訪問和使用。因此，最近一直在努力推動開放獲取和開放源代碼的人工智能解決方案，用於放射性核磁驅動的COVID-19病例檢測，一個典型的努力是開放源代碼COVID胸部x射線數據集，一個由Cohen構建的數據集，包括COVID-19病例(以及SARS和MERS病例)和帶註釋的胸部x射線和CT圖像，因此，研究社區和公民數據科學家可以利用數據集來探索和構建用於COVID-19檢測的人工智能系統。
基於迫切需要開發解決方案以幫助抗擊COvID-19大流行，並受到研究社區開源和開放獲取努力的啟發，本研究引入COVID-Net，這是一種深度卷積神經網絡設計，專門用於從公開的、向公眾開放的胸片圖像中檢測COvID-19病例。我們還描述了用於訓練COVID-Net的數據集，我們將其稱為COVIDx，它由來自2839例患者的5941張前後胸片圖像組成，是由包含胸片圖像的兩個開放訪問數據庫(即科恩(Cohen)和卡格爾(kaggle))。此外，研究COVID- net如何使用可解釋性方法進行預測，以獲得與COVID病例相關的關鍵因素的更深入的瞭解，從而幫助臨床醫生改進篩選。
COVID-Net架構
網絡架構
COVID-Net網絡架構大量使用了一種輕量級的殘差投影-擴展-投影-擴展(PEPX)設計模式，它包括:
第一階段投影: 1×1個卷積，將輸入特徵投影到較低維度，
擴展: 1×1個卷積，將特徵展開到與輸入特徵不同的更高維度，
深度表示: 高效3×3深度卷積，學習空間特徵，最小化計算複雜度，同時保留表示能力，
第二階段投影: 1×1個卷積，將特徵投影回較低的維度
擴展: 1×1個卷積，最終將通道維數擴展到更高的維數，產生最終的特徵。
閱讀更多 加拿大立思辰留學 的文章
