圖像看起來不錯。預(yù)訓練CNN模型及其超參數(shù)的選擇要使用的預(yù)訓練模型是VGG16，與模型1訓練相同baseModel ＝ VGG16（weights＝＂imagenet＂， include＿top＝False， input＿tensor＝Input（shape＝（224， 224， 3）））接下來，我們必須定義用于訓練的超參數(shù)。我們與模型1的參數(shù)相同：INIT＿LR ＝ 0．0001         EPOCHS ＝ 20            BS ＝ 16                 NODES＿DENSE0 ＝ 128      DROPOUT ＝ 0．5          MAXPOOL＿SIZE ＝ （2， 2）  ROTATION＿DEG ＝ 15      SPLIT ＝ 0．2然后，構(gòu)建模型：headModel ＝ baseModel．outputheadModel ＝ AveragePooling2D（pool＿size＝MAXPOOL＿SIZE）（headModel）headModel ＝ Flatten（name＝＂flatten＂）（headModel）headModel ＝ Dense（NODES＿DENSE0， activation＝＂relu＂）（headModel）headModel ＝ Dropout（DROPOUT）（headModel）headModel ＝ Dense（2， activation＝＂softmax＂）（headModel）將headModel模型放在最后，成為用于訓練的真實模型。model ＝ Model（inputs＝baseModel．input， outputs＝headModel）在基礎(chǔ)模型的所有層上執(zhí)行的以下循環(huán)將“凍結(jié)”它們，以便在第一個訓練過程中不會更新它們。for layer in baseModel．layers：    layer．trainable ＝ False此時，模型已經(jīng)準備好接受訓練，但是我們應(yīng)該首先為模型準備數(shù)據(jù)（圖像）。數(shù)據(jù)預(yù)處理我們先創(chuàng)建一個包含存儲圖像的名稱（和路徑）列表，然后執(zhí)行與模型1相同的預(yù)處理：imagePaths ＝ list（paths．list＿images（dataset＿path））data ＝ ［］labels ＝ ［］for imagePath in imagePaths：    label ＝ imagePath．split（os．path．sep）［－2］    image ＝ cv2．imread（imagePath）    image ＝ cv2．cvtColor（image， cv2．COLOR＿BGR2RGB）    image ＝ cv2．resize（image， （224， 224））    data．a(chǎn)ppend（image）    labels．a(chǎn)ppend（label）data ＝ np．a(chǎn)rray（data） ／ 255．0labels ＝ np．a(chǎn)rray（labels）標簽使用one－h(huán)ot。lb ＝ LabelBinarizer（）labels ＝ lb．fit＿transform（labels）labels ＝ to＿categorical（labels）此時，我們將把訓練數(shù)據(jù)集分為訓練和測試（80％用于訓練，20％用于測試）：（trainX， testX， trainY， testY） ＝ train＿test＿split（data，                                                  labels，                                                  test＿size＝SPLIT，                                                  stratify＝labels，                                                  random＿state＝42）最后，我們將應(yīng)用數(shù)據(jù)增強技術(shù)。trainAug ＝ ImageDataGenerator（rotation＿range＝ROTATION＿DEG， fill＿mode＝＂nearest＂）我們已經(jīng)定義了模型和數(shù)據(jù)，并準備好進行編譯和訓練。模式2的編譯和訓練編譯：opt ＝ Adam（lr＝INIT＿LR， decay＝INIT＿LR ／ EPOCHS）model．compile（loss＝＂binary＿crossentropy＂， optimizer＝opt， metrics＝［＂accuracy＂］）訓練：H ＝ model．fit（    trainAug．flow（trainX， trainY， batch＿size＝BS），    steps＿per＿epoch＝len（trainX） ／／ BS，    validation＿data＝（testX， testY），    validation＿steps＝len（testX） ／／ BS，    epochs＝EPOCHS）使用20個階段和初始參數(shù)，結(jié)果看起來非常有趣，驗證數(shù)據(jù)的精度達到100％！讓我們繪制精度圖表，評估訓練的模型，并查看混淆矩陣：

precision    recall  f1－score   support       covid       0．96      1．00      0．98        27      pneumo       1．00      0．96      0．98        27    accuracy                           0．98        54   macro avg       0．98      0．98      0．98        54weighted avg       0．98      0．98      0．98        54混淆矩陣［［27  0］ ［ 1 26］］acc： 0．9815sensitivity： 1．0000specificity： 0．9630通過訓練模型（初始選擇超參數(shù)），我們得到：100％敏感度，也就是說，對于COVID－19陽性（即真正例）的患者，我們可以在100％的概率范圍內(nèi)準確地確定他們?yōu)椤癈OVID－19陽性”。96％特異性，也就是說，在沒有COVID－19（即真反例）的患者中，我們可以在96％的概率范圍內(nèi)準確地將其識別為“COVID－19陰性”。結(jié)果完全令人滿意，因為只有4％的患者沒有Covid會被誤診，但與本例一樣，肺炎患者和Covid－19患者之間的正確分類是最有益處的，因此我們至少應(yīng)該對超參數(shù)進行一些調(diào)整，再次進行訓練。第一件事，我試圖降低最初的lr一點點，然而效果并不好，所以我恢復(fù)了原值。我還減少了數(shù)據(jù)的分割，稍微增加了Covid圖像，并將最大旋轉(zhuǎn)角度更改為10度，這是在與原始數(shù)據(jù)集相關(guān)的論文中建議的：INIT＿LR ＝ 0．0001         EPOCHS ＝ 20            BS ＝ 16                 NODES＿DENSE0 ＝ 128      DROPOUT ＝ 0．5          MAXPOOL＿SIZE ＝ （2， 2）  ROTATION＿DEG ＝ 10      SPLIT ＝ 0．1因此，我們有：

precision    recall  f1－score   support       covid       1．00      1．00      1．00        13      pneumo       1．00      1．00      1．00        14    accuracy                           1．00        27   macro avg       1．00      1．00      1．00        27weighted avg       1．00      1．00      1．00        27以及混淆矩陣：［［13  0］ ［ 0 14］］acc： 1．0000sensitivity： 1．0000specificity： 1．0000結(jié)果看起來更好，但我們使用了很少的測試數(shù)據(jù)！讓我們保存模型，并像以前一樣用大量圖像對其進行測試。model．save（＂．．／model／covid＿pneumo＿model．h5＂）我們對390張標記為非Covid－19引起的肺炎的圖像應(yīng)用批測試功能，我們發(fā)現(xiàn)總共390張圖片中只有3張出現(xiàn)假陽性（約0．8％），此外預(yù)測精度值的平均值為0．04，并且非常集中于接近于零的值（中值僅為0．02）。總的結(jié)果甚至比以前的模型所觀察到的還要好，有趣的是，幾乎所有的結(jié)果都在前3個四分位之內(nèi)，只有很少的異常值有超過20％的誤差。

在這種情況下，研究產(chǎn)生假陽性的圖像（僅3幅）也是很有意義的。用正常（健康）患者的圖像進行測試由于輸入數(shù)據(jù)集也有正�；颊撸ㄎ唇�(jīng)訓練）的X光圖像，讓我們應(yīng)用模型2（Covid／普通肺炎）看看結(jié)果如何

在這種情況下，結(jié)果并沒有模型1測試中看到的那么糟糕，在234幅圖像中，有45幅出現(xiàn)了假陽性（19％）。好吧，理想情況是對每種情況使用正確的模型，但是如果只使用一種，那么模型2是正確的選擇。注：在最后一次測試中，我做了一個基準測試，我嘗試改變增強參數(shù)，正如Chowdhury等人所建議的，令我驚訝的是，結(jié)果并不好。第4部分－Web應(yīng)用程序測試Python獨立腳本對于web應(yīng)用的開發(fā)，我們使用Flask，這是一個用Python編寫的web微框架，它被歸類為微框架，因為它不需要特定的工具或庫來運行。此外，我們只需要幾個庫和與單獨測試圖像相關(guān)的函數(shù)來完成，所以讓我們首先在一個干凈的Notebook上工作，在那里使用已經(jīng)訓練和保存的模型2執(zhí)行測試。從我的GitHub加載：https：／／github．com／Mjrovai／covid19Xray／blob／master／10＿X－Ray＿Covid＿development／notebooks／30＿AI＿Xray＿Covid19＿Pneumo＿Detection＿Application．ipynb現(xiàn)在只導入測試前一個Notebook中創(chuàng)建的模型所需的庫。import numpy as npimport cv2from tensorflow．keras．models import load＿model然后執(zhí)行加載和測試圖像的函數(shù)：def test＿rx＿image＿for＿Covid19＿2（model， imagePath）：    img ＝ cv2．imread（imagePath）    img＿out ＝ img    img ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2RGB）    img ＝ cv2．resize（img， （224， 224））    img ＝ np．expand＿dims（img， axis＝0）    img ＝ np．a(chǎn)rray（img） ／ 255．0    pred ＝ model．predict（img）    pred＿neg ＝ round（pred［0］［1］＊100）    pred＿pos ＝ round（pred［0］［0］＊100）
   if np．a(chǎn)rgmax（pred， axis＝1）［0］ ＝＝ 1：        prediction ＝ ＇NEGATIVE＇        prob ＝ pred＿neg    else：        prediction ＝ ＇POSITIVE＇        prob ＝ pred＿pos    cv2．imwrite（＇．．／Image＿Prediction／Image＿Prediction．png＇， img＿out）    return prediction， prob下載訓練模型covid＿pneumo＿model ＝ load＿model（＇．．／model／covid＿pneumo＿model．h5＇）然后，上傳一些圖像，并確認一切正常：imagePath ＝ ＇．．／dataset＿validation／covid＿validation／6C94A287－C059－46A0－8600－AFB95F4727B7．jpeg＇test＿rx＿image＿for＿Covid19＿2（covid＿pneumo＿model， imagePath）結(jié)果是：（‘POSITIVE’， 96．0）imagePath ＝ ＇．．／dataset＿validation／normal＿validation／IM－0177–0001．jpeg＇test＿rx＿image＿for＿Covid19＿2（covid＿pneumo＿model， imagePath）結(jié)果是：（‘NEGATIVE’， 99．0）imagePath ＝ ＇．．／dataset＿validation／non＿covid＿pneumonia＿validation／person63＿bacteria＿306．jpeg＇test＿rx＿image＿for＿Covid19＿2（covid＿pneumo＿model， imagePath）結(jié)果是：（‘NEGATIVE’， 98．0）到目前為止，所有的開發(fā)都是在Jupyter Notebook上完成的，我們應(yīng)該做最后的測試，讓代碼作為python腳本運行在最初創(chuàng)建的開發(fā)目錄中，名稱為：covidXrayApp＿test．py。＃ 導入庫和設(shè)置import numpy as npimport cv2from tensorflow．keras．models import load＿model＃ 關(guān)閉信息和警告import osos．environ［＇TF＿CPP＿MIN＿LOG＿LEVEL＇］ ＝ ＇2＇
def test＿rx＿image＿for＿Covid19＿2（model， imagePath）：    img ＝ cv2．imread（imagePath）    img＿out ＝ img    img ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2RGB）    img ＝ cv2．resize（img， （224， 224））    img ＝ np．expand＿dims（img， axis＝0）    img ＝ np．a(chǎn)rray（img） ／ 255．0    pred ＝ model．predict（img）    pred＿neg ＝ round（pred［0］［1］＊100）    pred＿pos ＝ round（pred［0］［0］＊100）
   if np．a(chǎn)rgmax（pred， axis＝1）［0］ ＝＝ 1：        prediction ＝ ＇NEGATIVE＇        prob ＝ pred＿neg    else：        prediction ＝ ＇POSITIVE＇        prob ＝ pred＿pos    cv2．imwrite（＇．／Image＿Prediction／Image＿Prediction．png＇， img＿out）    return prediction， prob＃ 載入模型covid＿pneumo＿model ＝ load＿model（＇．／model／covid＿pneumo＿model．h5＇）＃ －－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－＃ 執(zhí)行測試imagePath ＝ ＇．／dataset＿validation／covid＿validation／6C94A287－C059－46A0－8600－AFB95F4727B7．jpeg＇prediction， prob ＝ test＿rx＿image＿for＿Covid19＿2（covid＿pneumo＿model， imagePath）print （prediction， prob）讓我們直接在終端上測試腳本：

一切工作完美創(chuàng)建在Flask中運行的環(huán)境第一步是從一個新的Python環(huán)境開始，為此使用Terminal定義一個工作目錄（covid19XrayWebApp），然后在那里用Python創(chuàng)建一個環(huán)境mkdir covid19XrayWebAppcd covid19XrayWebAppconda create －－name covid19xraywebapp python＝3．7．6 －yconda activate covid19xraywebapp進入環(huán)境后，安裝Flask和運行應(yīng)用程序所需的所有庫：conda install －c anaconda flaskconda install －c anaconda requestsconda install －c anaconda numpyconda install －c conda－forge matplotlibconda install －c anaconda pillowconda install －c conda－forge opencvpip install －－upgrade pippip install tensorflowpip install gunicorn創(chuàng)建必要的子目錄：［here the app．py］model ［here the trained and saved model］templates ［here the ．html file］static ＿ ［here the ．css file and static images］       ｜＿ xray＿analysis ［here the output image after analysis］       ｜＿ xray＿img ［here the input x－ray image］從我的GitHub復(fù)制文件并將其存儲在新創(chuàng)建的目錄中Githhub：https：／／github．com／Mjrovai／covid19Xray／tree／master／20＿covid19XrayWebApp執(zhí)行以下步驟在服務(wù)器上負責后端執(zhí)行的python應(yīng)用程序稱為app．py，必須位于主目錄的根目錄下在／template中，應(yīng)該存儲index．html文件，該文件將是應(yīng)用程序的前端在／static中是style．css文件，負責前端（template．html）的樣式。在／static下，還有接收待分析圖像的子目錄，以及分析結(jié)果（其原始名稱以及診斷和準確性百分比）。所有文件安裝到正確的位置后，工作目錄如下所示：

在本地網(wǎng)絡(luò)上啟動Web應(yīng)用將文件放到文件夾中后，運行app．py，這是我們的web應(yīng)用程序的“引擎”，負責接收存儲在用戶計算機的圖像。python app．py在終端我們可以觀察到：

在瀏覽器上，輸入：http：／／127．0．0．1：5000／應(yīng)用程序?qū)⒃谀愕谋镜鼐W(wǎng)絡(luò)中運行：

使用真實圖像測試web應(yīng)用程序我們可以選擇啟動一個Covid的X光圖像，它已經(jīng)在開發(fā)過程中用于驗證。步驟順序如下：

對其中一張有肺炎但沒有Covid－19的圖片重復(fù)測試：

建議正如導言中所討論的，本項目是一個概念證明，證明了在X光圖像中檢測Covid－19的病毒的可行性。要使項目在實際情況中使用，還必須完成幾個步驟。以下是一些建議：與健康領(lǐng)域的專業(yè)人員一起驗證整個項目尋找最佳的預(yù)訓練模型使用從患者身上獲得的圖像訓練模型，患者最好是來自應(yīng)用程序?qū)⒁�使用的同一區(qū)域。使用Covid－19獲取更廣泛的患者圖像集改變模型的超參數(shù)測試用3個類標（正常、Covid和肺炎）訓練模型的可行性更改應(yīng)用程序，允許選擇更適合使用的模型（模型1或模型2）。本文中使用的所有代碼都可以Github倉庫下載：https：／／github．com／Mjrovai／covid19Xray。