Тюнинг xray: Тюнинг на Лада X Ray (Икс рей) купить с доставкой по РФ

Содержание

Тюнинг и доработка LADA XRAY

Как видоизменить дизайн LADA XRAY

Современный автомобиль отечественного производства не обойдется без модернизации. Поэтому тюнинг Лады Х Рей-это процесс, который позволяет преобразить дизайн машины, сделать ее практичной и оригинальной. Кроме того, тюнинг Лады Х Рей подразумевает под собой использование защитных элементов, предотвращающих негативное воздействие внешних факторов на кузовную часть машины и внутреннее пространство.

Из чего состоит тюнинг Лады Икс Рей

Процедура полного преображения включает в себя замену таких деталей:

  • задний и передний бампер;
  • пороги и прокладки на них;
  • спойлер;
  • аксессуары, придающие дизайну машины большей динамичности.

С такими товарами, которые есть в ассортименте компании «SL tuning», владелец машины сможет изменить оформление своего «железного друга» и обеспечить защиту его основных рабочих элементов, подлежащих деформациям больше всего.

Тюнинг Лады Х поможет изменить состояние автомобиля, сделать его более стильным и спортивным.

Разнообразие товаров

Мы предлагаем большой выбор товаров для качественного преображения машины. Тюнинг Лады Х Рей Кросс не будет эффективным без защиты порогов от процессов коррозии и бамперов от механических повреждений, вызванных неподходящим стилем вождения или некачественным дорожным покрытием. А для сохранения единого стиля авто консультанты магазина рекомендуют подобрать данные детали одновременно, чтобы создать общую дизайнерскую концепцию.

Главной задачей защиты является продление срока службы автомобиля и внесение существенного вклада в вид машины. Тут даже невзрачное авто становится более ярким. В качестве защиты порогов используются накладки.

Не стоит забывать и про вид машины, ради которого и проводится тюнинг. А чтобы взгляды окружающих мгновенно останавливались на авто, на заднюю часть можно установить спойлер. Кроме изменения вида, деталь помогает улучшить аэродинамические параметры и увеличить прижимную силу.

 

Тюнинг Лада X-Ray аксессуары — бесплатная доставка по Украине

Автотовары для Lada X-Ray — ведущих мировых производителей.
Коврики в салон и багажник — резиновые и текстильные — отличное качество от ведущих произодителей.
Ветровики и мухобойки, багажник на крышу, фаркопы, брызговики и защита двигателя.
Так же можете купить авто аксессуары — не зависящие от модели автомобиля.

Аксессуары Лада X-Ray

Автотовары Лада для тюнинга позволяют полностью изменить экстерьер и интерьер популярного автомобиля в лучшую сторону, а также существенно повысить его ходовые качества. Приобрести их можно для любой модели ВАЗ.

Все для Лада X-Ray

Перед тем, как выбирать аксессуары Лада, следует определиться, что именно необходимо изменить в машине:

  • Внешний вид. Внешний тюнинг ВАЗа позволяет российскому автомобилю выделиться в общей массе однообразных и скучных транспортных средств. Большим преимуществом является доступная стоимость запчастей Лада X-Ray. Популярностью пользуются установка спойлеров, галогеновых фар и декоративных накладок, ветровиков, изменение подвески. Авто приобретает спортивный и слегка агрессивный вид.
  • Оформление и/или оборудование салона. Внутренний тюнинг Лада можно провести при помощи спортивного руля (или новой оплетки на руль), подлокотников, шторок на окна, чехлов и сидений.
  • коврики резиновые в салон обеспечивают защиту внутренних элементов машины от загрязнения Avto-gumm, Eva, Novline и багажник Avto-gumm, Novline;
  • коврики текстильные в салон могут быть представлены в черном, сером и в других цветах. Наружная их сторона имеет либо полипропиленовый ворс, либо ковролин. Все коврики имеют прорезиненную основу — Ciak;
  • брызговики используются для защиты кузова от повреждений при езде по бездорожью или некачественному дорожному покрытию: Novline;
  • ветровики на стекла, которые крепятся на двустороннем скотче. Их покупают, так как они препятствуют запариванию окон в условиях дождливой погоды Cobra tuning;
  • ветровики — дефлекторы окон: Cobra tuning;

Лада X-Ray аксессуары цена в Автошаре:

Товар Цена
Коврики в салон Lada X-Ray текстильные серые700 грн
Коврики в салон Lada X-Ray текстильные черные700 грн
Коврики в салон LADA XRay резиновый — AvtoGumm789 грн
Коврики 3D в салон LADA Xray, 2015->, (компл. без ящика), 4 шт. (полиуретан) — Novline880 грн
Коврики 3D в салон LADA Xray, 2015->, (компл. с ящиком), 4 шт. (полиуретан) — Novline880 грн

Некоторые виды аксессуаров для тюнинга ВАЗа позволяют не только улучшить дизайн авто, но и защищают машину от негативных внешних воздействий. Так, установив шторки на окна в салоне, вы не просто измените образ авто, но и убережете интерьер от выгорания на солнце.

Обратившись в интернет-магазин «Автошара», вы можете приобрести любые товары для тюнинга ВАЗа всех моделей и модификаций.

  • Профессиональные консультации. Если вы не можете найти необходимый аксессуар в каталоге или у вас возникли вопросы по его использованию (техническим характеристикам, дизайну и т.д.), обращайтесь за подробной консультацией к менеджеру. Связаться со специалистом можно в режиме онлайн и по телефону;
  • Оперативная доставка во все регионы Украины. Обратите внимание: большая часть продукции магазина имеется в наличии на складах, поэтому задержек с ее отправкой покупателям не возникает;
  • Обмен и возврат в соответствии с регламентами закона о Защите прав потребителей Украины. Узнайте больше в разделе «Обмен/Возврат»;
  • Гарантированное качество запчастей, расходных материалов и комплектующих. Магазин предлагает автопродукцию проверенных производителей, поэтому количество брака всегда минимальное.     

Отзывы про аксессуары Лада X-Ray

Средняя оценка по товарам: (1 отзыв):      

Чип-тюнинг LADA XRAY 1.8 в Екатеринбурге + АМТ 3.0 !

Прошили робота АМТ и чиптюнинг двигателч на ЛАДА ИКС-РЕЙ в Екатеринбурге!

LADA XRAY 1.8 АМТ прошивка робота до версии АМТ 3.0 (+ползучий режим) и чип-тюнинг в Екатеринбурге!

Владелец обратился с просьбой прошить роботизированную коробку передач под версию АМТ 3.0 (AMT 3.0), дабы улучшить алгоритм переключения передач, сократить время переключения передач, заставить меньше тупить, а самое главное добавить так называемый “ползучий” режим и “спорт” режим.
А также сделать чип-тюнинг двигателя, чтобы немного прибавить “мощности”.

Электронный блок управления двигателя 

АВТЭЛ М86 (M86).

Эффект от прошивки:
✅ Эластичная работа двигателя во всём диапазоне оборотов. В том числе с самых “низов” заметно улучшен разгон.
✅ Больше нет пауз при нажатии на педаль газа, устранены рывки при старте и переключении передач.
✅ Включение кондиционера больше не вызывает потерю тяги. Возможно некое (не существенное) снижение расхода топлива при спокойном стиле езды.
✅ Ну и самое главное — автомобиль едет ПЛАВНО и комфортно.

Эффекта “турбо”, конечно, не будет, но тем не менее, разница ДО и ПОСЛЕ процедуры: как НЕБО и ЗЕМЛЯ, как в плавности хода автомобиля, так и в плане динамических характеристик в целом.

Запись прошивки осуществляется через разъем ЭБУ автомобиля, и не требует его снятия (и тем более вскрытия). Сначала считывается резервная копия заводского софта, и затем записывается тюнинг-софт.
Весь процесс занимает не более 30 минут.
Далее диагностика, чтобы убедиться в ПОЛНОМ отсутствии каких-либо ошибок

Предоставляем тест-драйв неделю.

Далее коробка. Прошиваем робота до версии AMT 3.0

Весь процесс длится порядка 30 минут. Сначала с коробки считывается родная прошивка, сохраняется (чтобы на нее можно было всегда откатиться), и затем уже пишется новый софт AMT 3.0.

— “Ползущий” режим.

Теперь машина начинает движение как только отпускаешь педаль тормоза. Автоматика чуть “подкидывает обороты и автомобиль начинает катиться на 1-й передаче со скоростью 5-7 км/ч.

— “Спорт режим”.

Включается перебросом ручки селектора в положение М (без переключения передач) — на панели продолжает гореть индикация режима “А”. Сразу смещается точка переключения на 500-700об/мин вверх. Коробка удерживает передачу при разгоне. Особенно заметно “вверху” — на скорости 90 удерживается 4я — постоянно под педалью запас тяги. В общем болидом не становится, но ехать машинка начинает заметно динамичней.

— “Зимний режим” — по документации должен обеспечивать троганье на второй передаче и система стабилизации не так душит двигатель при пробуксовке.

Кроме того заметно (на треть) быстрее переключает передачи. Исчез провал между первой и второй передачами, машина по ощущениям стала “резвее” — нет “затянутости” разгона с постоянным ускорением.

🏁 🏁 🏁 🏁 🏁 🏁 🏁 🏁
г. Екатеринбург
📱+7 912 24 56574
💻 www.vk.com/chip_vag
🖥 www.instagram.com/chip_vag
🖥 www.e-vag.ru
🖥 www.drive2.ru/o/e-vag
💾 www.facebook.com/ekaterinburg.vag
🏁 🏁 🏁 🏁 🏁 🏁 🏁 🏁

Тюнинг ДВС 1,8 LADA XRAY. Мощность плюс экономичность — LSGA

Тюнинг ДВС 1,8 LADA XRAY. Мощность плюс экономичность

Сегодня, 9.07.2020, ЛСГА представляет новый проект – Лада Иксрей 1,8 л., мощностью 150 л.с. и с крутящим моментом 194 Н.М.

Мы 7 месяцев отдали на то, чтобы рассчитать все механизмы и алгоритмы для создания пакета комплексной доводки, провели испытания на стенде MAHA, и , безусловно, по полной откатали автомобиль в дорожных условиях. Позади 40 000 км пробега, из которых приличное время Иксрей отработал на мощностном стенде при максимальных нагрузках!

Что же включает в себя комплект:

  1. 2 новых распредвала с профилями кулачков, рассчитанными на основе совместных итальянских программных разработок. Уникальность – в расчете подъема клапана NT- Polydyne.
  2. Система выпуска с коллектором 4-2-1, прямоточным выпуском (внеш. 50,8 мм, и внут. 47,8 мм.). Добились спокойного тихого звука.
  3. И новый блок управления ДВС – IPAC (ИПАК).

 

Владимир Шарандин, разработчик решения для двигателя ЛАДА 1,8 л:

«Мы получили приятный результат именно на ЭБУ IPAC со встроенным широкополосным датчиком кислорода BOSH LSU ADV. Данный электронный блок управления двигателем , как и все профессиональные спортивные мозги, работает по картам VE. Одним словом, настроил один раз, и все. Но ключевое, настроил…»

Почему мы решили заняться таким проектом? Из-за решений для двигателя 1,8 л, из-за желания повысить мощность, динамичность Лады, сохранив экономичность. Так как машина все же предназначена для городской  комфортной эксплуатации.

А дальше? А дальше , после всех проведенных испытаний, мы показали нашу инженерную разработку  ЛСГА, и отдали на тест опытным экспертам журнала «За Рулем», журнала, которому мы доверяем, и очень ждали обратной связи.

И вот результат, читайте, знакомьтесь  с мнением экспертов, которых мало в автомобильной журналистике: www.zr.ru

Мы готовим пакет к установке и продажам. Скоро разместим на нашем сайте раздел для двигателя 1,8 , раздел про IPAC, про данный пакет, который нам нравится в эксплуатации. Позади инженерные разработки и комплексные готовые решения для Шеви Нива, УАЗа, Фольксвагена, теперь уже Иксрея, а впереди новая инженерная разработка для автомобилей и ДВС. Скоро и дизельный сюрприз!

В сети восхищаются тюнингованной LADA XRAY

Отечественный хэтчбек получил «дерзкий» облик, который понравился публике.

Накануне по интернету разошлись фотографии тюнингованной LADA XRAY. Белый хэтчбек превратили в заниженный спорткар с агрессивно выглядящими элементами экстерьера. Самым заметным изменением в машине стали расширители колесных арок из неокрашенного пластика. Они выглядят брутально за счет намеренно не скрытых отверстий под крепежные винты.
Еще LADA XRAY получила литые колесные диски и низкопрофильную резину, а заниженную подвеску подчеркивают диффузоры на переднем бампере и порогах. Задняя часть автомобиля не продемонстрирована, и можно полагать, что корму тюнингуют позже. О технических доработках автомобиля ничего не говорится.
Стоит сказать, что в сети восхищаются тюнингованной LADA XRAY. Многим пользователям нравится, как выглядит хэтчбек, и они убеждены, что таким он должен выпускаться с завода. «Покажите АвтоВАЗу эту пушку», «может авторам этого тюнинга пойти на ваз поработать?», «Х-ерей который смог», «что за зверь?», – пишут интернет-пользователи в комментариях к фотографиям машины.

«Надежности ему не занимать»: На что смотреть при покупке подержанного Honda Accord пятого поколения — эксперт

Японский седан настолько хорошо сделан, что даже 500 000 км пробега для него не является пределом возможного.

Между тем, некоторые пользователи озаботились практичностью такого тюнинга, а все потому, что LADA XRAY сильно занижена. По их мнению, на такой машине придется ездить только там, где нет плохих дорог. Также нашлись и те пользователи, которые назвали тюнинг хэтчбека «колхозом», но таких «успокоили» напоминанием, что каждый волен делать со своим транспортом, что хочет, если это не вредит социуму.

Лада Икс Рей – ВАЗоригинал.ру

LADA XRAY — на данный момент первый и единственный отечественный кроссовер выпускаемый АВТОВАЗом. Эта новинка была анонсирована еще в далеком 2012 году. Над дизайном работала команда Стива Маттина. Сначала концепт LADA XRAY был представлен как полноразмерный трёхдверный кроссовер. Но в 2014 году, когда LADA XRAY был представлен на Московском международном салоне, его представили уже как предсерийный компактный пятидверный кроссовер. Так как АВТОВАЗом на то время уже частично владел Альянс Рено Ниссан, было принято решение строить Икс РЕЙ на платформе B0.

Большинству автолюбителей пришелся по вкусу новый современный дизайн «ИксРей». Есть конечно и те, кому это понравилось меньше. Было много разговоров по поводу пропорций автомобиля: маленькие колеса и большой кузов. В любом случае, этот автомобиль не остался без внимания,
так как Лада Икс Рей и Лада Веста — это машины нового поколения, выпускаемые АВТОВАЗом. Автомобиль получился с довольно броским внешним видом и с заявкой на внедорожные качества, что и стимулирует владельцев данного авто задуматься о тюнинге. Говорить сейчас на сколько будет актуален внешний тюнинг ИКС Рей пока не возможно. Будут ли пользоваться спросом такие элементы как:

  • наружные евроручки для ИКС Рей;
  • передние и задние бамперы;
  • накладки на пороги.

По-настоящему изменить и придать индивидуальности вашему кроссоверу можно при помощи:

  • установки тюнинг оптики передней и задней;
  • установка спойлера.

А для увеличения функциональности и чтобы дополнительно подчеркнуть его внедорожные качества мы рекомендуем:

  • защита переднего бампера;
  • защита заднего бампера;
  • фаркопы для X-RAY;
  • рейлинги и поперечины на крышу;
  • защитная накладка на задний бампер;
  • боксы-багажники на крышу.

Наш интернет-магазин желает всем своим клиентам проявить индивидуальность и выбрать свой стиль тюнинга любимого кроссовера.

Настройка Xray — JFrog — Документация JFrog


Индексация ресурсов

Чтобы избежать длительных и интенсивных процессов анализа, Xray не анализирует автоматически все ресурсы в системе, а позволяет вручную выбирать репозитории, сборки и выпуски для индексации. Чтобы настроить индексированные ресурсы, см. раздел Индексирование ресурсов Xray.


Синхронизация базы данных


Чтобы Xray мог сканировать ваши проиндексированные артефакты, он должен получать данные о проблемах и уязвимостях из основного канала, поступающего с сервера глобальной базы данных , поддерживаемого JFrog.Существует два способа синхронизации Xray с сервером глобальной базы данных:

  • Онлайн:  В онлайн-режиме Xray ежедневно автоматически синхронизируется с сервером глобальной базы данных через подключение к Интернету

  • Офлайн: В в автономном режиме вы вручную загружаете файлы с сервера глобальной базы данных, а затем загружаете их в Xray

Чтобы настроить синхронизацию с сервером глобальной базы данных, в модуле Администрирование выберите Xray | Синхронизация базы данных .

Процесс индексирования Xray начнется только после завершения первоначального процесса синхронизации БД.

Онлайн-синхронизация

Чтобы сразу приступить к работе, чтобы Xray мог сканировать ваши артефакты, вы можете запустить первоначальную синхронизацию вручную, выбрав Начать синхронизацию на панели Состояние . С этого момента Xray будет регулярно и автоматически синхронизировать проблемы и уязвимости один раз в день.

Оффлайн синхронизация

для RPM Установки Обновления Папка находится под данными Data Папка:

  • $ {xray_home} / xray / data / diversease / Компонент
  • $ {xray_home} / xray data/updates/vulnerability

Если по какой-либо причине вы не хотите поддерживать активное интернет-соединение с сервером глобальной базы данных, выберите Offline на панели Sync Mode , чтобы получить подробные инструкции о том, как получить доступны последние данные.

Совместимость версий с JFrog CLI

 Для автономной синхронизации базы данных требуется использование Интерфейс командной строки JFrog.


Настройка веб-перехватчиков

Один из вариантов настройки часов — активировать веб-перехватчики, которые являются собственными URL-адресами, которые вы можете определить для выполнения настраиваемых действий в результате выдачи нарушения.

Веб-перехватчики настраиваются в модуле Администрирование в разделе Xray | Вебхуки .

Чтобы добавить веб-перехватчик, нажмите Новый веб-перехватчик .

0 Урок

3

0

3

Идентификатор для веб-капуста. Это имя будет использоваться любыми часами, которые хотят вызвать веб-перехватчик в случае нарушения

URL-адрес

URL-адрес, который вызывает этот веб-перехватчик. Подробную информацию о полезной нагрузке, предоставляемой Xray веб-перехватчику, см. в разделе Полезная нагрузка веб-перехватчика.

Описание

Текстовое описание.

Использовать прокси-сервер

Установите веб-перехватчик для прохождения через предопределенный прокси-сервер. Дополнительные сведения см. в разделе Управление прокси-серверами.

Basic Auth
Имя пользователя/пароль
Пользовательские заголовки

Любые пользовательские заголовки, которые необходимо добавить для вызова веб-перехватчика.


Добавление пользовательских интеграций

Интеграции Xray настраиваются в модуле Администрирование на странице Интеграции и отображают интеграции, которые вы настроили и к которым подключились.

Интеграция JIRA с Xray

Эта интеграция JIRA позволяет автоматически создавать заявки JIRA для нарушений, обнаруженных Xray в ваших настроенных проектах JIRA.Дополнительные сведения см. в разделе Интеграция Xray с Jira.

Каналы уязвимостей

JFrog Xray открыт для интеграции с любым количеством поставщиков проблем и уязвимостей. Это дает вам возможность добавлять анализы от разных поставщиков, у которых у вас может быть учетная запись, или даже создавать своего собственного поставщика и отображать такую ​​информацию, как проблемы с производительностью, известные дефекты или любую другую информацию, предлагаемую вашим поставщиком.

Чтобы включить это, вам необходимо создать следующие две конечные точки REST и настроить их на странице интеграции Xray.

Построение конечных точек интеграции

Чтобы включить пользовательскую интеграцию, необходимо создать и запустить две конечные точки REST.

1. Проверить аутентификацию

Запросить подтверждение того, действителен ли предоставленный ключ API. Этот API должен предоставляться поставщиком каналов.

Заголовок запроса
apiKey: «какой-то ключ API, который уникален для конкретного клиента»

GET /api/checkauth

Пример ответа действительного ключа API (код состояния: 200 )

 {
    «действительный»: правда,
    "ошибка": ""
} 

Пример ответа о недопустимом ключе API (код состояния: 401)

 {
    "действительно": ложь,
    "error": "Пользовательский API-ключ недействителен"
} 
2.Запрос информации о компонентах

Этот API позволит Xray запрашивать информацию об одном или нескольких компонентах, каждый из которых идентифицируется уникальным идентификатором компонента, у поставщика каналов. API будет реализован поставщиком фида.

Запрос

Полезная нагрузка запроса будет содержать уникальные идентификаторы компонентов, информацию о которых Xray хочет получить.
Кроме того, Xray предоставит контекст для запроса, это может быть идентификатор проекта или другой идентификатор.Если сторонняя служба позволяет своим пользователям определять политики для каждого проекта, это позволит ответить на запрос в контексте этих политик. Например, если сторонняя служба позволяет создавать политики соответствия лицензии OSS для каждого проекта, Xray может получить ответ с уязвимостью лицензии, если запрошенный компонент нарушает политику.

POST /api/componentinfo

Заголовок запроса

 apiKey: «какой-то ключ API, который уникален для конкретного клиента» 

Запрос полезной нагрузки

 {
    "компоненты": [
        {
            "component_id": "gav://ant:ant:1.6,5",
            "капли": [
                "97282a3b066de4ee4c9409979737f3911f95ceab"
            ]
        }
    ],
    "контекст": "project_id"
} 

Ответ

Ответ будет содержать список уязвимостей безопасности или других проблем

 {
    "компоненты": [
        {
            "component_id": "gav://ant:ant:1.6.5",
            "лицензии": [
                «Апач 2.0»
            ],
            "provider": "поставщик фидов",
            "уязвимости": [
                {
                    "cve": "CVE-2012-2098",
                    "тип": "безопасность",
                    "source_id": "уникальный идентификатор обнаруженной проблемы",
                    "summary": "Уязвимость алгоритмической сложности",
                    "description": "Уязвимость алгоритмической сложности в алгоритмах сортировки при сжатии потока bzip2",
                    "cvss_v2": "7.9",
                    "url": "http://more.info",
                    "publish_date": "2015-11-03T07:30:51.991+00:00",
                    "использованная литература": [
                        "http://archives.neohapsis.com/archives/bugtraq/2012-05/0130.html"
                    ]
                }
            ]
        }
    ]
} 

Настройка конечных точек интеграции

Чтобы настроить конечные точки, перейдите к модулю Администрирование в Xray | Страница Integrations и нажмите New Integration .

Для добавления и подключения к пользовательскому провайдеру установите флажок и введите следующие параметры:

  • The поставщик интеграции Имя
  • A Описание для поставщика
  • API-ключ вы получили от поставщика
  • URL-адрес Xray использует для проверки того, зарегистрирован ли сканируемый компонент у поставщика.
    URL-адрес должен вести к запросу информации о компонентах Конечная точка REST
  •   Тестовый URL-адрес  , который вы можете использовать для проверки своего ключа API у поставщика с помощью кнопки » Тест «.
    Тестовый URL-адрес должен вести к конечной точке REST
  • URL-адрес к значку , который вы можете опционально отобразить для поставщика

Создание контрольных точек и политик стандарты:

  1. Настройте свои политики и правила , чтобы они отражали стандартные спецификации управления для вашей организации. Xray поддерживает типы политик безопасности и соответствия требованиям.
  2. Создать наблюдения, чтобы определить объем ресурсов, на которых будут выполняться соответствующие политики. Наблюдает за ресурсами, такими как репозитории, сборки и наборы выпусков, и применяет политики, назначенные им для этих ресурсов.
  3. Проверка нарушений, созданных Xray после того, как обнаруженная уязвимость или нарушение лицензии соответствуют критериям правила политики.
  4. Действия, заданные вами в политике, будут выполняться при обнаружении нарушения, такого как блокировка загрузки, сбой сборки или предотвращение распространения Release Bundle.

Расширенные настройки

Дополнительные настройки применяются только к средам с собственным размещением.

Xray построен на наборе микросервисов, которые выполняют свои действия в области индексации артефактов, связи с Artifactory, управления событиями и уведомлениями и так далее.

Чтобы настроить эти параметры, в модуле Администрирование перейдите к Xray Security and Compliance  | Дополнительно  и нажмите  Настройки .

Доступны следующие расширенные конфигурации:

  • Основные настройки: позволяет включить Xray, настроить поведение, когда он недоступен и для заблокированных артефактов.
  • Системные параметры: (только для самостоятельного размещения) предоставляет системные настройки.
  • Queue Workers: (только для самостоятельного размещения) предоставляет несколько параметров для настройки производительности Xray путем изменения количества рабочих, выполняющих различные задачи. Начиная с Artifactory версии 7.12 и выше, параметр Queue Workers больше недоступен через пользовательский интерфейс и поддерживается только через REST API.

Примечание . Изменение этих параметров может повлиять на производительность вашей системы. Для получения дополнительной информации обратитесь в службу поддержки JFrog.

4

8

0

Enabled
Enabled

Указывает, что XRay включен на платформе JFROG и устанавливается по умолчанию, когда XRay установлен.

Разрешить загрузку и распространение, когда Xray недоступен

Позволяет загружать артефакты из Artifactory и распространять пакеты выпуска на пограничные узлы, когда служба Xray недоступна.

Разрешить загрузку заблокированных артефактов
Разрешает загрузку всех артефактов, включая артефакты, которые были заблокированы для загрузки Xray.
Блокировка неотсканированных артефактов Время ожидания загрузки (сек)

Максимальное время ожидания запроса на загрузку Xray для завершения сканирования артефакта.

Если репозиторий настроен на блокировку загрузки неотсканированных артефактов, этот параметр заставит каждое соединение запроса на загрузку оставаться открытым в течение настроенного времени (в секундах), что дает Xray достаточно времени для сканирования артефакта, а затем возвращает артефакт или блокирует его на основе по результатам сканирования.

Важно : убедитесь, что клиент, который вы используете для загрузки артефактов из Artifactory, имеет высокое значение тайм-аута сокета , чтобы гарантировать, что соединение останется неповрежденным, пока Xray сканирует артефакты. Примеры клиентов включают в себя: сервер сборки CI, диспетчеры пакетов, интеллектуальный удаленный репозиторий, cURL и т. д.

Это также актуально при использовании интеллектуального удаленного репозитория, где Дополнительно → Время ожидания сокета (MS) должно быть установлено на высокое значение.

Для опытных пользователей :

Интервал времени для отправки Artifactory запросов на сканирование в Xray можно настроить с помощью следующего системного свойства.

Artifactory.xray.indexer.intervalSecs=60

Это системное свойство определяет интервал между отправкой событий каждого артефакта из Artifactory в Xray. При загрузке вновь добавленного артефакта в Artifactory создается событие, и это событие отправляется в Xray, уведомляя его о новом артефакте, который необходимо отсканировать. Чтобы у тайм-аута несканированного блока было достаточно времени для получения результатов полного сканирования, Xray необходимо быстро уведомить о необходимости выполнить новое сканирование, поэтому это системное свойство необходимо изменить на 10 секунд.

Обратите внимание, что может потребоваться увеличение/настройка пула HTTP-соединений Tomcat для поддержки высокой нагрузки соединений во время ожидания завершения сканирования.

Параметры системы
SSL Insecure
SSL-небезопасный
Переключаются на пропуск, пропустить самооценку проверки сертификата сертификата
Mail без SSL
переключает использование безопасности транспортного слоя при подключении к почтовый сервер
Отправить анонимную статистику
Улучшает оптимизацию Xray, отправляя анонимную статистику использования.
Максимальное использование диска
Процент использования диска, допустимый Xray. При достижении указанного значения Xray НЕ будет загружать пакеты для индексации
Интервал выборки монитора
Интервал для выполнения заданий мониторинга ЦП, использования диска, перезапусков и т. д.
Очередь Макс.
Количество повторных попыток принимать в системе очереди сообщений
интервал задания
интервал для беговой узел определенные задания

5

параметры очереди

Index
рабочие, управляющие индексацией артефактов.
Persist
Количество рабочих процессов, управляющих постоянным хранилищем, необходимое для построения графа отношений артефактов.
Оповещение
Количество работников, управляющих оповещениями.
Анализ
Количество работников, задействованных в анализе сканирования.
Анализ воздействия
Количество сотрудников, участвующих в анализе воздействия, чтобы определить, как компонент, о котором сообщается, влияет на другие компоненты в системе.
Уведомление
Количество работников, управляющих уведомлениями.

Параметры системы

SSL Infecte
SSL-небезопасный
Переключаются на пропуск самозагонной проверки сертификата XRay
Mail без SSL
Переключение безопасности транспортного слоя при подключении к соединению почтовый сервер
Максимальное использование диска
Процент использования диска, допустимый Xray.При достижении указанного значения Xray НЕ будет загружать пакеты для индексации
Интервал выборки монитора
Интервал для выполнения заданий мониторинга ЦП, использования диска, перезапусков и т. д.
Очередь Макс.
Количество повторных попыток, которые должны быть приняты в системе очереди сообщений
Интервал заданий
Интервал выполнения заданий, специфичных для узла

Начиная с Xray версии 3.6, Xray отдает приоритет сканированию новых артефактов/сборок/пакетов релизов по сравнению с событиями, возникающими при сканировании истории или полном сканировании репозитория, и предоставляет возможность контролировать количество рабочих процессов для нового контента по сравнению с сканированием истории/полного репозитория. Чтобы настроить количество рабочих, см. раздел Настройка REST API для подсчета рабочих.

Для этого требуется Artifactory версии 7.6 и выше.


Сборщик мусора (GC)

Начиная с версии Xray 3.26.1, функция сбора мусора Xray (GC) позволяет избежать условий состязания между событиями удаления/создания, отправляемыми Artifactory, в основном при перемещении артефактов и продвижении изображений.Эта функция активна по умолчанию и настраивается в параметре Xray System YAML deleteMode ('gc'/'eager') .

Вы можете управлять сборщиком мусора с помощью набора API-интерфейсов REST, например, получать статус сборщика мусора или принудительно запускать сборщик мусора. Дополнительные сведения см. в разделе REST API сборщика мусора (GC).

Повышение производительности за счет устранения смещения загрузчика данных

J Xray Sci Technol. 2021; 29(1): 19–36.

Чагин Полат

a Notrino Research, ODTÜ Teknokent, Анкара, Турция,

Онур Караман

b Кафедра методов медицинской визуализации, Университет Акдениз, Профессиональная школа здравоохранения, Анталия, Турция,

Серен Караман

c Факультет электричества и энергетики, Университет Акдениз, Профессиональная школа технических наук, Анталия, Турция,

Гюней Коркмаз

a Notrino Research, ODTÜ Teknokent, Анкара, Турция,

Мехмет Джан Балджи

a Notrino Research, ODTÜ Teknokent, Анкара, Турция,

Севим Эркан Келек

d Кафедра медицинских лабораторных технологий, Университет Акдениз, Профессиональная школа здравоохранения, Анталия, Турция,

a Notrino Research, ODTÜ Teknokent, Анкара, Турция,

b Кафедра методов медицинской визуализации, Университет Акдениз, Профессиональная школа здравоохранения, Анталия, Турция,

c Факультет электричества и энергетики, Университет Акдениз, Профессиональная школа технических наук, Анталия, Турция,

d Кафедра медицинских лабораторных технологий, Университет Акдениз, Профессиональная школа здравоохранения, Анталия, Турция,

* Автор, ответственный за переписку: Онур Караман, PhD Университет Акдениз, Профессиональная школа здравоохранения, кафедра Медицинские методы визуализации, кабинет № 312, Анталия, 07070, Турция.Тел.: +90 242 310 6703; Электронная почта: [email protected]

Поступила в редакцию 3 августа 2020 г .; Пересмотрено 11 ноября 2020 г .; Принято 30 ноября 2020 г.

Copyright © 2021 – Авторы. Опубликовано IOS PressЭта статья цитировалась другими статьями PMC.

Abstract

ПРЕДПОСЫЛКИ:

Рентгенологическое исследование органов грудной клетки зарекомендовало себя как мощный диагностический метод для выявления и диагностики случаев COVID-19 благодаря легкому доступу, низкой стоимости и быстрой визуализации.

ЦЕЛЬ:

Это исследование направлено на повышение эффективности скрининга пациентов, инфицированных COVID-19, с использованием рентгеновских изображений грудной клетки с помощью разработанной модели глубокой сверточной нейронной сети (CNN) под названием nCoV-NET .

МЕТОДЫ:

Для обучения и оценки производительности разработанной модели были собраны три набора данных из ресурсов «ChestX-ray14», «Коллекция данных изображений COVID-19» и «Коллекция рентгенограмм грудной клетки из Университета Индианы» соответственно. Всего в этом исследовании участвуют 299 случаев пневмонии, вызванной COVID-19, и 1522 случая заболевания, не связанного с COVID-19. Чтобы преодолеть вероятное смещение из-за несбалансированных случаев в двух классах наборов данных, архитектуры ResNet, DenseNet и VGG были повторно обучены на этапе тонкой настройки процесса, чтобы различать классы COVID-19 с использованием метода трансферного обучения.Наконец, оптимизированная окончательная модель nCoV-NET была применена к набору данных для тестирования, чтобы проверить производительность предложенной модели.

РЕЗУЛЬТАТЫ:

Хотя параметры производительности всех переобученных архитектур были определены близко друг к другу, окончательная модель nCOV-NET, оптимизированная с использованием архитектуры DenseNet-161 на этапе трансферного обучения, демонстрирует наивысшую производительность для классификации COVID-19. 19 случаев с точностью 97,1 %. Метод Activation Mapping был использован для создания карт активации, которые выделяют важные области рентгенограммы для улучшения причинно-следственной связи и разборчивости.

ВЫВОД:

Это исследование продемонстрировало, что предложенная модель CNN под названием nCoV-NET может использоваться для надежного выявления случаев COVID-19 с использованием рентгеновских изображений грудной клетки для ускорения сортировки и экономии критического времени для контроля заболевания, а также для помощи рентгенологу в проверке их первоначальный диагноз.

Ключевые слова: Коронавирусная (COVID-19) инфекция, глубокое обучение, сверточная нейронная сеть (CNN), трансферное обучение, рентгенограммы органов грудной клетки

1.Введение

Новая коронавирусная болезнь 2019 года (COVID-19), вызванная коронавирусом тяжелого острого респираторного синдрома 2 (SARS-CoV-2), распространилась по всему миру и стала глобальной проблемой общественного здравоохранения [1]. COVID-19, объявленный Всемирной организацией здравоохранения (ВОЗ) 11 марта 2020 года пандемией, вызывает такие клинические симптомы, как острое респираторное заболевание, лихорадка, кашель, боль в горле, головная боль, утомляемость, мышечная боль и одышка [1]. –3]. Согласно статистическим отчетам, одним из наиболее важных шагов в борьбе с COVID-19 является раннее выявление инфицированных лиц и начало лечебных процедур в тяжелых случаях, а также карантинные процедуры для смягчения распространения [3]. –6].

Процедура диагностики заболевания COVID-19 в основном следует следующим шагам; и) клинические симптомы; ii) эпидемиологический анамнез и iii) тест на вирусную нуклеиновую кислоту или КТ-изображения [7–9]. Хотя тест полимеразной цепной реакции с обратной транскрипцией (ОТ-ПЦР) в режиме реального времени в основном принят в качестве стандартного диагностического метода, он имеет ряд недостатков, таких как отсутствие тест-наборов для десятков тысяч подозреваемых пациентов, особенно в сильно пораженных областях, доступность в сельской местности и более низкая чувствительность (60–70%), воспроизводимость и специфичность по сравнению с КТ грудной клетки [1, 10–11].Кроме того, метод ОТ-ПЦР имеет достаточно сложный ручной и трудоемкий процесс и показывает относительно низкие показатели выявления положительных результатов на ранних стадиях заболевания [9, 10]. Другим важным инструментом, используемым для скрининга COVID-19, являются методы рентгенологической визуализации, при которых можно проводить рентген грудной клетки или КТ [12, 13]. Полученные изображения или сканы должны быть проанализированы рентгенологом для выявления визуальной рентгенограммы, связанной с вирусной инфекцией SARS-CoV-2. Однако отличить пневмонию COVID-19 от других видов пневмонии непросто, поскольку они похожи друг на друга, а иногда некоторые проявления могут совпадать с другими легочными инфекциями [9].

Методы КТ требуют значительно больше времени, чем рентгенография, а также во многих слаборазвитых странах/регионах или сельских районах КТ может быть недоступна, в то время как рентгенография, считающаяся стандартным оборудованием в большинстве систем здравоохранения, широко доступна и недорога. рентгенодиагностический метод [11]. С помощью использования метода рентгеновской визуализации для обнаружения COVID-19 этап сортировки может быть ускорен, поэтому применение лечения и принятие мер могут значительно ускориться.Кроме того, портативные рентгеновские системы позволяют проводить диагностику в изоляторе, дома и т. д., что значительно снижает риск передачи инфекции [12]. Однако самая большая проблема, с которой приходится сталкиваться, заключается в том, что для оценки рентгеновских изображений требуются опытные рентгенологи. В некоторых случаях качество рентгенограмм может быть недостаточно высоким для точной оценки радиологами.

Принимая во внимание всю эту информацию, можно сделать вывод, что разработка моделей глубокого обучения имеет большое значение для скрининга и диагностики всех инфекций, особенно COVID-19, на ранних стадиях.В частности, CNN, способные улучшать качество изображений при слабом освещении, помогают выявлять признаки заболеваний, которые могут быть трудны для визуального распознавания [13]. Путем внедрения моделей глубокого обучения в систему здравоохранения можно не только улучшить качество медицинской помощи и благополучие пациентов, но и сделать диагностику более эффективной [14]. Кроме того, можно снизить расходы на здравоохранение за счет использования в таких системах моделей искусственного интеллекта и машинного обучения.В частности, система здравоохранения по-прежнему нуждается в таких практических решениях для быстрой, экономически эффективной диагностики, лечения и карантинных мер в отношении случаев пневмонии COVID-19. Следовательно, для локальных приложений крайне важно разработать быстрый автоматизированный инструмент, который может обрабатывать рентгеновские снимки грудной клетки и выявлять пневмонию COVID-19. Алгоритмы глубокого обучения, предназначенные для анализа рентгенодиагностических изображений для скрининга заболевания на ранней стадии, являются революционными [15]. Эти алгоритмы должны подпитываться большими наборами данных, чтобы обучаться выполнению конкретной задачи.В последние десятилетия в литературе появился ряд исследований, основанных на глубоком обучении, мотивированных необходимостью быстрой диагностики с помощью медицинской визуализации [9, 16]. Результаты, полученные с помощью КТ органов грудной клетки, оказались очень многообещающими с точки зрения точности выявления пациентов, инфицированных COVID-19 [1, 9, 17, 18]. С другой стороны, модель искусственного интеллекта, основанная на рентгеновских снимках грудной клетки, предоставит метод, который поможет клиницистам улучшить скрининг, поскольку он может быстро и экономично диагностировать случаи пневмонии COVID-19.

Количество данных и метод классификации случаев COVID-19, используемых в исследованиях, различаются. Среди исследований наиболее предпочтительным методом является сверточная нейронная сеть (CNN). В исследовании, проведенном Jain et al., были изучены три разные модели, включая Inception V3, Xception и ResNeXt, для скрининга Covid-19 при сканировании грудной клетки. Они сообщили, что модель Xception имеет лучшую производительность с точностью 97,97% [19]. Как и в нашем исследовании Minaee et al. разработали модель глубокого обучения для обнаружения пациентов, инфицированных COVID-19, на рентгеновских снимках грудной клетки путем точной настройки четырех различных предварительно обученных архитектур CNN, включая ResNet18, ResNet50, SqueezeNet и DenseNet-121, и они сообщили, что SqueezeNet и ResNet18 достигли относительно более высокая производительность, чем у других моделей [20] Quchicha et al., предложили глубокую модель CNN под названием CVDNet, основанную на остаточной нейронной сети, для классификации инфекции COVID-10 от нормальных и других случаев пневмонии по рентгеновским изображениям грудной клетки, и они сообщили, что модель может классифицировать класс COVID-19 с точностью 97,20. % [21]. Панвар и др. также разработали модель глубокого обучения с той же целью. Они сообщили, что предложенная модель способна обнаруживать положительные случаи COVID-19 менее чем за 2 секунды с точностью 95,61% [22]. В другой работе, проведенной Ozturk et al.была предоставлена ​​основанная на глубоком обучении модель для обнаружения и классификации случаев COVID-19 по рентгеновским изображениям, собранным из базы данных «Сбор данных изображений COVID-19». Предлагаемая модель разработана как для бинарных (COVID и отсутствие результатов), так и для мультиклассовых (COVID, отсутствие результатов и пневмония) случаев. Они сообщили, что самая высокая точность была получена как 98,08% и 87,02% для бинарных классов и мультиклассов соответственно [23]. В другой работе, о которой сообщили Альбахли и Альбатта, был предложен подход к трансфертному обучению.Три различные архитектуры глубокого обучения, включая Inception ResNetV2, InceptionNetV3 и NASNetLarge, были выбраны и настроены для обнаружения случаев COVID-19 на рентгенограммах органов грудной клетки. Было заявлено, что InceptionNetV3 обеспечивает наилучший уровень точности 98,63% [24]. Аснауи и др. сравнили различные архитектуры глубоких CNN, включая VGG16, VGG19, DenseNet201, InceptionResNetV2, InceptionV3, ResnNet50, MobileNetV2 и Xception, для автоматической бинарной классификации изображений пневмонии, таких как SARS, COVID-19.Точно настроенная версия архитектуры CNN продемонстрировала высокую производительность при обучении и точности проверки (до 96%) [25]. Азамин и др. для той же цели внедрили модель глубокого обучения на основе архитектуры CNN ResNet101. Наборы данных для обучения и проверки были собраны из базы данных ChestX-ray14, а точность модели составила 71,9% [26]. Bassi et al. также использовали базу данных ChestX-Ray14. Они точно настроили архитектуру CNN и применили двухэтапный подход к обучению с передачей данных и сообщили о точности теста 99.4% [27].

Разработанный nCoV-NET , предназначенный для автоматического скрининга COVID-19 без использования каких-либо ручных методов, помогает экспертам-радиологам в медицинских центрах получить второе мнение. Прогнозируется, что это значительно снизит нагрузку на клиницистов и поможет им поставить точный диагноз в повседневной работе.

2. Материалы и метод

2.1. Подготовка наборов данных

В этой работе для диагностики COVID-19 использовались наборы данных, собранные из трех разных источников, в том числе «ChestX-ray14», «сбор данных изображений COVID-19» и «коллекция рентгенограмм грудной клетки из Университета Индианы» [28]. по рентгенограммам грудной клетки.Первый набор данных, ChestX-ray14 [29], состоял из 112 120 рентгенограмм грудной клетки в прямой проекции 30 805 пациентов. В этом наборе данных использовались только рентгенограммы грудной клетки, помеченные пневмонией 1431, которые были автоматически помечены с помощью методов обработки естественного языка (NLP) рентгенографических интерпретаций, полученных из системы архивирования и передачи изображений (PACS). Сообщается, что точность этих меток превышает 90% [30]. Разрядность рентгенограмм в 16-битном формате Digital Imaging and Communications in Medicine (DICOM) была уменьшена до 8-битного формата Portable Network Graphics (PNG) без сжатия (без артефактов Joint Photographic Experts Group (JPEG)).На этом этапе потеря данных произошла 256 раз.

Во втором наборе данных, называемом коллекцией данных изображений COVID-19 [31], имеется 208 рентгенограмм для случая COVID-19 и 41 рентгенограмма для случаев, не связанных с COVID-19 (бактериальные, грибковые или другие вирусные типы пневмонии) (с задне-передней пневмонией). (PA) и переднезадней (AP) проекции). Однако эта база данных, которая также включает рентгенограммы грудной клетки в контралатеральной и боковой проекциях, создана для преобразования данных, полученных из статей, в базу данных для доступа к рентгенологическим данным COVID-19.Следовательно, он содержит изображения с потерями, взятые из статей. Кроме того, было замечено, что некоторые свойства, такие как яркость, контрастность, резкость, изменены авторами на большинстве изображений. Можно сказать, что база данных может быть смещена из-за таких эффектов. По этой причине в этом исследовании для устранения вероятной проблемы смещения в базе данных была предложена предварительная обработка, описанная в следующем разделе.

Третий набор данных, «Коллекция рентгенограмм грудной клетки из Университета Индианы», использовался в качестве набора данных для тестирования на случаи, не связанные с COVID-19.Случаи пневмонии в этом наборе данных были обнаружены вручную вместе с радиологами из Университета Акдениз, Турция. 50 случаев пневмонии, не связанной с COVID-19, были отмечены экспертами и использованы в качестве наборов данных для тестирования. Собранные данные были классифицированы как пневмония, не связанная с COVID-19, и пневмония, вызванная COVID-19. Общее количество случаев не-COVID-19 составляет 1522, тогда как количество случаев пневмонии, вызванной COVID-19, составляет 299 (примерно в 5,0 раз меньше). Благодаря структуре выбранных архитектур, которые будут использоваться на этапе передачи обучения и оптимизации, это было направлено на то, чтобы избежать проблемы несбалансированного набора данных.В то время как для класса «Пневмония COVID-19» использовалось 199 обучающих данных, 50 проверочных данных и 50 тестовых данных, для класса «Другие пневмонии» использовалось 1177 обучающих данных, 295 проверочных данных и 50 тестовых данных.

2.2. Предварительная обработка

Чтобы решить проблему вероятной систематической ошибки, упомянутую в разделе 2.1, рентгенограммы органов грудной клетки без артефактов JPEG записывались в формате JPEG путем случайного изменения значения IMWRITE_JPEG_QUALITY между 30 и 70 с помощью метода imwrite() в OpenCV [32]. ] библиотека.Кроме того, пытались решить проблему смещения, добавляя к этим данным случайные настройки яркости, контраста, резкости в дополнение к артефактам JPEG.

Поскольку ранее обученные сети сверточных нейронных сетей (CNN), которые будут использоваться, работают с входными сигналами RGB (красный, зеленый, синий), рентгенограммы в градациях серого должны быть окрашены с помощью цветовой карты (). Хотя все используемые данные представляют собой 8-битные изображения в градациях серого, основной причиной применения цветовой карты к графике является создание пользовательского загрузчика данных, готового к работе с 16-битными форматами DICOM.Таким образом, когда в модели используются файлы DICOM, 16-битные данные могут без потерь передаваться в 24-битное цветовое пространство RGB. Ожидается также, что процесс окрашивания может обеспечить решение проблемы возможного смещения. Для этого все рентгенограммы раскрашиваются с помощью цветовой карты COLORMAP_JET в библиотеке OpenCV и переводятся в 24-битное пространство. Из-за небольшого количества данных и несбалансированных классов в наборе данных все рентгенограммы были дополнены случайным образом путем горизонтального и вертикального отражения, поворота, масштабирования, изменения значений яркости и деформации ().Поскольку эти дополнения также имитируют различные типы изображений, созданных различными рентгеновскими устройствами, очень важным шагом является обобщение предложенной модели.

Схематическое изображение этапа предварительной обработки.

Схематическое изображение процесса аугментации.

2.3. Трансферное обучение и оптимизация

В этой работе использовался метод трансферного обучения, так как количество доступного набора данных невелико. Трансферное обучение и оптимизация модели проводились на персональном компьютере (процессор Ryzen 5 1600, 16 ГБ оперативной памяти DDR4, графическая карта Nvidia RTX 2080 Ti).Для разработки модели использовались библиотеки Fastai [33] и OpenCV [32]. Архитектуры остаточной нейронной сети (ResNet) [34], плотной сверточной сети (DenseNet) [35] и группы визуальной геометрии (VGG) [36], которые уже были обучены базой данных ImageNet [37] и, следовательно, уже способны классифицировать в 1000 различных классах прошли переподготовку, чтобы различать пневмонию, вызванную COVID-19, и пневмонию, не связанную с COVID-19, путем трансферного обучения. Преимущество использования предварительно обученных архитектур для повышения скорости обучения и точности новой предлагаемой модели, поскольку основные характеристики изображения, которые уже изучены, могут быть перенесены в новую задачу.

Во время исследований переноса обучения слои свертки архитектур ResNet18, Resnet34, ResNet50, ResNet101, ResNet152, DenseNet121, DenseNet161, DenseNet169, DenseNet201, VGG16 и VGG19, которые ранее были обучены ImageNet для достижения точных результатов с несколькими наборами данных, были заморожены. и только полносвязные слои были переобучены. Числа в названии архитектур, такие как 34, 50, 152, 121 и т. д., представляют собой количество весовых слоев в соответствующей нейронной сети.Сеть VGG разработана в результате идеи гораздо более глубоких сетей с гораздо меньшими фильтрами. Существует три типа архитектур VGG Net, включая VGG-11, VGG-16 и VGG-19, и эти сети содержат 11, 16 и 19 сверточных и полностью связанных уровней. Сеть VGG отличается своей простотой, поскольку в ней используются только сверточные слои 3×3, уложенные друг на друга с возрастающей глубиной. Уменьшение размера тома осуществляется с помощью максимального объединения. Конфигурация VGG-16 следующая: количество сверток и слоев max-pooling: 13, слой max-pooling: 1, полносвязные слои: 3, и слой Softmax: 1.Общий вес 138 миллионов. VGG-19 состоял из 16 сверточных слоев, одного слоя максимального пула, 3 полносвязных слоев, за которыми следовал слой Softmax [36].

Основным базовым элементом ResNet являются остаточные блоки. В ResNet все эти остаточные блоки сложены очень глубоко. Благодаря этому он предотвращает искажения, возникающие по мере того, как сеть становится глубже и сложнее. Кроме того, блоки узких мест используются для ускорения обучения в модели ResNet. Еще одна особенность этой очень глубокой архитектуры заключается в том, что она позволяет использовать до 150 слоев в глубину.Количество фильтров можно удвоить и пространственно уменьшить, используя второй шаг в ResNet [34]. DenseNet — это плотно связанная CNN, где каждый уровень связан со всеми предыдущими уровнями. Поэтому он образует очень плотную связь между слоями. DenseNet состоит из нескольких плотных блоков, а слой между двумя соседними блоками называется переходным слоем. Первые определяют, как объединяются входы и выходы, а вторые управляют количеством каналов, чтобы оно не было слишком большим.DenseNet использует модифицированную структуру «пакетной нормализации, активации и свертки» ResNet [35].

Скорость обучения была исследована от 1,0×10 –6 до 1,0 за 170 итераций для всех архитектур, затем она была остановлена, когда потери расходились. После завершения процесса исследования скорости обучения значения скорости обучения для каждой архитектуры были аналогичным образом определены как 1,0 × 10 90 643 –2 90 644, и они были обучены в общей сложности за 40 эпох. В процессе обучения использовались рентгенограммы с разрешением 224×224 пикселя.С другой стороны, узоры на рентгенограммах грудной клетки, вызывающие пневмонию, обычно тонкие и крошечные. Поэтому важно повысить разрешение рентгенограммы для оптимизации модели. Для этого все рентгенограммы были переразмерены с разрешением 448×448 пикселей, затем к каждой рентгенограмме был применен этап предварительной обработки.

Еще одна проблема, которую следует учитывать в процессе оптимизации, — это тонкая настройка. В процессе тонкой настройки замороженные сверточные слои были повторно обучены путем размораживания слоев.В процессе обратного распространения используется метод «стохастического градиентного спуска с перезапусками» [38] для нахождения точек минимума на функции потерь. По мере прохождения итераций значение скорости обучения обновляется путем повторения метода «косинусного отжига» и увеличения периода. Благодаря динамически обновляемой скорости обучения можно более точно определить минимальные баллы по «функции потерь». Для применения методики «стохастический градиентный спуск с перезапусками» к сети, обученной на этапе трансферного обучения (1-й этап), необходимо определить пределы значений скорости обучения.Чтобы определить предел значений скорости обучения, после завершения 1-го этапа обучения передачи, как указано выше, процесс исследования скорости обучения размороженных сетей был повторен, и был определен соответствующий интервал скорости обучения, который необходимо изучить. В конце этапа переноса обучения и оптимизации окончательная модель (оптимизированная модель nCoV-NET ) была применена к набору данных независимого тестирования для проверки ее производительности.

2.4. Карты активации

Градиентно-взвешенный метод Class Activation Mapping (Grad-CAM), помогающий улучшить причинно-следственную связь и разборчивость, использовался для создания карт активации, выделяющих важные области рентгенограммы [39–41].В методе Grad-CAM используются градиенты рентгенограмм, перетекающих в окончательный сверточный слой для получения грубой карты локализации, на которой выделены важные области. Сообщалось, что более глубокие представления в сверточной нейронной сети захватывают визуальные конструкции верхнего уровня [42, 43]. Кроме того, сверточные слои способны сохранять пространственную информацию, которая теряется в полносвязных слоях. Таким образом, можно ожидать, что последние сверточные слои будут иметь идеальное совпадение между семантикой высокого уровня и подробной пространственной информацией.Нейроны (то есть части объекта) пытаются найти семантическую информацию о классе в изображении. Grad-CAM использует информацию о градиенте, поступающую в последний сверточный слой, для присвоения значений значимости каждому нейрону.

2.5. Критерии оценки эффективности

Параметры точности, полноты (чувствительности) и прецизионности (положительное прогностическое значение) являются основными параметрами, определяющими производительность модели. В матрице путаницы есть четыре возможных результата, включая истинно положительный (TP), истинно отрицательный (TN), ложноположительный (FP), ложноотрицательный (FN).Когда случай действительно положительный, если он классифицируется как положительный, он помечается как TP, и, напротив, если он классифицируется как отрицательный, он помечается как FN. Точно так же в случае отрицательного результата, если случай классифицируется как отрицательный, это TN, если классифицируется как положительный, он помечается как FP [44]. Для оценки производительности адаптированных сверточных нейронных сетей коэффициенты точности, полноты и точности были определены следующим образом.

Точность %=(TP+TNTP+TN+FP+FN)×100

(1)

Отзыв %=(TPTP+FN)×100

(2)

Точность %=(TPTP+FP) ×100

(3)

Матрица путаницы — это метод измерения производительности для обобщения производительности разработанной модели классификации глубокого обучения.Вычисление матрицы путаницы обеспечивает лучшее представление о том, какая модель классификации работает правильно и какие типы ошибок она допускает. Это также обеспечивает понимание не только ошибок, совершаемых классификатором, но, что более важно, типов ошибок. Это матрица, включающая различные комбинации прогнозируемых и фактических значений.

3. Результаты

Тренировочный процесс состоит из трех основных этапов: i) Было исследовано различных архитектур на различной глубине, включая ResNet, VGG и DenseNet, и все сверточные слои были заморожены и обучены ii) была определена наиболее подходящая архитектура, и для каждой архитектуры был выполнен процесс тонкой настройки iii) были оценены результаты вывода карты активации, которая устанавливает мост между радиологами и искусственным интеллектом для понимания.

3.1. Этап 1

st : Трансферное обучение

На первом этапе трансферного обучения полностью связанные слои архитектур ResNet, DenseNet и VGG, ранее обученные наборами данных ImageNet с разными номерами слоев, были повторно обучены и структурированы, чтобы различать пневмонию, вызванную COVID-19, и пневмонию, не связанную с COVID-19. . Все условия обучения были установлены как разрешение 224×224 пикселей, размер пакета 16, скорость обучения 1,0×r10 –2 для сравнения различных архитектур.

Полученные значения точности, полноты и прецизионности для каждой архитектуры были изображены на . Как видно из , на 1-м этапе обучения переносу все модели, проведенные с разным количеством слоев, показали одинаковые характеристики на разных типах архитектур CNN. Поскольку набор данных состоит из небольших и несбалансированных данных, а скорость обучения, использованная на первом этапе, была относительно большой, диаграммы производительности различались в каждом значении эпохи, вызывая шум в диаграммах, что затрудняло определение критериев производительности сетей.По результатам, определенным обучением, было установлено, что значения точности, полноты и прецизионности очень близки друг к другу. Таким образом, было решено, что узким местом как по набору данных, так и по параметрам, используемым в процессе обучения, являются не архитектуры CNN.

Графики производительности для каждой архитектуры.

Типичный график скорости обучения по сравнению с несколькими циклами отжига скорости обучения [29].

В свете этой информации было принято решение провести тонкую настройку архитектур VGG-16, DenseNet-161 и ResNet-50, принимая во внимание как вычислительную эффективность, так и производительность сетей в аналогичных медицинских исследованиях [45–47].Кроме того, это было направлено на улучшение критериев производительности.

3.2. Этап 2

и : тонкая настройка и оптимизация

После 1-го этапа процесса обучения переносу было принято решение улучшить значение разрешения изображения для выбранных архитектур, включая VGG-16, DenseNet-161 и ResNet-50. Наиболее важной причиной этого было то, что признаки пневмонии на рентгенограммах грудной клетки могли содержать небольшие особенности по сравнению с самим легким. Таким образом, в исследованиях, проведенных с новым входным разрешением, определенным как 448×448 пикселей, значения скорости обучения сетей, входное разрешение которых было изменено после процесса исследования скорости обучения, также определялись как 1×10 –2 .Сверточные слои были обучены для 20 тренировочных эпох, установив размер пакета равным 8 во время заморозки.

Чтобы применить SGDR к модели, необходимо повторить процесс исследования скорости обучения на размороженной модели и определить максимальное и минимальное ограничения скорости обучения, которые будут использоваться [38]. Эти определенные значения скорости обучения использовались в качестве максимальных и минимальных значений скорости обучения в процессе косинусного отжига. В примере значения потерь по сравнению со значениями скорости обучения и предпочтительные интервалы скорости обучения для использования в SGDR были указаны для каждой сети.Интервалы скорости обучения, которые будут использоваться в обучении, обозначены оранжевыми полями ().

Интервалы скорости обучения (a) VGG-16 (b) DenseNet-161 (c) архитектуры ResNet-50.

В результате всего процесса обучения 80 эпох потери при проверке, точность проверки, полнота и точность были рассчитаны после каждой эпохи, и результаты были нанесены на график, как показано на рис. Значения потерь при проверке для всех трех архитектур уменьшались экспоненциально и имели стабильную структуру при достижении насыщения.Значения точности проверки, отзыва и точности оказались очень близкими друг к другу для всех трех архитектур.

Сравнение графиков производительности различных метрик для архитектур ResNet-50, VGG-16 и DenseNet-161.

Матрица путаницы — это измерение производительности задачи классификации машинного обучения, когда выходные данные содержат два или более классов. Матрицы путаницы для каждой модели с различной архитектурой рассчитывались в точках, где модели работают максимально, чтобы получить лучшее представление о производительности разработанных моделей.Матрицы путаницы, рассчитанные как для набора данных проверки, так и для наборов данных тестирования, были изображены в . Результаты показали, что архитектура DenseNet-161 работает лучше, чем другие архитектуры со следующими графиками (). Из матрицы путаницы архитектуры DenseNEt-161, рассчитанной для набора проверочных данных, представленного в c, было замечено, что модель nCoV-NET может обнаружить 38 из 50 пациентов с COVID-19 как имеющих COVID-19, 295 из 295 не инфицированных. -Случаи COVID-19 как не-COVID-19.С другой стороны, было замечено, что он ошибочно классифицировал 12 случаев, не связанных с COVID-19, как случай с COVID-19. Более того, из матрицы путаницы архитектуры DenseNet-161, рассчитанной для набора данных тестирования, предложенная модель nCoV-NET достигла точности 82,0% для классификации случаев COVID-19 (d).

Матрица путаницы оптимизированной модели nCoV-NET для (а, б) архитектур VGG-16 (в, г) DenseNet-161 (д, е) ResNet-50 ( а, в, д представляет собой рассчитанные матрицы путаницы для набор данных проверки, а b, d, e представляет собой рассчитанные матрицы путаницы для набора данных тестирования).

В , результаты процесса тонкой настройки, включая первый этап и второй этап обучения, были сведены в таблицу. Как видно из диаграммы, архитектура DenseNet-161 продемонстрировала наилучшие показатели точности, полноты и точности. Кроме того, следует отметить, что все обученные сети показали высокие значения отзыва (чувствительности). Кроме того, параметры производительности оптимизированного nCoV-NET (окончательная модель), рассчитанные для набора данных независимого тестирования, были перечислены в .Было ясно видно, что DenseNet-161 показал самое высокое значение точности 82% среди других архитектур.

Таблица 1

Сравнение показателей производительности nCoV-NET для разных архитектур

производительность Архитектура
Metrics VGG-16 Densenet-161 Resnet-50
Точность Отзыв Точность Точность Отзыв Точность Точность Отзыв Точность
1-й этап обучения 95.36 99,66 95,14 95,94 99,66 95,76 95,65 99,66 95,45
второй этап обучения 96,52 100,00 96,09 97.10 100,0 96,72 96,81 100,00 96,40
nCoV-Net (применительно к данным тестирования) 80.00 84,00 74,00 82,00 86,30 76,00 79,00 83,70 72,00

В наборе данных проверки для класса пневмонии COVID-19 было обнаружено 12 ложноотрицательных случаев в архитектуре VGG-16, 10 в архитектуре DenseNet-161 и 11 в архитектуре ResNet-50 (). В результате обследований у рентгенолога 8 одинаковых данных были прогнозированы как ложноотрицательные для каждой архитектуры.На этих рентгенограммах были представлены их метаданные. В свете этих результатов были разработаны две гипотезы, которые вызывают эту проблему. Первой может быть проблема смещения в наборе данных, поскольку одни и те же ошибки повторялись одинаковым образом всеми сетями [48]. Рентгенограммы грудной клетки трудно исследовать только при пневмонии, потому что легкие, принадлежащие к классам пневмонии, отличной от COVID-19, или пневмонии COVID-19, в дополнение к здоровым легким, ателектаз, кардиомегалия, выпот, инфильтрация, образование, узелок, пневмоторакс, консолидация , отек, эмфизема, фиброз, утолщение плевры и может иметь одну или несколько различных патологий, таких как грыжа [49].Вот почему крайне важно, чтобы набор данных содержал достаточно большое количество групп субпатологий. По мере расширения баз данных и достижения обобщения можно будет уменьшить систематическую ошибку в базе данных. Еще один момент, предложенный радиологами, заключался в том, что в этих случаях поражение было легким и не могло быть обнаружено из-за ограничений, которые могли быть вызваны материалами мониторинга.

Иллюстрация рентгенограмм, на которых все сети допустили одинаковые ошибки.

3.3. Карта активации и взаимодействие с рентгенологом-экспертом

Поскольку радиодиагностика играет важную роль в выявлении случаев COVID-19 на ранних стадиях и принятии дальнейших мер, крайне важно обучить модель CNN для более точного обнаружения легких с положительным результатом на COVID-19. Таким образом, на последнем этапе исследования оригинальные метки рентгенограмм случаев COVID-19, подтвержденных положительным тестом ОТ-ПЦР, и ошибки прогнозов выходных данных nCoV-NET были оценены экспертом-радиологом для подтверждения модели. прочность. nCoV-NET способен определять патогномоничные признаки COVID-19, включая помутнения по типу матового стекла, области консолидации и узелковые помутнения. На рентгенограммах грудной клетки пациентов, инфицированных COVID-19, можно наблюдать двустороннее поражение нижних долей и периферических отделов. Таким образом, разработанная модель должна обнаруживать их локализацию для выявления ранних стадий случаев COVID-19 [23].

Активационное картирование было применено к рентгеновским изображениям грудной клетки с помощью алгоритма Grad-CAM, чтобы радиологи могли диагностировать рентгеновские снимки грудной клетки с помощью искусственной нейронной сети и определять, на каких областях был основан диагноз, и принимать соответствующие решения ().

Иллюстрация (а) исходной рентгенограммы, введенной в сеть, (б) расчетной карты активации, (в) наложенной версии исходной рентгенограммы и ее карты активации.

На изображении исходная рентгенограмма, карта активации, полученная по алгоритму Grad-CAM, наложение исходной рентгенограммы с картой активации представлены слева, посередине и справа соответственно. Как видно из крайнего справа, яркие области можно определить как области, содержащие функции, которые сыграли наиболее эффективную роль в принятии решений искусственной нейронной сетью.Таким образом, в исследование были включены причинность и объяснимость [23]. Сделан вывод, что разработанную модель можно использовать в медицинских центрах, чтобы не приходилось долго ждать, пока рентгенологи расшифруют изображения.

4. Обсуждение

Быстрая диагностика и сортировка имеют жизненно важное значение для борьбы с инфекционными заболеваниями, особенно с COVID-19. Существует острая потребность в альтернативных эффективных и своевременных методах диагностики, которые могут быть использованы медицинским персоналом на переднем крае для быстрой и точной диагностики COVID-19.Использование моделей на основе искусственного интеллекта становится заметным при скрининге пациентов, инфицированных COVID-19, по рентгенологическим изображениям. Как изображено в . в литературе есть много ценных работ, в которых использовались аналогичные наборы данных для обучения модели CNN дифференцировать пневмонию COVID-19 от КТ грудной клетки и рентгеновских изображений грудной клетки.

Таблица 2

Сравнение аналогичных работ по автоматизированному выявлению пневмонии COVID-19 на основе искусственного интеллекта по рентгенограммам грудной клетки

9 18774 Здоровые 8 Это исследование
Исследование Количество случаев Используемый метод Точность10 (%)
Апостолопулос и др.[52] 224 COVID-19 (+) ВГГ-19 93,48
504 Здоровые
Ван и Вонг [51] 53 COVID-19 (+) Resnet-50 93.0
5526 COVID-19 (-)
8066 Heality
Хемдан и др. [50] 25 COVID-19 (+) ВГГ-19 90,0
25 Обычный
Хобани и др.[56] 76 COVID-19 (+) Resnet-18 93.5
5526 Pneumonia
8066 Gooding
Чжан и др. [57] 493 COVID-19 (+) Resnet-18 83.61
24596 Pneumonia
Сети и Бехра [58] 25 COVID-19 (+) ResNet-50 95.38
25 COVID-19 (-)
Рагимзаде и Аттар [59] 118 COVID-19 (+) Resnet50V2 / Xception 91.4
6037 пневмония
8868 Heality
Холл и др. [60] 33 COVID-19 (+) VGG16/ResNet-50 93.12
208 Пневмония
299 COVID-19 nCOV-NET (оптимизирован путем точной настройки с помощью DenseNET-161) 97.10
1522 Пневмония

Например, в исследовании, проведенном Hemdan et al., была разработана модель COVIDX-Net с точностью 90% для скрининга COVID-19 по рентгеновским изображениям [50]. В другом исследовании, о котором сообщили Ван и Вонг, для обнаружения COVID-19 была предложена модель на основе подхода глубокого обучения под названием COVID-NET с точностью 92,4% с использованием 16 756 рентгеновских изображений грудной клетки, собранных из различных источников с открытым доступом [51].Иоаннис и др. предложил модель трансферного обучения с высокой степенью точности 98,75% для выявления случаев COVID-19 на рентгенологических изображениях [52]. С аналогичной целью автоматического обнаружения случаев COVID-19 по рентгенологическим изображениям Narin et al. использовали различные архитектуры CNN, включая ResNet50, ResNet101, ResNet152, InceptionV3 и Inception-ResNetV2, и они сообщили, что модель ResNet50 обеспечивает наивысшую производительность классификации в диапазоне изменений от 96,1% до 99,7% [53]. Сингх и др.представили производительность предложенной ими модели, разделив набор данных при различных скоростях обучения и тестирования, и они сообщили о самой высокой точности, равной 94,65% при 70% обучении и 30% коэффициентах тестирования [54]. В другом исследовании для обучения модели CNN, разработанной Das et al., использовались классы с положительным результатом на COVID-19, пневмонией и другими инфекциями, и набор данных был разделен на 70 % для обучения, 10 % для проверки и 20 % для тестового набора данных. Результаты показали, что разработанная модель достигла точности 94,40 % по сравнению с набором тестовых данных для дифференциации случаев COVID-19 [55].

Принимая во внимание всю обобщенную информацию, можно сделать вывод, что в большинстве исследований имеется ограниченное количество данных о COVID-19, и в большинстве из них использовались предвзятые наборы данных, и было замечено, что использовались общие архитектуры, такие как VGG и ResNet. Поэтому, учитывая эту проблему, была разработана модель глубокой сверточной нейронной сети под названием nCoV-NET для скрининга пациентов, инфицированных COVID-19, по рентгенограммам грудной клетки, и она направлена ​​на устранение проблемы дебиаса в других работах.Кроме того, это исследование было разработано, чтобы показать, можно ли использовать предложенную модель CNN, nCoV-NET , для дифференциации пневмонии COVID-19 и других пневмоний с высокой чувствительностью и точностью для практического использования.

Результаты оценки производительности модели показали доказательство того, что nCoV-NET может извлекать признаки COVID-19 из рентгенограмм грудной клетки для диагностики пневмонии COVID-19 с точностью 97,1%. В результате этапов обучения был сделан вывод, что для переобучения недостаточно только полносвязных слоев.Таким образом, сверточные слои также были переобучены и производительность сетей была увеличена с тонкой настройкой после первого этапа. Хотя результаты производительности всех архитектур CNN были определены близко друг к другу, DenseNet-161 была определена как наиболее подходящая архитектура CNN среди тонко настроенных архитектур. На последнем этапе разработки модели была создана карта активации путем реализации алгоритма Grad-CAM, и рентгенологам было сообщено, на какие точки на графике сфокусировался искусственный интеллект.В процессе оценки все архитектуры CNN обнаружили те же 8 данных о пневмонии COVID-19 как ложноотрицательные. Эта ситуация может объяснить, почему все архитектуры дали близкие результаты. Кроме того, считалось, что эта ситуация связана как с медицинскими причинами, такими как легкое поражение легких, так и с ограничениями материалов для мониторинга и проблемой смещения, как указано в двух гипотезах, описанных в разделе результатов и обсуждения. Однако основным недостатком этого исследования является ограниченное количество доступных данных.Ожидается, что производительность этой модели возрастет за счет увеличения количества наборов данных. Кроме того, поскольку мы использовали последнюю версию базы данных «Сбор данных изображений COVID-19», которая постоянно обновляется в нашем исследовании, считается, что эта работа будет способствовать будущим исследованиям COVID-19. Кроме того, считается, что сравнение различных архитектур и выбор подходящей архитектуры внесет большой вклад в литературу. Основные преимущества предложенной модели CNN, nCoV-NET , можно перечислить следующим образом:

  • • С помощью разработанного загрузчика данных устранения смещения модель пытались обобщить, устранив проблему смещения.
  • • Предложенная модель была подготовлена ​​для моделей, которые планируется разработать в будущем с использованием метода переноса обучения с использованием графики DICOM с высокой битовой глубиной.
  • • Модель позволяет дифференцировать случаи COVID-19 с точностью 97,10 %
  • • Благодаря картированию активации модель может выделять важные области на рентгеновских снимках грудной клетки для улучшения причинно-следственной связи и разборчивости.
  • • Различные архитектуры с разными весовыми уровнями, включая ResNet, DenseNet и VGG, использовались на этапах передачи обучения для оптимизации модели.

5. Заключение

В этой работе производительность модели трансферного обучения была повышена за счет реализации подхода загрузчика данных с устранением смещения, чтобы избежать проблемы смещения и получить значения высокой точности для автоматического обнаружения случаев COVID-19 на рентгенограммах грудной клетки. По сути, можно сделать вывод, что, используя предложенную модель трансферного обучения под названием nCoV-NET в системе здравоохранения, можно значительно сократить время диагностики, чтобы можно было эффективно контролировать заболевание и, таким образом, предотвратить возможный риск распространения вируса.Более того, таким образом можно значительно снизить нагрузку на специалистов в данной области. Разработанная модель nCoV-NET работает онлайн по адресу www.notrino.com/ncov-net и говорит, что в результате предоставленных модели графических файлов графика относится к классу «COVID-19 Пневмония» или «Другая Пневмонии» с точностью 97,10% и путем визуализации карты активации на графике предоставляет графическую информацию. Производительность предложенной модели оценивается экспертом-радиологом из Университетской больницы Акдениз, Турция, и подтверждается, что она готова к тестированию на больших наборах данных.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов.

Этическое одобрение

Эта статья не содержит каких-либо исследований с участием людей или животных, проведенных кем-либо из авторов.

Каталожные номера

[1] Батт С., Гилл Дж., Чун Д., Бабу Б.А., Система глубокого обучения для скрининга пневмонии, вызванной коронавирусом 2019 года, Applied Intelligence (2020), 1. [Академия Google][4] Эбрахим С.Х., Ахмед К.А., Гоззер Э. и др., Covid-19 и стратегии смягчения последствий пандемии, Британский медицинский журнал 368 (2020), м1066.[PubMed] [Академия Google][6] Ван Л., Вонг А., COVID-Net: Специализированный дизайн глубокой сверточной нейронной сети для обнаружения случаев COVID-19 на рентгенограммах грудной клетки, arXiv 2020, препринт arXiv: 2003.09871. [Бесплатная статья PMC] [PubMed] [Google Scholar][7] Ай Т., Ян З., Хоу Х. и др.., Корреляция результатов КТ грудной клетки и ОТ-ПЦР при коронавирусной болезни 2019 г. (COVID-19) в Китае: отчет о 1014 случаях, Радиология (2020 г.), 2006 42 . [Бесплатная статья PMC] [PubMed] [Google Scholar][8] Чжэн К., Лу Ю., Lure F., et al.., Клинические и радиологические особенности новой коронавирусной пневмонии, Journal of X-ray Science and Technology 28 (2020), 391–404. [Бесплатная статья PMC] [PubMed] [Google Scholar][9] Ван С., Канг Б., Ма Дж. и др., Алгоритм глубокого обучения с использованием изображений КТ для выявления коронавирусной болезни (COVID-19), MedRxiv (2020). [Бесплатная статья PMC] [PubMed] [Google Scholar][10] Канне Дж. П., Литтл Б. П., Чанг Дж. Х. и др.. Основы для рентгенологов по COVID-19: обновленная группа научных экспертов по радиологии, Радиология (2020 г.), 2005 г. 27.[Бесплатная статья PMC] [PubMed] [Google Scholar][11] Чжан Дж., Се Ю., Ли Ю. и др., Скрининг COVID-19 на рентгеновских снимках грудной клетки с использованием обнаружения аномалий на основе глубокого обучения, arXiv (2020), препринт arXiv: 2003.12338. [Академия Google][12] Xie X., Zhong Z., Zhao W. и др.., КТ грудной клетки при типичной пневмонии 2019-nCoV: связь с отрицательным результатом RT-PCR, Radiology (2020), 200343. [Бесплатная статья PMC] [PubMed] [Google Scholar][14] Элаварасан Р.М., Пугаженди Р., Реструктурированное общество и окружающая среда: обзор потенциальных технологических стратегий борьбы с пандемией COVID-19, Science of the Total Environment (2020), 138858.[Бесплатная статья PMC] [PubMed] [Google Scholar][15] Кулкарни С., Сеневиратне Н., Баиг М.С., Хан А.Х.А., Искусственный интеллект в медицине: где мы сейчас? Академическая радиология 27 (2020), 62–70. [PubMed] [Академия Google][16] ЛеКун Ю., Бенжио Ю., Хинтон Г., Глубокое обучение, Nature, 521 (2015), 436–444. [PubMed] [Академия Google][17] Гозес О., Фрид-Адар М., Гринспен Х. и др.. Цикл быстрой разработки ИИ для пандемии коронавируса (COVID-19): первоначальные результаты автоматического обнаружения и мониторинга пациентов с использованием анализа изображений КТ с глубоким обучением, arXiv ( 2020), препринт arXiv:2003.05037. [Академия Google][18] Шань Ф., Гао Ю., Ван Дж. и др., Количественная оценка легочной инфекции COVID-19 на КТ-изображениях с глубоким обучением, arXiv (2020), препринт arXiv: 2003.04655. [Академия Google][19] Джайн Р., Гупта М., Танеджа С., Хемант Д.Дж., Обнаружение и анализ COVID-19 на основе глубокого обучения на рентгеновских изображениях грудной клетки, Applied Intelligence (2020), 1–11. [Академия Google][20] Минаи С., Кафие Р., Сонка М. и др., Deep-covid: прогнозирование covid-19 по рентгенограммам грудной клетки с использованием глубокого трансферного обучения, препринт arXiv (2020) arXiv:2004.09363. [Бесплатная статья PMC] [PubMed] [Google Scholar][21] Учича К., Аммор О., Мекнасси М., CVDNet: Новая архитектура глубокого обучения для обнаружения коронавируса (Covid-19) на рентгеновских снимках грудной клетки, Хаос, солитоны и фракталы 140 (2020), 110245. [Бесплатная статья PMC] [PubMed] [Google Scholar][22] Панвар Х., Гупта П.К., Сиддики М.К. и др., Подход к визуализации цвета на основе глубокого обучения и градации CAM для быстрого обнаружения случаев COVID-19 с использованием изображений рентгена грудной клетки и компьютерной томографии, Хаос, солитоны и фракталы 140 (2020), 110190.[Бесплатная статья PMC] [PubMed] [Google Scholar][23] Озтюрк Т., Тало М., Йилдирим Э.А. и др., Автоматическое обнаружение случаев COVID-19 с использованием глубоких нейронных сетей с рентгеновскими изображениями, Компьютеры в биологии и медицине (2020), 103792. [Бесплатная статья PMC] [PubMed] [Google Scholar][24] Альбахли С., Альбатта В., Обнаружение коронавирусной болезни по рентгеновским изображениям с использованием алгоритмов глубокого обучения и трансфертного обучения, Journal of X-ray Science and Technology 28 (2020), 841–850. [Бесплатная статья PMC] [PubMed] [Google Scholar][25] Аснауи К.Э., Чавки Ю., Идри А., Автоматизированные методы обнаружения и классификации пневмонии на основе рентгеновских изображений с использованием глубокого обучения. Препринт ArXiv (2020) arXiv: 2003.14363. [Академия Google][26] Че Аземин М.З., Хасан Р. Мохд Тамри М.И. и др., Модель прогнозирования глубокого обучения COVID-19 с использованием общедоступных рентгеновских снимков грудной клетки, вынесенных радиологами, в качестве обучающих данных: предварительные результаты, Международный журнал биомедицинской визуализации (2020). [Бесплатная статья PMC] [PubMed] [Google Scholar][27] Басси П.Р., Аттакс Р., Глубокая сверточная нейронная сеть для обнаружения COVID-19 с использованием рентгенографии грудной клетки, препринт ArXiv (2020) arXiv: 2005.01578. [Академия Google][29] Раджпуркар П., Ирвин Дж., Чжу К. и др., CheXnet: Обнаружение пневмонии на уровне рентгенолога на рентгенограммах грудной клетки с глубоким обучением. arXiv (2017), препринт arXiv: 1711.05225. [Академия Google][30] Wang X., Peng Y., Lu L., et al.., Chestx-ray8: База данных рентгеновских снимков грудной клетки в больничном масштабе и контрольные показатели по слабо контролируемой классификации и локализации распространенных заболеваний грудной клетки, In: Proceedings of the IEEE conference по компьютерному зрению и распознаванию образов (2017 г.), 2097–2106 гг.[Академия Google][31] Коэн Дж. П., Моррисон П., Дао Л., Сбор данных изображений COVID-19., arXiv (2020), препринт arXiv: 2003.11597. [Академия Google][34] Хэ К., Чжан С., Рен С., Сунь Дж., Глубокое остаточное обучение для распознавания изображений, В: Материалы конференции IEEE по компьютерному зрению и распознаванию образов (2016), 770–778. [Академия Google][35] Хуан Г., Лю З., Ван Дер Маатен Л. и Вайнбергер К. К., Плотно связанные сверточные сети, В: Труды конференции IEEE по компьютерному зрению и распознаванию образов (2017), 4700–4708.[Академия Google][36] Симонян К., Зиссерман А., Очень глубокие сверточные сети для крупномасштабного распознавания изображений, arXiv (2014), препринт arXiv:1409.1556. [Академия Google][38] Лощилов И., Хаттер Ф., SGDR: Стохастический градиентный спуск с теплыми перезапусками, arXiv (2016), препринт arXiv:1608.03983. [Академия Google][39] Хуанг Г., Ли Ю., Плейсс Г. и др.., Ансамбли моментальных снимков: поезд 1, получите M бесплатно, arXiv (2017), препринт arXiv: 1704.00109. [Академия Google][40] Хольцингер А., Лангс Г., Денк Х., и др.., Причинность и объяснимость искусственного интеллекта в медицине, WIRES Data Mining and Knowledge Discovery 9 (2019), 1312. [Бесплатная статья PMC] [PubMed] [Google Scholar][41] Selvaraju R.R., Cogswell M., Das A., et al.., Grad-CAM: Визуальные объяснения из глубоких сетей с помощью локализации на основе градиента, Материалы международной конференции IEEE по компьютерному зрению, (2017), 618–626. [Академия Google][42] Бенжио Ю., Курвиль А., Винсент П., Обучение представлению: обзор и новые перспективы, IEEE Transactions on Pattern Analysis and Machine Intelligence 35 (2013), 1798–1828.[PubMed] [Академия Google][43] Махендран А., Ведальди А., Заметные деконволюционные сети, Европейская конференция по компьютерному зрению (2016), 120–135. [Академия Google][44] Фосетт Т., Введение в ROC-анализ, Письма о распознавании образов 27 (2006), 861–874. [Академия Google][45] Тало ​​М., Автоматизированная классификация гистопатологических изображений с использованием трансферного обучения, Искусственный интеллект в медицине 101 (2019), 101743. [PubMed] [Академия Google][46] Тогачар М., Комерт З. и Эрген Б., Классификация МРТ головного мозга с использованием метода гиперколонки со сверточной нейронной сетью и метода выбора признаков, Экспертные системы с приложениями 149 (2020), 113274.[Академия Google][47] Весал С., Равикумар Н., Давари А. и др.., Классификация гистологических изображений рака молочной железы с использованием обучения передаче, В: Международная конференция по анализу и распознаванию изображений Springer, Cham (2018), 812–819. [Академия Google][48] Томмаси Т., Патрисия Н., Капуто Б. и др., Более глубокий взгляд на предвзятость набора данных, В: Адаптация предметной области в приложениях компьютерного зрения Springer, Cham (2017), 37–55. [Академия Google][49] Хан А.Н., Аль-Джахдали Х., Сара А.Г. и др.. Чтение рентгенограмм грудной клетки у больных в критическом состоянии (Часть II): Рентгенография патологий легких, распространенных у пациентов в отделении интенсивной терапии, Анналы торакальной медицины 4 (2009), 149.[Бесплатная статья PMC] [PubMed] [Google Scholar][50] Хемдан Э.Э.Д., Шуман М.А., Карар М.Е., COVIDX-Net: система классификаторов глубокого обучения для диагностики COVID-19 на рентгеновских изображениях, ArXiv (2020), препринт arXiv:2003.11055. [Академия Google][51] Ван Л., Вонг А., COVID-Net: Специализированный дизайн глубокой сверточной нейронной сети для обнаружения случаев COVID-19 на рентгенографических изображениях грудной клетки, arXiv (2020), препринт arXiv: 2003.09871. [Бесплатная статья PMC] [PubMed] [Google Scholar][52] Апостолопулос И.Д., Мпесиана Т.А., Covid-19: автоматическое обнаружение на рентгеновских изображениях с использованием трансфертного обучения с помощью сверточных нейронных сетей, Физические и технические науки в медицине (2020), 1. [Бесплатная статья PMC] [PubMed] [Google Scholar][53] Нарин А., Кая С., Памук З., Автоматическое обнаружение коронавирусной болезни (covid-19) с использованием рентгеновских изображений и глубоких сверточных нейронных сетей, ArXiv (2020), препринт arXiv: 2003.10849 [Академия Google][54] Сингх Д., Кумар В., Каур М., Классификация пациентов с COVID-19 по изображениям КТ грудной клетки с использованием многоцелевых сверточных нейронных сетей на основе дифференциальной эволюции, Европейский журнал клинической микробиологии и инфекционных заболеваний 8 (2020), 1–11.[Бесплатная статья PMC] [PubMed] [Google Scholar][55] Дас Н.Н., Кумар Н., Каур М. и др., Подход на основе автоматизированного глубокого обучения для обнаружения инфекции COVID-19 при рентгенографии грудной клетки, IRBM (2020). [Бесплатная статья PMC] [PubMed] [Google Scholar][56] Khobahi S., Agarwa C., Soltanalian M., CoroNet: Архитектура глубокой сети для полуконтролируемой идентификации COVID-19 на основе задач по рентгенограммам грудной клетки, medRxiv (2020). [Google Академия][57] Чжан Дж., Се Ю., Ляо З. и др.., Скрининг вирусной пневмонии на рентгеновских снимках грудной клетки с использованием достоверного обнаружения аномалий, arXiv (2020), препринт arXiv:2003.12338. [Google Академия][58] Сети П.К., Бехера С.К., Обнаружение коронавирусной болезни (covid-19) на основе глубоких признаков, Препринты (2020), 2020030300. [Академия Google][59] Рахимзаде М., Аттар А., Новая модифицированная глубокая сверточная нейронная сеть для обнаружения COVID-19 на рентгеновских изображениях, препринт arXiv (2020) arXiv: 2004.08052. [Бесплатная статья PMC] [PubMed] [Google Scholar][60] Холл Л.О., Пол Р., Голдгоф Д.Б. и др.. Обнаружение covid-19 на рентгенограммах грудной клетки с использованием глубокого обучения на небольшом наборе данных, препринт arXiv (2020) arXiv:2004.02060. [Google Scholar]

Tuning Haus XRAY 1:10 XB4 Электрическая багги Сверхпрочная лента для настройки 25 мм TUh2122 Детали кузова и интерьер Игрушки и хобби Автомобили, грузовики и мотоциклы

Tuning Haus XRAY 1:10 XB4 Electric Buggy Ultra-Strong Tuning Tape 25 мм TUh2122 Кузовные детали и интерьер Игрушки и хобби Автомобили, грузовики и мотоциклы

Найдите много отличных новых и подержанных вариантов и получите лучшие предложения для Tuning Haus XRAY 1:10 XB4 Electric Сверхпрочная лента для настройки багги 25 мм TUh2122 по лучшим онлайн-ценам на , Бесплатная доставка для многих продуктов, Лучшие доступные цены, Заказ онлайн, Найдите последние стили великих брендов., Tuning Haus XRAY 1:10 XB4 Сверхпрочная лента для настройки электрической багги 25 мм TUh2122, TUh2122 Tuning Haus XRAY 1:10 XB4 Сверхпрочная лента для настройки электрической багги 25 мм, Tuning Haus XB4 1:10 XB4 Сверхпрочная лента для настройки электрической багги 25 мм ТУх2122.





неиспользованный, неповрежденный товар (включая изделия ручной работы). Полную информацию смотрите в объявлении продавца. Посмотреть все определения условий : Торговая марка: : Tuning Haus , MPN: : TUh2122 : UPC: : Не применяется ,, Найдите много отличных новых и подержанных вариантов и получите лучшие предложения для Tuning Haus XRAY 1:10 XB4 Electric Buggy Ultra-Strong Tuning Лента 25мм ТУх2122 по лучшей цене интернет-магазина ! Бесплатная доставка для многих продуктов!.Состояние:: Новый: Совершенно новый. неоткрытый.

БРИНЕМО О ВАМА!

Javite нам

Imate li pitanja u vezi sa informacijama или redu vožnje, o uslugama koje nudimo ili imate potrebu informisati se o bilo čemu vezano za prijevoz građana, kontaktirajte nas. Tu smo da odgovorimo na Vaša pitanja i učinimo korishtenje naših usluga udobnijim i lakšim.

Адрес

DD „GIPS» Tuzla
Autobaza Bukinje bb,
75 000 Tuzla, BiH

Телефон

387 35 366 100
387 35 366 101 (факс)

Электронная почта

тех[email protected]
[email protected]

PRODAJNO MJESTO

Зграда Титаник

Главное торговое предприятие и центр за бригу или корреспонденцию.

Адрес

Зграда «Титаник»
1-я инженерная бригада
75000 Тузла, БиГ

ДИСПЕТЧЕРСКИЙ ЦЕНТР

24 сата уз вас!

Tuning Haus XRAY 1:10 XB4 Сверхпрочная лента для настройки багги 25 мм TUh2122

Особенности: Усиленная пятка и носок для прочности.STDKNSK9 Мужские шорты для досок с карманными плавками, мужские хлопковые повседневные футболки с длинным рукавом Henley Quarter Button. Ваши пальцы легко найдут монету, Pro Braking PBK0427-TPU-RED Плетеная передняя/задняя тормозная магистраль: автомобильная промышленность, ADA (Американский закон об инвалидах) и имеет маркировку EPAs WaterSense. Многофункциональность: вы можете использовать его как гобелен. Купить женские шлепанцы SHIJUNWE черного цвета. Вы можете сделать эту наклейку единственной в своем роде с помощью нашей индивидуальной опции с тысячами доступных вам дизайнов.холст, используемый для фактической печати конечного произведения, должен быть архивного качества. Рюкзак Ride изготовлен из 50% ПЭТ и 50% полиэстера. Tuning Haus XRAY 1:10 XB4 Сверхпрочная лента для настройки электрической багги 25 мм TUh2122 . Повседневный кардиган с контрастной полосой. Активный комплект из 2 предметов Hello Kitty Baby Girls из флиса с капюшоном. Результат: стильная обувь с высоким уровнем комфорта и защитой от непогоды.Тщательно промойте тканью, смоченной в чистой воде. Также доступен специальный набор Deluxe, в котором будут представлены первые четыре вышеупомянутых персонажа, а также специальный Rampaging Hulk, доступный только в этом наборе. потому что наша продукция производится в Китае (высота включает высоту ремешка), 5′ PRE-CRIMP 1853 BLUE (упаковка 250 шт.) (0500798000-05-L6): электроника, оснащена язычком из хлопка с рисунком спереди, чтобы не скользить ручка, Tuning Haus XRAY 1:10 XB4 Electric Buggy Ultra-Strong Tuning Tape 25mm TUh2122 .Винтажная рубашка с эффектным ДРЕВНЕЕГИПЕТСКИМ ПРИНТОМ. Ваше изображение сонограммы отправлено по электронной почте непосредственно на адрес: foxcreationsonline [, если вы хотите использовать свою собственную цитату или заменить цитаты. мы бы купили его из их багажников автомобилей. и поклонник винтажной кухни. Я продал много Lustreware и еще не видел сцены с пальмами. Вы можете выбрать либо французскую заколку, либо резинку. Заколки идеально подходят для тонких волос малышей, потому что они отлично держатся и не спутываются. Талия: около 69–74 см / 28–29 дюймов. заказ отправляется через Royal Mail, и он прибудет в, Tuning Haus XRAY 1:10 XB4 Electric Buggy Ultra-Strong Tuning Tape 25mm TUh2122 .Детские стульчики McCall’s 5289 DIY Super Cute Kawaii. Венок изготовлен из мешковины и армированной ленты. Процесс выбора платья, Уникальные свойства одежды ручной вязки от СуперТани. Убедитесь, что ваши настройки печати настроены на печать «Фактического размера» или 100%, эти высококачественные боковые молдинги прослужат вам долгие годы. Просто прикрепите накладку из микрофибры на липучке к нижней части вашей бытовой или коммерческой швабры из микрофибры. и вы готовы к уборке. Материал: сверхмягкая полиэфирная ткань.который подходит для любого уровня мастерства от новичка до профессионала. Не отбеливать и не гладить внутри. Просто нажмите на название нашей торговой марки выше: Tuning Haus XRAY 1:10 XB4 Ultra-Strong Tuning Tape 25 мм для электрических багги TUh2122 . Посмотрите, как разворачивается детская вашей мечты с полноразмерной складной кроваткой Maki. Баскетбольные команды NBA и команды колледжей NCAA. ❥Об акриловой подушке: очень прозрачный материал. Купить Стальной подшипник Stans NoTubes 6802. Трубка из силиконовой резины — выдерживает многократное использование и для визуального осмотра жидкостей.вашим детям это очень понравится. Описание продукта Эта супер крутая сумка для обеда идеально подходит для пикников и выходных. Игрушка Push предназначена для роста вашего ребенка; игрушечный поезд можно использовать как напольную игрушку. Высокое качество: тканевые салфетки аккуратно вырезаны и сшиты из ткани высочайшего качества. Стандарт Cooks NC-00378 Многослойный тажин из нержавеющей стали с 2 ручками и дополнительной стеклянной крышкой. модель дома; Tuning Haus XRAY 1:10 XB4 Electric Buggy Ultra-Strong Tuning Tape 25mm TUh2122 , необходимый для вашего кукольного домика, чтобы играть в домашнем хозяйстве в течение всего дня.

БЫСТРО ПОЛУЧАЙТЕ РЕШЕНИЯ

Ищете консультанта первого класса?

Tuning Haus XRAY 1:10 XB4 Сверхпрочная лента для настройки багги 25 мм TUh2122

1:10 XB4 Ультрапрочная лента для настройки электрической багги 25 мм TUh2122 Tuning Haus XRAY, Tuning Haus XRAY 1:10 XB4 Ультрапрочная лента для настройки электрической багги 25 мм TUh2122, Лента 25 мм TUh2122 Tuning Haus XRAY 1:10 XB4 Ультрапрочная электрическая багги Тюнинг.

Что такое синхротрон?

Синхротрон — чрезвычайно мощный источник рентгеновского излучения.Рентгеновские лучи производятся электронами высокой энергии, когда они циркулируют вокруг синхротрона.

Весь мир синхротронной науки зависит от одного физического явления: когда движущийся электрон меняет направление, он излучает энергию. Когда электрон движется достаточно быстро, излучаемая энергия соответствует длине волны рентгеновского излучения.

Существует синхротронная машина, которая ускоряет электроны до чрезвычайно высоких энергий, а затем заставляет их периодически менять направление. Полученные рентгеновские лучи испускаются в виде десятков тонких лучей, каждый из которых направлен к линии луча рядом с ускорителем.Машина работает днем ​​и ночью, с периодическими короткими и длительными остановками на техническое обслуживание.

Основные конструкции

Кольцо для хранения

Накопитель представляет собой трубку с окружностью 844 метра, в которой электроны вращаются в течение нескольких часов со скоростью, близкой к скорости света. В трубке поддерживается очень низкое давление (около 10 -9 мбар). Когда электроны движутся по кольцу, они проходят через различные типы магнитов (см. ниже) и в процессе производят рентгеновское излучение.Единицы, называемые РЧ-резонаторами, пополняют запасы энергии, испускаемой электронами в виде рентгеновских лучей.

Бустерный синхротрон

Это предварительный ускоритель длиной 300 метров, в котором электроны ускоряются до энергии 6 миллиардов электрон-вольт (6 ГэВ) перед тем, как попасть в накопительное кольцо. Бустерный синхротрон работает всего несколько раз в день в течение нескольких минут, когда накопительное кольцо пополняется. Каждые 50 миллисекунд он может посылать в накопительное кольцо связку электронов с энергией 6 ГэВ.

Линак

Здесь электроны для накопительного кольца производятся в электронной пушке, устройстве, похожем на электронно-лучевые трубки, используемые в старых телевизорах или экранах компьютеров. Эти электроны упаковываются в «сгустки», а затем разгоняются до 200 миллионов электрон-вольт, что достаточно для инжекции в бустерный синхротрон.

Линии луча

Рентгеновские лучи, испускаемые электронами, направлены на «линии луча», окружающие накопительное кольцо в экспериментальном зале.Каждая линия луча предназначена для использования с определенной техникой или для определенного типа исследования. Эксперименты проходят днем ​​и ночью.

Магниты в накопительном кольце

Накопительное кольцо состоит из 32 прямых и 32 изогнутых секций в чередующемся порядке. В каждой изогнутой секции два больших изгибающих магнита направляют электроны на орбиту в форме беговой дорожки с окружностью 844 метра. На каждом прямом участке несколько фокусирующих магнитов гарантируют, что электроны остаются близкими к их идеальной орбитальной траектории.На прямых участках также располагаются ондуляторы, где генерируются интенсивные пучки рентгеновских лучей.

 

Ондулятор (или устройство для введения)

Эти магнитные структуры, состоящие из сложного массива маленьких магнитов, заставляют электроны следовать волнообразной или волнистой траектории. Излучение, испускаемое на каждом последующем изгибе, перекрывается и интерферирует с излучением от других изгибов. Это генерирует гораздо более сфокусированный или яркий луч излучения, чем тот, который генерируется одним магнитом.Кроме того, испускаемые фотоны концентрируются на определенных энергиях (называемых фундаментальными и гармоническими). Зазор между рядами магнитов можно изменять для точной настройки длины волны рентгеновских лучей в луче.

Изгибные магниты

Основная функция поворотных магнитов состоит в том, чтобы направить электроны на их орбиту. Однако, поскольку электроны отклоняются от своего прямого пути при прохождении через эти магниты, они испускают струю рентгеновских лучей по касательной к плоскости электронного луча.Синхротронный свет от поворотного магнита охватывает широкий и непрерывный спектр, от микроволн до жесткого рентгеновского излучения, и он гораздо менее сфокусирован или ярче, чем тонкий пучок рентгеновских лучей от вводного устройства.

Спросите эксперта
Хотите знать, может ли синхротрон помочь в вашей работе? Нужно более полное объяснение чего-либо?
Используйте форму «Задать вопрос эксперту», ​​чтобы отправить свои вопросы в ESRF.

Оптимизация и доработка модели DenseNet для классификации случаев COVID-19 в медицинской визуализации

https://doi.org/10.1016/j.jjimei.2021.100020Получить права и контент

Abstract

Уже больше года весь мир борется с пандемией COVID-19. Начиная с города Ухань в Китае, COVID-19 своим стремительным прогрессом покорил весь мир. Но в поисках важности для ситуации с людьми стало необходимо создать такую ​​​​автоматизированную модель для диагностики COVID-19 с меньшими вычислительными затратами. Поскольку болезнь распространилась, данных недостаточно для реализации точной модели прогнозирования COVID-19.Но технологии — это благо, которое делает это возможным. Эффективные методы, основанные на медицинской визуализации с использованием искусственного интеллекта, приблизились к тому, чтобы помочь людям в нужное время. Очень важно выявлять COVID-19 у людей на ранней стадии, чтобы предотвратить его дальнейшее распространение. Нейронные сети показали многообещающие результаты в медицинской визуализации. В этом исследовании подход, основанный на глубоком обучении, используется для классификации изображений для выявления COVID-19 с использованием рентгенограмм грудной клетки (CXR). Классификатор CNN использовался для классификации изображений нормального здоровья из изображений COVID-19 с использованием трансферного обучения.Концепция ранней остановки используется для повышения точности предлагаемой модели DenseNet. Результаты системы были оценены с использованием показателей точности, прецизионности, отзыва и F1-оценки. Автоматический сравнительный анализ нескольких оптимизаторов, планировщика LR и функции потерь выполняется для получения максимальной точности, подходящей для предлагаемой системы. Оптимизатор Adamax с функцией потерь Cross Entropy и планировщиком StepLR превзошли результаты с точностью 98,45% для изображений CXR с нормальным состоянием и 98.Точность 32% для изображений COVID-19.

ключевые слова

COVID-19 диагноз

COVID-19 диагноз

COVID-19 Unural Networks

Densenet

Dressing Transferet

Fine Tuning

Redology Images

Раннее остановка

Рекомендуемая статьи со статей (0)

© 2021 Автор (ы) . Опубликовано Elsevier Ltd.

Рекомендуемые статьи

Ссылки на статьи

новые модели или тонкая настройка?

Pham Health Inf Sci Syst (2021) 9:2

https://doi.org/10.1007/s13755-020-00135-3

МЕТОДОЛОГИЯ

Классификация рентгенографии грудной клетки при COVID-19

с глубоким обучением: новые модели или точная настройка?

Tuan D. Pham*

Abstract

Предыстория и цели: данные рентгенографии грудной клетки оказались очень многообещающими для оценки пациентов с COVID-19,

, особенно для решения проблемы перегрузки отделений неотложной помощи и центров неотложной помощи . Методы глубокого обучения (DL)

в искусственном интеллекте (ИИ) играют доминирующую роль в качестве высокопроизводительных классификаторов при обнаружении заболевания с использованием

рентгенографии грудной клетки.Учитывая, что для этой цели было разработано много новых моделей DL, целью этого исследования является изучение точной настройки предварительно обученных сверточных нейронных сетей (CNN) для классификации COVID-19

с использованием рентгена грудной клетки. Если точно настроенные предварительно обученные CNN могут обеспечить эквивалентные или лучшие результаты классификации, чем другие

более сложные CNN, то развертывание инструментов на основе ИИ для обнаружения COVID-19 с использованием данных рентгенографии грудной клетки может быть

более быстрым и дорогостоящим. -эффективный.

Методы. Три предварительно обученные CNN, а именно AlexNet, GoogleNet и SqueezeNet, были выбраны и настроены

без увеличения данных для выполнения задач классификации 2-х и 3-х классов с использованием 3 общедоступных баз данных рентгенограмм грудной клетки.

Результаты: По сравнению с другими недавно разработанными моделями DL, 3 предварительно обученные CNN достигли очень высоких результатов классификации с точки зрения точности, чувствительности, специфичности, прецизионности,

баллов и площади под работающим приемником-

Характеристическая кривая

.

Вывод: AlexNet, GoogleNet и SqueezeNet требуют наименьшего времени обучения среди предварительно обученных моделей DL, но

при соответствующем выборе параметров обучения отличные результаты классификации могут быть достигнуты без аугментации данных этими сетями. Полученные данные способствуют острой необходимости обуздать пандемию, облегчая развертывание

инструментов искусственного интеллекта, которые полностью автоматизированы и легко доступны в открытом доступе для быстрого внедрения.

Ключевые слова: COVID-19, Рентген грудной клетки, Искусственный интеллект, Глубокое обучение, Классификация

© Springer Nature Switzerland AG 2020.

Введение

коронавирус тяжелого острого респираторного синдрома

2 (SARS-CoV-2), который является штаммом коронавируса

rus. Это заболевание было официально объявлено Всемирной организацией здравоохранения (ВОЗ) 11 марта

2020 пандемией

.Учитывая всплески новых случаев заболевания COVID-19 и возобновление повседневной деятельности по всему миру, следует уделять больше внимания спросу на сдерживание пандемии.

Медицинские изображения и искусственный интеллект (ИИ)

были признаны полезными для быстрой оценки при лечении пациентов, инфицированных COVID-19. Таким образом, разработка и развертывание инструментов искусственного интеллекта для классификации изображений COVID-19 за короткий период времени с ограниченными данными были насущной необходимостью для борьбы с нынешней пандемией.Рентгенологи недавно обнаружили, что глубокое

обучение (DL), разработанное в ИИ, способное обнаруживать

туберкулез на рентгенограммах грудной клетки, может быть полезно для выявления

легочных аномалий, связанных с COVID-19, и помочь

клиницистов при определении порядка лечения

пациентов с COVID-19 из группы высокого риска [1]. Роль медицинской визуализации

также была подтверждена другими как важный источник информации, позволяющий быстро диагностировать

COVID-19 [2], а также сочетание ИИ и визуализации органов грудной клетки

может помочь объяснить осложнения COVID-19 [3].

Что касается анализа изображений COVID-19, то рентген грудной клетки

является методом визуализации для диагностики инфекции COVID-19

, принятым в больницах, особенно в первых

Health Information Science

and Systems

*Соответствие: [email protected]

Центр искусственного интеллекта Университета принца Мохаммада бин Фахда,

Хобар 31952, Саудовская Аравия

Содержание предоставлено Springer Nature, применяются условия использования.Права защищены.

XRay Chiped

Чип-тюнинг

Профессиональный чип-тюнинг, состоящий из программного обеспечения ECU (блока управления двигателем), предназначенного для оптимизации индивидуальной формы автомобиля. Эль resultado де Эллос Эс ла liberación де reservas де potencia а-ля Вез де уна reducción ан эль консумо де горючих.

solución dpf

Регенерация без корректирующей функции, проводимая за счет накопления энергии горючих веществ и экономии горючих веществ, не исправленная, но не заблокированная в системе DLT muy caros a otros componentes del motor.Un DPF bloqueado también es potencialmente peligroso ya que puede causar ип sobrecalentamiento en el sistema de escape y causar un riesgo de incendio. Para evitar este daño la mayoría de los nuevos vehículos entrarán en modo de seguridad «llegar al destino» en esta etapa, es decir, el vehículo tendrá potencia miníma apenas suficiente para arrastrarse a casa. Para la regeneración tenga lugar se requiere que el vehículo sea conducido con Regularidad en un poco de velocidad en carreteras abiertas, por ejemplo, la conducción de autopista, por lo general la conducción en torno a 2500 RPM durante aprox.15-30 minutos al menos una vez al mes, esto va a mantener las cosas funcionando bien. Aunque las funciones de regeneración sean como debe ser, con el tiempo la ceniza de residuos se acumulan en el DPF hasta taparlos por completo, lo que resulta en un DPF bloqueado. Por esta razón un DPF se clasifica como un artículo de recambio por los fabricantes de vehículos, como pastillas de freno o filtros de aire и т. д., y no cubiertos por la garantía. Por lo tanto, los sistemas DPF deben ser mantenidos adecuadamente.· Повторная калибровка DPF: установлен фильтр для фильтра DPF, для распределителя Xray Chiped puede ser capaz de volver a alignar la ECU de su vehículo para que el motor no entre en modo de «limp-home» para no restringir la potencia y no encender testigos de DPF en el tablero. Los consumidores deben ser conscientes de las implicaciones legales que estallevando a cabo. · Eliminación DPF: Es Legal en algunos países y que se utilizan para fuera de carretera o los deportes de motor — en caso de duda por informarse.La Solución DPF es perfect para usted dependiendo de sus circunstancias, por ejemplo, el typeo y condición de su vehículo, su uso, sus planes futuros es decir, si usted tiene la intención de mantener o vender el vehículo, etc y su presupuesto.

решение EGR

¿QUÉ ES LA EGR?

Стандартное применение для сокращения выбросов NOx и рециркуляции газов при выходе (EGR). Esto implica recircular una proporción controlable de gas del motor en el nuevo aire de admisión.Una válvula se utiliza generalmente para controlar el flujo de gas, y la válvula puede ser completamente cerrada si es necesario. Газовый газ, который запускается в рециркуляционном контуре, обслуживает канал EGR, который нормализуется в соответствии с типом воздуха/агуа. Esto понизить температуру газа, чтобы уменьшить температуру газа на цилиндре cuando se emplea EGR. Esto tiene dos beneficios, la reducción de los resultsados ​​de temperature maxima, y ​​la mayor densidad de enfriado de gas, allowiendo una mayor proporción gas frio para el nuevo ciclo de сгорания.En ип двигатель дизель, ла фраксьон recirculada puede puede tan alta como 50% bajo algunas condiciones de funcionamiento.

EGR SOLUCIÓN

Aquí en Xray Сколотый тенемос уна решение avanzada для EGR. Las válvulas pueden obstruirse con depósitos de carbono, haciendo que fall, haciendo con ello que los códigos de error aparezcan y el vehículo de funcionar correctamente. Нуэстра решение программного обеспечения для деактивации клапана EGR эс ип простой метод у eficaz де mejorar ла eficiencia де су двигателя.

solución velocidad maxima

Много транспортных средств vienen limitados a distintos tipos de velocidades, esto sucede por distintas razones, algunos ejemplos son normativas de los distintos países o bien limitaciones de la Fabrica para las prestaciones. En Xray Сколотый podemos quitar dichos limitadores para obtener la maxima velocidad posible del vehículo.

раствор AdBlue

AdBlue используется в процессе избирательного каталитического снижения (SCR) для снижения выбросов азота в газы из дизельных двигателей.Como AdBlue puede producir costos muy altos de manutención o funcionamiento de las empresas o personas, manyas personas han tratado de encontrar una solución AdBlue de bajo costo, уступает лос-офисным дистрибьюторам лас-маркас-дель-меркадо. Ademas де Esto, en muchos casos, дио lugar a averías costosas que no están siendo cubiertas por los mismos Fabricantes de sistemas AdBlue. Si desea reducir el consumo de AdBlue en su camión / flota o incluso completamente desactivar la función entonces somos capaces de reprogramar la ECU para permissionir esto.El beneficio resultante es que el consumo de su vehículo de AdBlue se reduce o, si lo desea, puede ser completamente eliminado, reduciendo así sus costes de funcionamiento. El procedimiento де reprogramación нет deja ninguna señal де дие эль trabajo се ха llevado кабо у tampoco се enciende лас luces де ошибка ан лос tableros де toolsos. En otras palabras, el proceso es imposible de rastrear. Además де ла reducción де sus costes де funcionamiento, también somos capaces де añadir más пар двигателя у mejorar эль rendimiento y potencia де су vehículo, пор ло дие эс эн много casos, más fácil де conducir.** Юридический совет: ликвидация системы AdBlue соло, дебе льеварсе в кабо-дентро-де-лос-Пайсес, которое разрешено. El uso de un camión en la carretera con el sistema AdBlue deshabilitado es a riesgo del propietario/operador. Si usted tiene alguna pregunta no dude en ponerse en contacto con nosotros

решение по удалению лоскутов

Sabemos que algunos coches tienen Problemas con lo лоскуты/турбины в аппликации и siendo los gastos de reparación muy altos, ofrecemos de la opción clientes desactivarlos у ла eliminación де су funcionalidad, solucionando де Эста manera много Problemas пункт propietarios де automóviles дие не quieren гастар dinero en уна nueva unidad.

решение по удалению маф

Desactivación MAF no es de ninguna manera recomendadas, ya que es un sensor muy Importante para la regulación de combustible, pero a veces (normalmente en los coches tuneados de alta potencia) la lectura de MAF golpea el maximo valor y toca el maximo allowido de voltaje leído por el sensor.

Con este modulo es posible que los clientes sólo tienen que desconectar MAF y el vehiculo funcionará sin ningún modo seguro y pueden lograr más potencia sin ninguna preocupación de tener problemas adicionales.

решение по удалению лямбда / o2

Это решение, разрешающее клиенту, Шон Capaces де eliminar errores лямбда cuando este equipado con ип Nuevo Catalizador де альт Flujo о cuando себе retiran. Esperamos Que Con Este Nuevo Modulo satisfacer algunas де лас necesidades де nuestros clientes.

Решение по удалению DTC

Модуль устранения DTC позволяет нескольким клиентам устранить индивидуальные коды ошибок ECU, если у них есть клиенты, которые удаляют все части системы электроснабжения, связанные с EGR, DPFsi, falanpers и т. д.También cuando algún типо де программное обеспечение представляет DTC entre otras muchas aplicaciones de carreras.

решение запуска / остановки удаления

Todo el mundo sabe que a veces arranque / parada puede ser muy molesto.

Добавить комментарий

Ваш адрес email не будет опубликован.