目录
介绍
迁移学习
剩余学习：ResNet50
下一步
- 下载源 - 300.4 KB
在本系列文章中，我们将应用深度学习网络ResNet50来诊断胸部X射线图像中的Covid-19。我们将使用Python的TensorFlow库在Jupyter Notebook上训练神经网络。
此项目所需的工具和库是：
IDE：
- Jupyter Notebook
库：
- TensorFlow 2.0
- Keras
- NumPy
- Matplotlib
- CV2
我们假设您熟悉使用Python和Jupyter notebook进行深度学习。如果您不熟悉Python，请从本教程开始。如果您还不熟悉Jupyter，请从这里开始。
介绍COVID-19对我们的生活产生了巨大影响。它于2020年3月11日被世界卫生组织（WHO）宣布为大流行病，并迅速在世界范围内传播。感染的快速诊断对于治疗患者和限制病毒传播至关重要。最常见的实验室检测方法是实时逆转录聚合酶链反应 (PCR)。然而，这种技术不够有效：它很耗时，而且通常灵敏度很低。
幸运的是，深度学习为在胸部X光片中诊断Covid-19并将其与其他细菌和病毒性疾病区分开来提供了一种有效的补充方法。几项同行评审的研究表明，如果对足够多的图像进行训练，深度学习可以检测胸部的Covid-19感染。这些研究主要使用基于迁移学习的网络来微调预训练模型以执行新任务：Covid-19检测。
在本项目中，我们将向您展示如何应用迁移学习来重新训练深度学习网络，以将胸部X射线图像分类为Covid-19或非Covid-19。到本系列结束时，我们将拥有一个神经网络，可以以超过95%的准确率诊断COVID-19。它甚至可以显示胸部X光片中导致疑似COVID-19诊断的区域的热图：
深度学习(DL)是人工智能(AI)的一个子集，它涉及具有多个隐藏层（多层）的DL网络架构。DL网络分层学习，这意味着可以通过网络的各个层从低到高的不同级别学习特征。
许多DL网络都使用名为ImageNet的庞大数据集进行训练，这赋予了它们非常强大的特征提取能力。因此，使用这些网络的学习权重和过滤器比从头构建网络更有效，因为这可能需要大量图像和很长时间才能获得类似的特征提取能力。
通过冻结其学习的权重并用新的层（取决于新分配的分类任务）替换其完全连接的层来微调预训练模型以执行额外的分类任务的方法称为“迁移学习”。
在这个项目中，我们将使用ResNet50——一个非常深的网络——我们希望它在对Covid-19和非Covid-19胸部X射线进行分类时表现良好。
残差学习：ResNet50近年来，深度学习网络，尤其是卷积神经网络 (CNN) 已被应用于各个领域，以解决性能令人印象深刻的问题。CNN 在工作原理、内部结构和层数方面经历了重大更新。AlexNet于2012 年首次提出，具有8层，随后是2014年提出的18层VGG，以及2015年提出的更深的22层结构的GoogleNet，并添加了一个初始块。
这些网络确实变得非常深，就像 GoogleNet。但是这种额外的深度产生了一些问题。注意到“非常深”的DL使网络训练期间的优化变得困难。这会影响网络的泛化性能——这意味着网络在其训练数据集上表现非常好，但不能很好地泛化处理在训练期间没有看到的数据。
为了克服这个问题，2016年提出了残差学习来训练非常深的DL网络。残差学习或残差网络 (ResNets) 可以在某些层上“跳过”（又名残差）连接（而不是堆叠层上的连续连接，例如在像 AlexNet 这样的普通 DL 网络中）。
图 1：跳过连接方法
在使用反向传播训练DL网络期间，计算误差梯度并将其传播到浅层。在更深的层中，这个错误会变得更小，直到它最终消失。这是非常深的网络中的梯度消失问题，可以通过He et al., (2016)提出的残差学习来解决，如图 1 和图 2 所示。
图 2：He 等人 (2016) 提出的原始残差单元。
下一步在接下来的文章中，我们将讨论材料和方法为这个项目。敬请关注！
https://www.codeproject.com/Articles/5294459/COVID-19-Diagnosis-with-Deep-Learning
