VisionPro深度学习识别肺部x光片中的Covid-19图像

最近成功应用了康耐视VisionPro^®用于识别肺部x光片中的COVID-19图像的深度学习软件，击败了世界各地生命科学研究小组开发的其他几个深度学习模型，由领先的人工智能杂志《人工智能》进行了同行评审并发表了文章。SN计算机科学，一个Spring出版物。“利用深度学习识别胸部x光片中的COVID-19图像:比较Cognex VisionPro深度学习1.0软件与开源卷积神经网络”¹在经过几个月的科学同行评议后，于2021年3月发表。

这篇论文是在滑铁卢大学(University of Waterloo)提供的公开胸部x光数据集上开发的。作为康耐克斯资助的实验的一部分，康耐克斯生命科学团队进行了申请VisionPro深度学习1.0软件解决了通过分析COVID-19阳性胸片与健康患者或非COVID-19肺炎患者的胸片来识别COVID-19图像的问题。在后续论文中，研究小组比较了在CT扫描中应用VisionPro深度学习软件识别COVID-19图像的效果。本文还探讨了如何更快更容易地编写软件，再次取得了显著的积极结果。

x光、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，深度学习软件的编程方式类似于儿童的学习方式，而不是通过复杂的数学，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，从而减轻临床医生的工作量。

一个障碍可能是，最流行的开源深度学习工具可能需要大量的编程专业知识才能使用。指望医生、放射科医生和其他临床医生等卫生保健工作者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)专家开始着手克服这一障碍，他们提出了一个基本假设: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品，取代世界顶级的开源深度学习工具，一种与它们的性能相当的工具?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、Inception和COVID-NET是由ai创建的CNN，由滑铁卢大学开发，专门用于检测胸部x光片中的COVID-19。

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深度学习脱颖而出，高高在上

Cognex的研究基于加拿大安大略省滑铁卢大学研究人员的发现，题为“COVID-Net:用于从胸部x线图像检测COVID-19病例的定制深度卷积神经网络设计在名为COVID-X的数据集中使用了近1.4万张胸部x光片。合著者琳达·王(Linda Wang)和亚历山大·王(Alexander Wong)使用人工智能构建了COVID-Net，这是一个复杂的神经网络，可以分析x射线，并学会识别有COVID-19迹象的肺部。

一个rel="noopener noreferrer"测量称为f值评估深度学习系统的整体准确性，该系统试图准确预测数字图像上的模式和异常。本质上，f分数是由深度学习系统生成的正确与错误预测的比率。

康耐视研究人员对他们的深度学习工具进行了训练，学习了COVID-X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。如该表所示，多个深度学习包的比较显示，COVID-Net产生了很强的预测结果，F-Scores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的表现甚至更好，在正常x光片上的F-Scores为95.6%，在COVID-19 x光片上的F-Scores为97.0%。

研究2:VisionPro深度学习通过CT扫描扩大领先优势

同一研究小组最近在康耐视公司(Cognex)发表的一篇论文将目光从胸部x光透视扩展到了胸部CT扫描。虽然许多研究已经证明，利用CT扫描和x射线的深度学习成功检测COVID-19图像，但大多数深度学习架构需要大量的编程，因为它们没有提供图形用户界面(GUI)来训练系统。对于缺乏深度学习或编程知识的放射科医生来说，使用这些程序可能很困难，更不用说培训他们了。