VisionPro深度学习帮助放射科医生识别Covid-19或肺炎的图像
世界卫生组织的新型冠状病毒病 - 名为Covid-19 - 是由称为SARS-COV-2（严重急性呼吸综合征Coronavirus 2）的新冠状病毒级别引起的。这种单链RNA（核糖核酸）病毒会导致严重的呼吸道感染，可能导致住院和死亡。近5500万人被全世界感染了135万人死亡。
今天，科学家们正在努力研究治疗方法和疫苗，以保护普通大众不感染COVID-19。在他们的努力取得成效之前，最好的解决办法之一是在病毒出现的早期阶段发现病毒，然后通过隔离隔离被感染的人，防止疾病的传播。鼻咽拭子实时逆转录-聚合酶链反应检测可测量体内RNA水平，已被用于最准确的COVID-19诊断。然而，测试需要数小时来进行，并且积压可能导致更长的等待时间。诊断COVID-19的更好、更准确的方法是通过x射线和计算机断层扫描(CT)。
2020年夏天，一个医学研究团队提出了申请康耐视的VisionPro深度学习(DL)软件通过分析胸部X射线检测冠状病毒的问题，具有阳性结果。在续集纸中，该团队比较了应用VisionPro DL软件在CT扫描中识别Covid-19适应症的功效。本文还探讨了如何更快更轻松地编程软件，再次效果显着。
X射线，CT扫描和Covid-19
x光片等医学图像可以为医生和放射科医生提供视觉证据，证明COVID-19实验室检测是准确的。此外，深度学习的神经网络的训练方式类似于儿童通过实例学习的方式，它可以通过分析数千张医学图像并识别反驳或支持诊断的异常情况，减轻临床医生的工作量。
只有一条障碍：最受欢迎的开源深度学习工具难以使用，需要大量的编程专业知识。期待医生，放射科医师和其他临床医生等医疗工作者来掌握这些工具是不切实际的。
今年夏天，康耐克斯的一组人工智能(AI)专家带着一个基本假设着手克服这一障碍:康耐克斯的工业自动化软件能否提供一种易于使用的替代世界顶级开源深度学习工具的工具，一种与它们的性能相匹配的工具?这项名为“利用深度学习识别胸部x光片中的COVID-19图像”的研究:将Cognex VisionPro深度学习1.0软件与开源卷积神经网络进行比较，”将Cognex VisionPro DL计算机神经网络(CNN)与几个著名的开源CNN进行x射线评估，包括VGG19、ResNet、DenseNet和Inception。这篇论文由Arjun Sarkar、Joerg Vandenhirtz、Jozsef Nagy、David Bacsa和Mitchell Riley撰写，他们都在康奈克斯的生命科学团队工作。自通过同行评审以来，这篇论文引起了几家主要研究出版商的关注。
康耐克斯生命科学高级人工智能专家Vandenhirtz表示:“我们很惊讶地发现，该软件可以很容易地区分x射线显示的病理。”“人类几乎不可能找出不同病理的x光图像的差异。五位放射科医生可以对这些图像给出五种不同的意见。”
研究1：VisionPro DL脱颖而出，展示上面
康康克斯在加拿大安大略省滑铁卢大学研究人员的研究中，标题为“Covid-Net：量身定制的深度卷积神经网络设计，用于检测Covid-19胸X射线图像的19例．” Using nearly 14,000 chest X-rays in a data set called COVIDx. Co-authors Linda Wang and Alexander Wong used open-source DL packages to build COVID-Net, a sophisticated neural network that analyzed the X-rays and learned to identify lungs that had tell-tale signs of COVID-19.
一种被称为F-score的测量方法评估了深度学习系统的总体准确性，该系统试图准确预测数字图像上的模式和异常。本质上讲,f值为深度学习系统生成的正确预测的百分比。
康耐视的研究人员分析了covid - 19数据集中的近1.4万张x射线图像．图像分为三类:正常、非COVID-19肺炎和COVID-19肺炎。如该表对多个DL包的比较所示，COVID-Net生成了很强的预测结果，从正常图像的92.6%到COVID-19图像的94.7%不等。VisionPro深度学习1.0的表现更好，在正常x光片上的表现为95.6%，在COVID-19 x光片上的表现为97.0%。
研究2：VisionPro深入学习通过CT扫描扩大其领先优势
相同的研究团队开发的更新康复文件看起来超越胸部X射线到CT扫描。虽然许多研究已经证明了使用CT扫描和X射线的深度学习检测Covid-19的图像的成功，但大多数深度学习架构都需要广泛的编程，因为它们没有提供用于编程系统的图形用户界面（GUI）。缺乏知识的放射科学家难以深入学习或编程来使用这些计划，更不用说训练他们。
“采用深度学习软件的一个主要问题是，TensorFlow这样的标准包要求程序员在基于文本的终端界面中构建他们的模型，”Vandenhirtz继续说。相比之下，VisionPro深度学习有一个用户友好的GUI，不需要编程经验。如果你能学会Microsoft Office，那么你也能学会VisionPro DL。”Vandenhirtz补充说，该项目的首席研究员Arjun Sarkar在加入康耐克斯之前从未与VisionPro DL合作过。在两个月内，萨卡尔学会了这个项目，进行了研究，并写下了研究结果。传统的DL研究可能需要男性多年的时间来建立网络、开发模型和训练算法。VisionPro DL极大地缩短了这个时间框架。
由于有效性和易用性是后续调查的两个关键考虑因素，康耐视最新的调查着眼于VisionPro DL在识别正常COVID-19和非COVID-19肺炎方面的成功，以及需要多少培训才能获得高f分数。随后的论文《利用深度学习从胸部计算机断层扫描(CT)图像中检测COVID-19:将COGNEX VisionPro深度学习1.0软件与开源卷积神经网络进行比较，”使用了滑铁卢大学视觉和图像处理实验室Linda Wang团队的胸部CT图像数据集，其中包括10万多张经过专业标记的图像。除了CNN，我们还对Cognex的VisionPro深度学习与其他最先进的CNN进行了基准测试，包括滑铁卢大学的CNN架构COVID-Net-CT-A和COVID-Net-CT-B，以及谷歌的最新CNN架构Xception。
如下表所示，康达克斯的VisionPro深度学习1.0比所有三个类别（正常，非Covid-Pneumonia和Covid-19）的F-Scores> 99.4的所有其他CNN网络架构略好。该初步调查将原始的100,000图像CT扫描数据设定为两组：61,783图像的培训组和21,191个图像的“测试”组，在每个CNN训练后分析。
为了更深入地了解“训练”现有的x射线CNN评估正常、COVID-19和肺炎状况所需的图像数量，康耐视重新开始了训练，用26338张图像而不是6.1万多张图像训练康耐视CNN。如下表所示，比较了每个CNN的f分数。congnex的VisionPro深度学习在CNN的其他架构中占主导地位，所有三类图像(正常、COVID-19和肺炎)的F-Scores > 99.1，而所有其他CNN的F-Scores从80到90中期下降到较高，特别是在两个相关病理类:肺炎和COVID-19。
深度学习使放射科医师强大的诊断工具
虽然康耐视的前两项研究的结果仍需要其他医学研究人员的验证，但初步结果很有希望。此外，该软件还没有被批准用于医疗用途。
南亨希特茨表示，该公司的主要短期利息正在告诉全球医学界关于这种软件的能力。它还可以在眼科等地区证明是有用的，它依赖于眼睛内部机制的图片。
Vandenhirtz说，尽管深度学习算法具有所有的能力，但它们不能完全取代人类临床医生的智慧。但是，就像听诊器或血压袖带一样，它是帮助医疗专业人员在高水平上完成工作的有用工具。
“我们不相信，至少在短到中期期间，AI将能够进行诊断，”他得出结论。“VisionPro DL可以提出建议，但最终放射科医师必须决定图像意味着什么。”
