原始胸部X光圖像（A），逆時(shí)針旋轉(zhuǎn)45度后圖像（B），順時(shí)針旋轉(zhuǎn)45度后圖像，水平和垂直平移20％后圖像（D），放大10％后圖像（E）。使用TS／Keras圖像預(yù)處理庫（ImageDataGenerator），可以更改多個(gè)圖像參數(shù)，例如：trainAug ＝ ImageDataGenerator（        rotation＿range＝15，        width＿shift＿range＝0．2，        height＿shift＿range＝0．2，        rescale＝1．／255，        shear＿range＝0．2，        zoom＿range＝0．2，        horizontal＿flip＝True，        fill＿mode＝＇nearest＇）一開始，僅應(yīng)用圖像最大旋轉(zhuǎn)15度來評(píng)估結(jié)果。trainAug ＝ ImageDataGenerator（rotation＿range＝ROTATION＿DEG， fill＿mode＝＂nearest＂）此時(shí)，我們已經(jīng)定義了模型和數(shù)據(jù)，并準(zhǔn)備好進(jìn)行編譯和訓(xùn)練。模型構(gòu)建與訓(xùn)練編譯允許我們給模型添加額外的特性，比如loss函數(shù)、優(yōu)化器和度量。對(duì)于網(wǎng)絡(luò)訓(xùn)練，我們使用損失函數(shù)來計(jì)算網(wǎng)絡(luò)預(yù)測值與訓(xùn)練數(shù)據(jù)實(shí)際值之間的差異，伴隨著優(yōu)化器算法（如Adam）對(duì)網(wǎng)絡(luò)中的權(quán)重進(jìn)行更改，這些超參數(shù)有助于網(wǎng)絡(luò)訓(xùn)練的收斂，使損失值盡可能接近于零。我們還指定了優(yōu)化器（lr）的學(xué)習(xí)率，在這種情況下，lr被定義為1e－3。如果在訓(xùn)練過程中注意到“跳躍”的增加，即模型不能收斂，則應(yīng)降低學(xué)習(xí)率，以達(dá)到最小值。opt ＝ Adam（lr＝INIT＿LR， decay＝INIT＿LR ／ EPOCHS）model．compile（loss＝＂binary＿crossentropy＂， optimizer＝opt， metrics＝［＂accuracy＂］）讓我們來訓(xùn)練模型：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）

結(jié)果看起來已經(jīng)相當(dāng)有趣了，驗(yàn)證數(shù)據(jù)的精度達(dá)到了92％！繪制精度圖表：

評(píng)估訓(xùn)練模型：

看看混淆矩陣：［［27  0］ ［ 4 23］］acc： 0．9259sensitivity： 1．0000specificity： 0．8519從用最初選擇的超參數(shù)訓(xùn)練的模型中，我們得到：100％的sensitivity（敏感度），也就是說，對(duì)于COVID－19陽性（即真正例）的患者，我們可以100％準(zhǔn)確地將其識(shí)別為“COVID－19陽性”。85％的specificity（特異性）意味著在沒有COVID－19（即真反例）的患者中，我們只能85％準(zhǔn)確地將其識(shí)別為“COVID－19陰性”。結(jié)果并不令人滿意，因?yàn)?5％沒有Covid的患者會(huì)被誤診。我們先對(duì)模型進(jìn)行微調(diào)，更改一些超參數(shù)：因此，我們有：INIT＿LR ＝ 0．0001       ＃ 曾經(jīng)是 1e－3  EPOCHS ＝ 20            ＃ 曾經(jīng)是 10       BS ＝ 16                ＃ 曾經(jīng)是 8 NODES＿DENSE0 ＝ 128     ＃ 曾經(jīng)是 64DROPOUT ＝ 0．5          MAXPOOL＿SIZE ＝ （2， 2）  ＃ 曾經(jīng)是 （4， 4）ROTATION＿DEG ＝ 15     SPLIT ＝ 0．2結(jié)果

precision    recall  f1－score   support       covid       0．93      1．00      0．96        27      normal       1．00      0．93      0．96        27    accuracy                           0．96        54   macro avg       0．97      0．96      0．96        54weighted avg       0．97      0．96      0．96        54以及混淆矩陣：［［27  0］ ［ 2 25］］acc： 0．9630sensitivity： 1．0000specificity： 0．9259結(jié)果好多了！現(xiàn)在具有93％的特異性，這意味著在沒有COVID－19（即真反例）的患者中，在93％到100％的范圍內(nèi)我們可以準(zhǔn)確地將他們識(shí)別為“COVID－19陰性”。目前看來，這個(gè)結(jié)果很有希望。讓我們保存這個(gè)模型，在那些沒有經(jīng)過訓(xùn)練的圖像上測試（Covid－19的8個(gè)圖像和從輸入數(shù)據(jù)集中隨機(jī)選擇的20個(gè)圖像）。model．save（＂．．／model／covid＿normal＿model．h5＂）在真實(shí)圖像中測試模型（驗(yàn)證）首先，讓我們檢索模型并顯示最終的體系結(jié)構(gòu)，以檢查一切是否正常：new＿model ＝ load＿model（＇．．／model／covid＿normal＿model．h5＇）＃ 展示模型架構(gòu)new＿model．summary（）

這個(gè)模型看起來不錯(cuò)，是VGG16的16層結(jié)構(gòu)。請(qǐng)注意，可訓(xùn)練參數(shù)為590210，這是最后兩層的總和，它們被添加到參數(shù)為14．7M的預(yù)訓(xùn)練模型中。讓我們驗(yàn)證測試數(shù)據(jù)集中加載的模型：［INFO］ evaluating network．．．              precision    recall  f1－score   support       covid       0．93      1．00      0．96        27      normal       1．00      0．93      0．96        27    accuracy                           0．96        54   macro avg       0．97      0．96      0．96        54weighted avg       0．97      0．96      0．96        54很好，我們得到了與之前相同的結(jié)果，這意味著訓(xùn)練的模型被正確地保存和加載�，F(xiàn)在讓我們用之前保存的8個(gè)Covid圖像驗(yàn)證模型，為此，我們創(chuàng)建了另外一個(gè)函數(shù)，它是為單個(gè)圖像測試開發(fā)的def test＿rx＿image＿for＿Covid19（imagePath）：    img ＝ cv2．imread（imagePath）    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 ＝ new＿model．predict（img）    pred＿neg ＝ round（pred［0］［1］＊100）    pred＿pos ＝ round（pred［0］［0］＊100）    print（＇ X－Ray Covid－19 Detection using AI － MJRovai＇）    print（＇    ［WARNING］ － Only for didactic purposes＇）    if np．a(chǎn)rgmax（pred， axis＝1）［0］ ＝＝ 1：        plt．title（＇Prediction： ［NEGATIVE］ with prob： ｛｝％ No Covid－19＇．format（            pred＿neg）， fontsize＝12）    else：        plt．title（＇Prediction： ［POSITIVE］ with prob： ｛｝％ Pneumonia by Covid－19 Detected＇．format（            pred＿pos）， fontsize＝12）    img＿out ＝ plt．imread（imagePath）    plt．imshow（img＿out）    plt．savefig（＇．．／Image＿Prediction／Image＿Prediction．png＇）    return pred＿pos在Notebook上，此函數(shù)將顯示以下結(jié)果：

通過更改其余7個(gè)圖像的imagePath值，我們獲得以下結(jié)果：所有圖像均呈陽性，確認(rèn)100％靈敏度。

現(xiàn)在讓我們測試20個(gè)單獨(dú)的圖像，以驗(yàn)證標(biāo)記為NORMAL的有效性。Notebook上的第一個(gè)應(yīng)該是：

一個(gè)接一個(gè)的測試可以確認(rèn)預(yù)測，但是由于我們有更多的圖像，讓我們使用另一個(gè)函數(shù)來測試一組圖像，一次完成：test＿rx＿image＿for＿Covid19＿batch （img＿lst） 。批處理測試圖像讓我們創(chuàng)建包含在驗(yàn)證文件夾中的圖像列表：validation＿path ＝ ＇．．／dataset＿validation＇normal＿val＿images ＝ list（paths．list＿images（    f＂｛validation＿path｝／normal＿validation＂））non＿covid＿pneumonia＿validation＿images ＝ list（paths．list＿images（    f＂｛validation＿path｝／non＿covid＿pneumonia＿validation＂））covid＿val＿images ＝ list（paths．list＿images（    f＂｛validation＿path｝／covid＿validation＂））test＿rx＿image＿for＿Covid19＿batch （img＿lst） 函數(shù)如下：def test＿rx＿image＿for＿Covid19＿batch（img＿lst）：    neg＿cnt ＝ 0    pos＿cnt ＝ 0    predictions＿score ＝ ［］    for img in img＿lst：        pred， neg＿cnt， pos＿cnt ＝ test＿rx＿image＿for＿Covid19＿2（img， neg＿cnt， pos＿cnt）        predictions＿score．a(chǎn)ppend（pred）    print （＇｛｝ positive detected in a total of ｛｝ images＇．format（pos＿cnt， （pos＿cnt＋neg＿cnt）））    return  predictions＿score， neg＿cnt， pos＿cnt將該函數(shù)應(yīng)用于我們先前分離的20幅圖像：img＿lst ＝ normal＿val＿imagesnormal＿predictions＿score， normal＿neg＿cnt， normal＿pos＿cnt ＝ test＿rx＿image＿for＿Covid19＿batch（img＿lst）normal＿predictions＿score我們觀察到，所有20人被診斷為陰性，得分如下（記住，接近“1”代表“陽性”）：0．25851375， 0．025379542， 0．005824779， 0．0047603976， 0．042225637， 0．025087152， 0．035508618， 0．009078974， 0．014746706， 0．06489486， 0．003134642， 0．004970203， 0．15801577， 0．006775451， 0．0032735346， 0．007105667， 0．001369465， 0．005155371， 0．029973848， 0．014993184只有2例圖像的評(píng)估（1－準(zhǔn)確度）低于90％（0．26和0．16）。請(qǐng)記住，輸入數(shù)據(jù)集／input／20＿Chest＿Xray／有兩個(gè)文件夾，／train和／test，只有／train中的一部分圖像用于訓(xùn)練，并且模型從未看到測試圖像：input －       ｜＿ 10＿Covid＿Imagens ＿       ｜                   ｜＿ metadata．csv      ｜                   ｜＿ images ［used train model 1］      ｜＿ 20＿Chest＿Xray －                       ｜＿ test ＿                               ｜＿ NORMAL                               ｜＿ PNEUMONIA                        ｜＿ train ＿                                ｜＿ NORMAL   ［used train model 1］                                ｜＿ PNEUMONIA然后，我們可以利用這個(gè)文件夾測試所有圖像。首先，我們創(chuàng)建了圖像列表：validation＿path ＝ ＇．．／input／20＿Chest＿Xray／test＇normal＿test＿val＿images ＝ list（paths．list＿images（f＂｛validation＿path｝／NORMAL＂））print（＂Normal Xray Images： ＂， len（normal＿test＿val＿images））pneumo＿test＿val＿images ＝ list（paths．list＿images（f＂｛validation＿path｝／PNEUMONIA＂））print（＂Pneumo Xray Images： ＂， len（pneumo＿test＿val＿images））我們觀察了234張?jiān)\斷為正常的“未公開”圖片（還有390張不是由Covid－19引起的肺炎）。應(yīng)用批處理函數(shù)，我們觀察到24幅圖像出現(xiàn)假陽性（約10％）。讓我們看看模型輸出值是如何分布的，記住函數(shù)返回的值計(jì)算如下：pred ＝ new＿model．predict（image）pred＿pos ＝ round（pred［0］［0］ ＊ 100）我們觀察到，預(yù)測精度的平均值為0．15，并且非常集中于接近于零的值（中值僅為0．043），有趣的是，大多數(shù)誤報(bào)率接近0．5，少數(shù)異常值高于0．6。

除了改進(jìn)模型外，研究產(chǎn)生假陽性的圖像也是很有意義的。測試不是由Covid引起的肺炎圖像由于輸入數(shù)據(jù)集也有肺炎患者的X光圖像，但不是由Covid引起的，所以讓我們應(yīng)用模型1（Covid／Normal）來查看結(jié)果是什么：

結(jié)果非常糟糕，在390張圖片中，185張有假陽性，而觀察結(jié)果的分布，發(fā)現(xiàn)有一個(gè)峰值接近80％，也就是說，這是非常錯(cuò)誤的！回顧這一結(jié)果在技術(shù)上并不令人驚訝，因?yàn)樵撃Ｐ蜎]有經(jīng)過普通肺炎患者圖像的訓(xùn)練。不管怎樣，這是一個(gè)大問題，因?yàn)槲艺J(rèn)為專家可以用肉眼區(qū)分病人是否患有肺炎，然而也許更難區(qū)分這種肺炎是由Covid－19（SARS－CoV－2）、任何其他病毒，甚至是細(xì)菌引起的。將Covid－19引起的肺炎患者與其他類型的病毒或細(xì)菌區(qū)分開來的模型是更有用，為此，另一個(gè)模型將被訓(xùn)練，現(xiàn)在我們有感染Covid－19的病人和感染肺炎但不是由Covid－19病毒引起的病人的圖像。第3部分－模型2－Covid／普通肺炎數(shù)據(jù)準(zhǔn)備從我的GitHub下載Notebook放入subdirectory ／notebooks目錄：https：／／github．com／Mjrovai／covid19Xray／blob／master／10＿X－Ray＿Covid＿development／notebooks／20＿Xray＿Pneumo＿Covid19＿M(jìn)odel＿2＿Training＿Tests．ipynb。導(dǎo)入使用的庫并運(yùn)行。模型2中使用的Covid圖像數(shù)據(jù)集與模型1中使用的相同，只是現(xiàn)在它存儲(chǔ)在不同的文件夾中。dataset＿path ＝ ＇．．／20＿dataset＇肺炎圖像將從文件夾／input／20＿Chest＿Xray／train／PNEUMONIA／下載并存儲(chǔ)在／20＿dataset／pneumo／中。使用的函數(shù)與之前相同：input＿dataset＿path ＝ ＇．．／input／20＿Chest＿Xray／train／PNEUMONIA＇output＿dataset＿path ＝ ＇．．／20＿dataset／pneumo＇img＿num＿select ＝ len（xray＿cv＿train） ＃ 樣本數(shù)量與Covid數(shù)據(jù)相同這樣，我們調(diào)用可視化支持函數(shù)，檢查得到的結(jié)果：pneumo＿images ＝ list（paths．list＿images（f＂｛dataset＿path｝／pneumo＂））covid＿images ＝ list（paths．list＿images（f＂｛dataset＿path｝／covid＂））plots＿from＿files（covid＿images， rows＝10， maintitle＝＂Covid－19 X－ray images＂）

plots＿from＿files（pneumo＿images， rows＝10， maintitle＝＂Pneumony X－ray images＂