कैर, टेंसोरफ्लो और डीप लर्निंग के साथ एक्स-रे में COVID -19 का पता लगाएं

• मैं सुबह उठा, कुछ व्यथा और कमजोरी महसूस कर रहा था।
• जब मैं बिस्तर से रेंगता था , तो मुझे एक बहती हुई नाक मिली (हालाँकि यह पहले से ही पता है कि बहती नाक COVID-19 का लक्षण नहीं है)।
• जब तक मैं पेपर स्कार्फ पाने के लिए बाथरूम में गया, तब तक मैं पहले से ही खांस रहा था।

यूएफओ केयर मिनट

COVID-19 — , SARS-CoV-2 (2019-nCoV). — , /, .

• C
• C
• ()

, .

, , .

: |

1. पता लगाए गए COVID-19 वाले मरीजों की एक्स-रे छवियों के ओपनसोर्स-डेटासेट को कैसे इकट्ठा किया जाए।
2. «» ( ) .
3. COVID-19 .
4. .

व्याख्या

एक्स-रे में COVID -19 का पता कैसे लगाया जा सकता है?

COVID-19

1. Metadata.csv फ़ाइल को रिपॉजिटरी से पार्स करें।
2. सभी पंक्तियों को चुना:

परियोजना की संरचना

$ tree --dirsfirst --filelimit 10
.
├── dataset
│   ├── covid [25 entries]
│   └── normal [25 entries]
├── build_covid_dataset.py
├── sample_kaggle_dataset.py
├── train_covid19.py
├── plot.png
└── covid19.model

प्रशिक्षण स्क्रिप्ट कार्यान्वयन

# import the necessary packages
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.applications import VGG16
from tensorflow.keras.layers import AveragePooling2D
from tensorflow.keras.layers import Dropout
from tensorflow.keras.layers import Flatten
from tensorflow.keras.layers import Dense
from tensorflow.keras.layers import Input
from tensorflow.keras.models import Model
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.utils import to_categorical
from sklearn.preprocessing import LabelBinarizer
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report
from sklearn.metrics import confusion_matrix
from imutils import paths
import matplotlib.pyplot as plt
import numpy as np
import argparse
import cv2
import os

• scikit-learn , यह एक वास्तविक तथ्य है पिथन मशीन लर्निंग लाइब्रेरी,
• चार्टिंग के लिए matplotlib ,
• किसी डेटासेट में छवियां अपलोड करने और प्रीप्रोसेस करने के लिए OpenCV ।

# construct the argument parser and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-d", "--dataset", required=True,
    help="path to input dataset")
ap.add_argument("-p", "--plot", type=str, default="plot.png",
    help="path to output loss/accuracy plot")
ap.add_argument("-m", "--model", type=str, default="covid19.model",
    help="path to output loss/accuracy plot")
args = vars(ap.parse_args())

# initialize the initial learning rate, number of epochs to train for,
# and batch size
INIT_LR = 1e-3
EPOCHS = 25
BS = 8

• --dataset: इनपुट डाटासेट के लिए पथ।
• --plot: सीखने के इतिहास के निकास कार्यक्रम के लिए वैकल्पिक मार्ग। डिफ़ॉल्ट रूप से, ग्राफ़ को plot.png कहा जाता है जब तक कि कमांड लाइन पर एक अलग नाम निर्दिष्ट नहीं किया जाता है।
• --model: हमारे आउटपुट COVID-19 परिभाषा मॉडल के लिए वैकल्पिक पथ। डिफ़ॉल्ट रूप से, इसे covid19.model कहा जाता है।

# grab the list of images in our dataset directory, then initialize
# the list of data (i.e., images) and class images
print("[INFO] loading images...")
imagePaths = list(paths.list_images(args["dataset"]))
data = []
labels = []

# loop over the image paths
for imagePath in imagePaths:
    # extract the class label from the filename
    label = imagePath.split(os.path.sep)[-2]

    # load the image, swap color channels, and resize it to be a fixed
    # 224x224 pixels while ignoring aspect ratio
    image = cv2.imread(imagePath)
    image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
    image = cv2.resize(image, (224, 224))

    # update the data and labels lists, respectively
    data.append(image)
    labels.append(label)

# convert the data and labels to NumPy arrays while scaling the pixel
# intensities to the range [0, 1]
data = np.array(data) / 255.0
labels = np.array(labels)

• हम पथ ( लाइन 49 ) वर्ग लेबल (कोविद या सामान्य) से निकालते हैं।
• हम छवि को लोड करते हैं, इसे आरजीबी चैनलों में परिवर्तित करते हैं और इसे 224x224 पिक्सेल के आकार के साथ घटाकर एक जटिल तंत्रिका नेटवर्क ( लाइनें 53-55 ) को खिलाते हैं ।
• डेटा और लेबल की सूची अपडेट करना ( लाइनें 58 और 59 )।

# perform one-hot encoding on the labels
lb = LabelBinarizer()
labels = lb.fit_transform(labels)
labels = to_categorical(labels); print(labels)

# partition the data into training and testing splits using 80% of
# the data for training and the remaining 20% for testing
(trainX, testX, trainY, testY) = train_test_split(data, labels,
    test_size=0.20, stratify=labels, random_state=42)

# initialize the training data augmentation object
trainAug = ImageDataGenerator(
    rotation_range=15,
    fill_mode="nearest")

[[0. 1.]
 [0. 1.]
 [0. 1.]
 ...
 [1. 0.]
 [1. 0.]
 [1. 0.]]

# load the VGG16 network, ensuring the head FC layer sets are left
# off
baseModel = VGG16(weights="imagenet", include_top=False,
    input_tensor=Input(shape=(224, 224, 3)))

# construct the head of the model that will be placed on top of the
# the base model
headModel = baseModel.output
headModel = AveragePooling2D(pool_size=(4, 4))(headModel)
headModel = Flatten(name="flatten")(headModel)
headModel = Dense(64, activation="relu")(headModel)
headModel = Dropout(0.5)(headModel)
headModel = Dense(2, activation="softmax")(headModel)

# place the head FC model on top of the base model (this will become
# the actual model we will train)
model = Model(inputs=baseModel.input, outputs=headModel)

# loop over all layers in the base model and freeze them so they will
# *not* be updated during the first training process
for layer in baseModel.layers:
    layer.trainable = False

# compile our model
print("[INFO] compiling model...")
opt = Adam(lr=INIT_LR, decay=INIT_LR / EPOCHS)
model.compile(loss="binary_crossentropy", optimizer=opt,
    metrics=["accuracy"])

# train the head of the network
print("[INFO] training head...")
H = model.fit_generator(
    trainAug.flow(trainX, trainY, batch_size=BS),
    steps_per_epoch=len(trainX) // BS,
    validation_data=(testX, testY),
    validation_steps=len(testX) // BS,
    epochs=EPOCHS)

# make predictions on the testing set
print("[INFO] evaluating network...")
predIdxs = model.predict(testX, batch_size=BS)

# for each image in the testing set we need to find the index of the
# label with corresponding largest predicted probability
predIdxs = np.argmax(predIdxs, axis=1)

# show a nicely formatted classification report
print(classification_report(testY.argmax(axis=1), predIdxs,
    target_names=lb.classes_))

# compute the confusion matrix and and use it to derive the raw
# accuracy, sensitivity, and specificity
cm = confusion_matrix(testY.argmax(axis=1), predIdxs)
total = sum(sum(cm))
acc = (cm[0, 0] + cm[1, 1]) / total
sensitivity = cm[0, 0] / (cm[0, 0] + cm[0, 1])
specificity = cm[1, 1] / (cm[1, 0] + cm[1, 1])

# show the confusion matrix, accuracy, sensitivity, and specificity
print(cm)
print("acc: {:.4f}".format(acc))
print("sensitivity: {:.4f}".format(sensitivity))
print("specificity: {:.4f}".format(specificity))

• अशुद्धियों का एक मैट्रिक्स उत्पन्न करें ( पंक्ति 133 ),
• हम इस मैट्रिक्स का उपयोग सटीकता, संवेदनशीलता और विशिष्टता ( 135-137 रेखाएँ ) निर्धारित करने के लिए करते हैं , और फिर हम इन सभी मैट्रिक्स ( लाइनों 141-143 ) को प्राप्त करते हैं ।

# plot the training loss and accuracy
N = EPOCHS
plt.style.use("ggplot")
plt.figure()
plt.plot(np.arange(0, N), H.history["loss"], label="train_loss")
plt.plot(np.arange(0, N), H.history["val_loss"], label="val_loss")
plt.plot(np.arange(0, N), H.history["accuracy"], label="train_acc")
plt.plot(np.arange(0, N), H.history["val_accuracy"], label="val_acc")
plt.title("Training Loss and Accuracy on COVID-19 Dataset")
plt.xlabel("Epoch #")
plt.ylabel("Loss/Accuracy")
plt.legend(loc="lower left")
plt.savefig(args["plot"])

# serialize the model to disk
print("[INFO] saving COVID-19 detector model...")
model.save(args["model"], save_format="h5")

हम अपने डिटेक्टर को केरस और टेन्सरफ्लो के साथ प्रशिक्षित करते हैं

$ python train_covid19.py --dataset dataset
[INFO] loading images...
[INFO] compiling model...
[INFO] training head...
Epoch 1/25
5/5 [==============================] - 20s 4s/step - loss: 0.7169 - accuracy: 0.6000 - val_loss: 0.6590 - val_accuracy: 0.5000
Epoch 2/25
5/5 [==============================] - 0s 86ms/step - loss: 0.8088 - accuracy: 0.4250 - val_loss: 0.6112 - val_accuracy: 0.9000
Epoch 3/25
5/5 [==============================] - 0s 99ms/step - loss: 0.6809 - accuracy: 0.5500 - val_loss: 0.6054 - val_accuracy: 0.5000
Epoch 4/25
5/5 [==============================] - 1s 100ms/step - loss: 0.6723 - accuracy: 0.6000 - val_loss: 0.5771 - val_accuracy: 0.6000
...
Epoch 22/25
5/5 [==============================] - 0s 99ms/step - loss: 0.3271 - accuracy: 0.9250 - val_loss: 0.2902 - val_accuracy: 0.9000
Epoch 23/25
5/5 [==============================] - 0s 99ms/step - loss: 0.3634 - accuracy: 0.9250 - val_loss: 0.2690 - val_accuracy: 0.9000
Epoch 24/25
5/5 [==============================] - 27s 5s/step - loss: 0.3175 - accuracy: 0.9250 - val_loss: 0.2395 - val_accuracy: 0.9000
Epoch 25/25
5/5 [==============================] - 1s 101ms/step - loss: 0.3655 - accuracy: 0.8250 - val_loss: 0.2522 - val_accuracy: 0.9000
[INFO] evaluating network...
              precision    recall  f1-score   support

       covid       0.83      1.00      0.91         5
      normal       1.00      0.80      0.89         5

    accuracy                           0.90        10
   macro avg       0.92      0.90      0.90        10
weighted avg       0.92      0.90      0.90        10

[[5 0]
 [1 4]]
acc: 0.9000
sensitivity: 1.0000
specificity: 0.8000
[INFO] saving COVID-19 detector model...

ऑटो एक्स-रे डायग्नोस्टिक्स

• COVID-19 (सच्चे सकारात्मक मामलों) वाले रोगियों में से , मॉडल का उपयोग करते हुए, हम 100% मामलों में "COVID-19 सकारात्मक" के रूप में सटीक पहचान करने में सक्षम थे।
• उन रोगियों में से जिनके पास COVID-19 (सच्चे नकारात्मक मामले) नहीं थे , मॉडल का उपयोग करके, हम केवल 80% मामलों में "COVID-19-नकारात्मक" के रूप में सटीक पहचान करने में सक्षम थे।

सीमाएं, सुधार और आगे का काम

सारांश

• हमने उनके डेटासेट से 25 छवियां लीं, जो खुद को सकारात्मक निदान वाले मामलों के एथरोफोस्टरियर प्रक्षेपण तक सीमित कर लेती हैं ।
• तब हमने कागले चेस्ट एक्स-रे इमेजेस (न्यूमोनिया) के डेटासेट से स्वस्थ लोगों की 25 तस्वीरें लीं ।