猴痘与非猴痘(水痘、麻疹)的二元分类数据集
背景介绍:
猴痘介绍
“猴痘”是由猴痘病毒引起的一种罕见的传染性疾病。之所以叫“猴痘”,是因为最先从猴子身上发现了这种病毒。“猴痘”的名字虽然有“猴”字,但其真正来源并非猴,而是啮齿类动物。 [26]
猴痘病毒于1958年首次发现,人类感染猴痘的首个病例是1970年刚果的一名9个月男婴,此后大多数猴痘病例发生在刚果、中非和西非,并且逐渐增多。 [22] 自1970年以来,11个非洲国家报告了人类猴痘病例。1996-1997年,刚果民主共和国的一次暴发中病死率较低,但发病率高于往常,主要是由于水痘和猴痘同时爆发。2017年以来,尼日利亚爆发了较大规模猴痘疫情,共报告疑似病例500余例,确诊病例200余例,病死率约3%,目前仍不断有新增。2003年,首次非洲外的猴痘疫情爆发于美国,主要与进口自加纳的宠物土拨鼠受到感染有关,该次疫情共造成70多例猴痘病例。2018年至2022年,发生过多例从尼日利亚到其他国家的游客感染猴痘的病例,涉及以色列、英国、新加坡、美国等。
2022年6月,为避免污名化与歧视,世界卫生组织(WHO)在考虑为“猴痘”重新命名,希望各界今后不再使用“猴痘”(Monkeypox)一词。新命名目前尚未确定,但有媒体推测其将类似于“Covid-19”(新冠肺炎病毒),尽可能实现客观化与中立化。
2022年6月14日,世卫组织总干事谭德塞表示,猴痘的全球暴发显然极不寻常和令人担忧。因此,他决定根据《国际卫生条例》召集突发事件委员会,评估此次疫情是否构成“国际关注的突发公共卫生事件”。 6月14日当天,世卫组织还发布了针对猴痘疫苗接种的新指南, 但在这份指南中, 世卫组织仍然不建议目前大规模接种天花疫苗,并表示其正在就使用天花疫苗作为预防猴痘传播的一种方法进行辩论。
2022年8月12日,世界卫生组织宣布对猴痘病毒分支重新命名,新名称将由罗马数字和小写英文字母组成。
病毒特点编辑 播报
猴痘是一种病毒性人畜共患病,由猴痘病毒引起,能够在动物和人类之间传播,在人类之间也可以进行二次传播。其动物宿主包括一系列啮齿动物,如松鼠、冈比亚袋鼠、睡鼠和非人类灵长类动物。
猴痘病毒是一种包膜双链DNA病毒,呈长方形,可在非洲绿猴肾细胞中培养生长,导致细胞病变,属痘病毒科的正痘病毒属,抵抗乙醚,对干燥有较强抵抗力,但易被氯仿、甲醇和福尔马林灭活。56°C加热30分钟,也易使其灭活。
猴痘病毒共有两个不同的遗传进化分支——中非分支和西非分支。其中,西非分支病死率约为3.6%;中非分支历史上引起的疾病更严重,病死率约为10.6%,并被认为更具传染性。自1980年消灭天花以及随后人类停止接种天花疫苗,猴痘已成为公共卫生中最重要的正痘病毒。 [10]
病毒致病性编辑 播报
猴痘导致的症状与天花患者的症状非常相似,但没有天花严重。猴痘的潜伏期通常为6-13天,也可能为5-21天。
猴痘病毒感染主要分为两个时期:
1、侵袭期(持续0-5天),主要症状为发热、剧烈头痛、淋巴结肿大、背痛、肌肉酸痛和虚弱;
2、皮肤发疹期,通常在发烧后1-3天内开始出现皮疹,集中于面部和四肢。影响面部(95%)、手掌和脚底(75%)、口腔粘膜(70%)、生殖器(30%)和结膜(20%)。皮疹从斑块依次演变为丘疹、水疱、脓疱、结痂后脱落。发生病变的位置从几个到几千个不等,严重时病变位置会合并导致大块皮肤脱落。这些皮疹通常非常疼痛。出现皮疹时,患者具有传染性。
猴痘是一种自限性疾病,意味着无需治疗,患者会自己痊愈。然而,根据病毒的暴露程度,患者的健康状况和并发症的严重程度,严重患者也可能死亡。目前主要流行的两种猴痘病毒中,西非分支病死率约为3.6%;中非分支历史上引起的疾病更严重,病死率约为10.6%。近日在欧洲发现的猴痘患者的病毒为西非病毒株。症状持续2-4周。重症病例在儿童中更常见,疾病严重程度与病毒暴露程度、患者健康状况和并发症性质有关。基于毒株的差异,在普通人群中病死率为0%至11%。
病因编辑 播报
猴痘病毒与天花病毒同属正痘病毒属,猴痘病毒呈长方形,可在非洲绿猴肾细胞中培养生长,导致细胞病变。人类感染猴痘,主要通过被已感染的动物咬伤,或直接接触被感染动物的血液、体液、猴痘病损而受染;通常由动物传给人,偶也可以发生人到人的猴痘传播。一般认为是在直接的、长时间面对面的接触中,通过含毒的大量呼吸飞沫而传播。另外,猴痘还可以通过直接接触感染者的体液或病毒污染的物品(如衣服和被褥)而传播。不过,猴痘的传染性远远小于天花,故人间传播并不常见。
据俄罗斯卫星通讯社2022年6月24日消息,世卫组织总干事谭德塞称,在不久前受影响的国家中,猴痘病例主要发生在有过同性恋接触的男性中。但他指出,从被感染者到任何其他人的传染还继续存在,而且可能被低估了。对此,世卫组织总干事呼吁研究猴痘在尼日利亚的传播机制,该国被感染女性的比例远高于其他国家。
深度学习是一类模式分析方法的统称,就具体研究内容而言,主要涉及三类方法:
(1)基于卷积运算的神经网络系统,即卷积神经网络(CNN)。
(2)基于多层神经元的自编码神经网络,包括自编码( Auto encoder)以及近年来受到广泛关注的稀疏编码两类( Sparse Coding)。
(3)以多层自编码神经网络的方式进行预训练,进而结合鉴别信息进一步优化神经网络权值的深度置信网络(DBN)。
通过多层处理,逐渐将初始的“低层”特征表示转化为“高层”特征表示后,用“简单模型”即可完成复杂的分类等学习任务。由此可将深度学习理解为进行“特征学习”(feature learning)或“表示学习”(representation learning)。
以往在机器学习用于现实任务时,描述样本的特征通常需由人类专家来设计,这成为“特征工程”(feature engineering)。众所周知,特征的好坏对泛化性能有至关重要的影响,人类专家设计出好特征也并非易事;特征学习(表征学习)则通过机器学习技术自身来产生好特征,这使机器学习向“全自动数据分析”又前进了一步。
近年来,研究人员也逐渐将这几类方法结合起来,如对原本是以有监督学习为基础的卷积神经网络结合自编码神经网络进行无监督的预训练,进而利用鉴别信息微调网络参数形成的卷积深度置信网络。与传统的学习方法相比,深度学习方法预设了更多的模型参数,因此模型训练难度更大,根据统计学习的一般规律知道,模型参数越多,需要参与训练的数据量也越大。
20世纪八九十年代由于计算机计算能力有限和相关技术的限制,可用于分析的数据量太小,深度学习在模式分析中并没有表现出优异的识别性能。自从2006年, Hinton等提出快速计算受限玻耳兹曼机(RBM)网络权值及偏差的CD-K算法以后,RBM就成了增加神经网络深度的有力工具,导致后面使用广泛的DBN(由 Hinton等开发并已被微软等公司用于语音识别中)等深度网络的出现。与此同时,稀疏编码等由于能自动从数据中提取特征也被应用于深度学习中。基于局部数据区域的卷积神经网络方法今年来也被大量研究。
深度学习介绍
深度学习是机器学习的一种,而机器学习是实现人工智能的必经路径。深度学习的概念源于人工神经网络的研究,含多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本等。
含多个隐层的深度学习模型
从一个输入中产生一个输出所涉及的计算可以通过一个流向图(flow graph)来表示:流向图是一种能够表示计算的图,在这种图中每一个节点表示一个基本的计算以及一个计算的值,计算的结果被应用到这个节点的子节点的值。考虑这样一个计算集合,它可以被允许在每一个节点和可能的图结构中,并定义了一个函数族。输入节点没有父节点,输出节点没有子节点。
这种流向图的一个特别属性是深度(depth):从一个输入到一个输出的最长路径的长度。
传统的前馈神经网络能够被看作拥有等于层数的深度(比如对于输出层为隐层数加1)。SVMs有深度2(一个对应于核输出或者特征空间,另一个对应于所产生输出的线性混合)。
人工智能研究的方向之一,是以所谓 “专家系统” 为代表的,用大量 “如果-就”(If - Then)规则定义的,自上而下的思路。人工神经网络(Artificial Neural Network),标志着另外一种自下而上的思路。神经网络没有一个严格的正式定义。它的基本特点,是试图模仿大脑的神经元之间传递,处理信息的模式。
区别于传统的浅层学习,深度学习的不同在于:
(1)强调了模型结构的深度,通常有5层、6层,甚至10多层的隐层节点;
(2)明确了特征学习的重要性。也就是说,通过逐层特征变换,将样本在原空间的特征表示变换到一个新特征空间,从而使分类或预测更容易。与人工规则构造特征的方法相比,利用大数据来学习特征,更能够刻画数据丰富的内在信息。
通过设计建立适量的神经元计算节点和多层运算层次结构,选择合适的输入层和输出层,通过网络的学习和调优,建立起从输入到输出的函数关系,虽然不能100%找到输入与输出的函数关系,但是可以尽可能的逼近现实的关联关系。使用训练成功的网络模型,就可以实现我们对复杂事务处理的自动化要求。
计算机辅助猴痘识别从皮肤损伤图像可以是一个有益的措施。然而,到目前为止,还没有这样的数据集。因此,“猴痘皮肤病变数据集(MSLD)”是通过从不同的网络收集和处理图像而创建的。
“猴痘影像病灶数据集”的创建主要集中在区分猴痘病例与类似的非猴痘病例。因此,除了“猴痘”类,我们还将“水痘”和“麻疹”的皮损图像纳入另一个名为“其他”的类中,以进行二元分类,因为它们与猴痘疹和脓疱初始状态的相似。
数据集中有3个文件夹
1)原始图片:共有228张图片,其中102张属于“猴痘”类,其余126张代表“其他”类,即非猴痘(水痘和麻疹)病例。
2)增强图像:为了辅助分类任务,使用MATLAB R2020a应用了旋转、平移、反射、剪切、色相、饱和度、对比度和亮度抖动、噪声、缩放等多种数据增强方法。虽然这可以使用ImageGenerator/其他图像增强器轻松完成,但为了确保结果的可重复性,增强的图像都提供在这个文件夹中。增强后,图像数量增加了大约14倍。类“Monkeypox”和“Others”分别有1428和1764个图像。
3) Fold1:三叠交叉验证数据集之一。为了避免训练中的任何类型的偏差,进行了三次交叉验证。原始图像被分成训练集、验证集和测试集,比例大约为70:10:20,同时保持患者的独立性。根据通常感知的数据准备实践,只有训练和验证图像被增强,而测试集只包含原始图像。用户可以选择直接使用折叠,也可以选择使用原始数据并使用其他算法来增强它。
数据集文件夹
数据集部分图像
![在这里插入图片描述](https://img-blog.csdnimg.cn/e327896f35c549b68d839825c2274c32.png
数据下载地址:
https://download.csdn.net/download/weixin_44906759/86821164