新冠肺炎智能检测综述

新冠肺炎智能检测综述

在arXiv上搜到10篇智能检测新冠肺炎的论文，总结一下，做个参考。

1. Lung Infection Quantification of COVID-19 in CT Images with Deep Learning
图像：CT图像；249人训练，排除了显示大的运动伪影和肺癌史病人；300人测试。发病到扫的时间1-14天不等，中位数是4天。中国
方法：V-Net with the bottle-neck structure，VB-Net is much faster because the bottle-neck structure。
训练策略：采用human-in-the-loop (HITL) strategy。具体来说，训练数据被分成几个批次。首先，最小批的CT数据由放射科医生手工绘制。然后，将该批分割网络作为初始模型进行训练。将该初始模型应用于下一批感染区域的分割，由放射科医师手工修正分割网络提供的分割结果。然后将修正后的分割结果作为新的训练数据输入，增加训练数据集对模型进行更新。
结果：POI为91.6%±10.0%的；还分别计算了全肺、各肺叶和各支气管肺段的POIs，以测量covid19的严重程度和肺部感染的分布;此外，还提供了每个病例的3D渲染，以便更生动地了解肺内的COVID-19感染;总结了易感染区域
评价指标：POI（检测和手工标注的相似系数）。
优势：速度快，在没有深度学习辅助的情况下，一次CT扫描需要211.3±52.6分钟才能达到covid19感染区域的轮廓。在第一个深度学习模型的辅助下，36个带注释的CT扫描的轮廓时间显著下降到31.1±8.1分钟。如果有114个注释数据，则进一步下降到12.0±2.9分钟，如果有249个注释数据，则下降到4.7±1.1分钟；
局限：验证集收集在一个中心，不能代表其他地理位置；只针对于CONVID-19检测。
2. Rapid AI Development Cycle for the Coronavirus (COVID-19) Pandemic: Initial Results for Automated Detection & Patient Monitoring using Deep Learning CT Image Analysis

图像：CT图像；中国疾病感染地区的多个国际数据集；6150例。中美都有。
结果：中国控制和感染患者的数据集上0.996 AUC (95%CI: 0.989-1.00)。可能的工作点:98.2%的敏感性，92.2%的特异性。
方法：分两个方案，这两个相互补充：第一个用已有软件。第二个是设计了一个新网络，首先进行图像裁剪提取出感兴趣区域（ROI），然后我们使用Resnet-50 - 2D深卷积神经网络，该网络对来自ImageNet数据库[9]的100多万张图像进行了预训练，并使用了数据增强。
结果：结果绘制了彩色地图，红色代表最强的网络输出，蓝色代表最弱的网络输出，与肺炎弥漫性吻合。除了可视化之外，该系统还自动提取几个有趣的输出，包括每个切片的透明度定位(2D)，以及肺中透明度的3D容积表示。我们还提出了一个电晕评分，这是一个体积测量的不透明度负担。电晕分数是通过网络激活图的体积总和计算出来的。
优势：展现了2例患者的完整病例回顾

3. Coronavirus (COVID-19) Classification using CT Images by Machine Learning Methods

图像：CT图像；150张CT图像创建4个数据集，将这些数据集的样本标记为冠状病毒/非冠状病毒，这些数据集分别为16.32.48.64大小。中国。
难点：数据集是不同的CT机拍出的图片，不同的灰度等级代表的意思不一样。
方法：(纯机器学习)分两步，首先用SVM仅作分类，不定位，第二步提出了5种不同的特征提取方法，如灰度共生矩阵（GLCM）、局部方向图（LDP）、灰度游程矩阵（GLRLM）（11）、灰度大小区域矩阵（GLSZM），利用离散小波变换（DWT）提取特征，利用支持向量机对特征进行分类。在分类过程中，使用了2倍、5倍和10倍交叉验证方法。交叉验证后得到平均分类结果。
结果：subset1：采用10次交叉验证和GLSZM特征提取方法，在第2阶段得到了99.68%的最佳分类结果。Subset2：采用10次交叉验证和DWT特征提取方法，第2阶段的分类效果最好，达到99.37%。Subset3：采用10次交叉验证和DWT特征提取方法，第2阶段的分类效果最好，达到99.64%。Subset4：采用10次交叉验证和DWT特征提取方法，第2阶段分类效果最佳，达97.28%。最终发现最佳方案是CT图像被分成32x32大小的斑块。GLSZM方法提取面片特征，形成特征向量。在训练阶段，利用五种不同的支持向量机结构对其进行分类。通过支持向量机分类得到平均分类性能。（有图）

4. COVID-Net: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest Radiography Images

图像：X光图像；来自两个开放存取数据存储库的2839例患者的5941张后前胸片图像组成。合并了COVID胸部X射线数据集[1]，和2）Kaggle胸部X射线图像（penumonia）数据集[14]。命名为COVIDx
方法：COVID-Net，输入224224，输出77，在ImageNet dataset上预训练，再在COVIDx dataset上训练，模型makes heavy use of a lightweight residual projection-expansion-projection-extension (PEPX) design pattern,这种模式图2中展示了。做出以下四种预测之一：a）无感染（正常），b）细菌感染，c）非COVID病毒感染，和d）COVID-19病毒感染。
结果：从参数大小，准确率，敏感度等进行评价，较好。

5. COVIDX-Net A Framework of Deep Learning Classifiers to Diagnose COVID-19 in X-Ray Images

图像：50例胸部X光图像，其中25例确诊为COVID-19阳性，80%训练，20%测试；
方法：COVIDX-Net包括7种不同结构的深卷积神经网络模型，测试了这7种并分析了准确率
结果：VGG和DenseNet结果最好，F1评分对于正常和患病的分别是0.89和0.91，Inception效果最差，对于检测正常和患病的分别是0.67和0。

6. COVID-19ImageDataCollection

123张X光图像，构建了开源的数据集

7. Covid-19: Automatic detection from X-Ray images utilizing Transfer Learning with Convolutional Neural Networks

图像：1427张X射线图像的集合。其中包括224张Covid-19，700张确认为普通肺炎的图像和504张正常情况的图像。
方法：利用多个成熟模型做迁移学习，包含VGG，MobileNet, Inception, Xception， Inception ResNet v2.
结果：整体准确率最高的是VGG，为97.82%

8. Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using Quantitative Features from Chest CT Images

目的: 判断疾病的严重程度
图像：CT图像， 176例COVID-19患者(年龄45.3±16.5岁，男96例，女80例)，70%训练，30%测试
方法：训练了一个随机森林模型。轻度、普通、重度和危重，二分类，轻度和普通一类，重度和危重一类。
结果：三次交叉验证，随机森林模型显示了令人满意的结果，即真阳性率为0.933，真阴性率为0.745，准确率为0.875，

9. COVID-19 Screening on Chest X-ray Images Using Deep Learning based Anomaly Detection

图像：1531幅X线图像X-ray，其中100张COVID-19，1431其他。
方法：模型分三块，结合了分类和anomaly detection任务，a backbone network, a classification head, and an anomaly detection head。先用主干网提取特征然后分别送到 classification head和 anomaly detection head。主干网：在imagenet上预训练了18层残差结构的主干网，剩下两个有相似的结构，包含100个神经元的隐藏层和一个神经元的输出层，sigmoid激活函数以及二值交叉熵损失，分别用于分类和generates the scalar anomaly scores以及检 anomaly image。
结果：sensitivity of 96.00% specificity of 70.65%(when T
= 0.15)

10. Can AI help in screening Viral and COVID‐19 pneumonia?

图像：X-ray，每个类别有约2，500张图像，用于训练。
方法：评估AlexNet, ResNet18, DenseNet201和SqueezeNet这四个网络。
结果：用图像增强后SqueezeNet最好，准确率达到98.3%，不用图像增强DenseNet201最好，准确率96.7%和96.1%

Discussion
利用X-ray的认为它成本更低成像更快
经常用到的技术：图像增强
难点：其它肺炎被识别成新冠的可能性较高