原始胸部X光图像（A），逆时针旋转45度后图像（B），顺时针旋转45度后图像，水平和垂直平移20％后图像（D），放大10％后图像（E）。使用TS／Keras图像预处理库（ImageDataGenerator），可以更改多个图像参数，例如：trainAug ＝ ImageDataGenerator（        rotation＿range＝15，        width＿shift＿range＝0．2，        height＿shift＿range＝0．2，        rescale＝1．／255，        shear＿range＝0．2，        zoom＿range＝0．2，        horizontal＿flip＝True，        fill＿mode＝＇nearest＇）一开始，仅应用图像最大旋转15度来评估结果。trainAug ＝ ImageDataGenerator（rotation＿range＝ROTATION＿DEG， fill＿mode＝＂nearest＂）此时，我们已经定义了模型和数据，并准备好进行编译和训练。模型构建与训练编译允许我们给模型添加额外的特性，比如loss函数、优化器和度量。对于网络训练，我们使用损失函数来计算网络预测值与训练数据实际值之间的差异，伴随着优化器算法（如Adam）对网络中的权重进行更改，这些超参数有助于网络训练的收敛，使损失值尽可能接近于零。我们还指定了优化器（lr）的学习率，在这种情况下，lr被定义为1e－3。如果在训练过程中注意到“跳跃”的增加，即模型不能收敛，则应降低学习率，以达到最小值。opt ＝ Adam（lr＝INIT＿LR， decay＝INIT＿LR ／ EPOCHS）model．compile（loss＝＂binary＿crossentropy＂， optimizer＝opt， metrics＝［＂accuracy＂］）让我们来训练模型：H ＝ model．fit（    trainAug．flow（trainX， trainY， batch＿size＝BS），    steps＿per＿epoch＝len（trainX） ／／ BS，    validation＿data＝（testX， testY），    validation＿steps＝len（testX） ／／ BS，    epochs＝EPOCHS）

结果看起来已经相当有趣了，验证数据的精度达到了92％！绘制精度图表：

评估训练模型：

看看混淆矩阵：［［27  0］ ［ 4 23］］acc： 0．9259sensitivity： 1．0000specificity： 0．8519从用最初选择的超参数训练的模型中，我们得到：100％的sensitivity（敏感度），也就是说，对于COVID－19阳性（即真正例）的患者，我们可以100％准确地将其识别为“COVID－19阳性”。85％的specificity（特异性）意味着在没有COVID－19（即真反例）的患者中，我们只能85％准确地将其识别为“COVID－19阴性”。结果并不令人满意，因为15％没有Covid的患者会被误诊。我们先对模型进行微调，更改一些超参数：因此，我们有：INIT＿LR ＝ 0．0001       ＃ 曾经是 1e－3  EPOCHS ＝ 20            ＃ 曾经是 10       BS ＝ 16                ＃ 曾经是 8 NODES＿DENSE0 ＝ 128     ＃ 曾经是 64DROPOUT ＝ 0．5          MAXPOOL＿SIZE ＝ （2， 2）  ＃ 曾经是 （4， 4）ROTATION＿DEG ＝ 15     SPLIT ＝ 0．2结果

precision    recall  f1－score   support       covid       0．93      1．00      0．96        27      normal       1．00      0．93      0．96        27    accuracy                           0．96        54   macro avg       0．97      0．96      0．96        54weighted avg       0．97      0．96      0．96        54以及混淆矩阵：［［27  0］ ［ 2 25］］acc： 0．9630sensitivity： 1．0000specificity： 0．9259结果好多了！现在具有93％的特异性，这意味着在没有COVID－19（即真反例）的患者中，在93％到100％的范围内我们可以准确地将他们识别为“COVID－19阴性”。目前看来，这个结果很有希望。让我们保存这个模型，在那些没有经过训练的图像上测试（Covid－19的8个图像和从输入数据集中随机选择的20个图像）。model．save（＂．．／model／covid＿normal＿model．h5＂）在真实图像中测试模型（验证）首先，让我们检索模型并显示最终的体系结构，以检查一切是否正常：new＿model ＝ load＿model（＇．．／model／covid＿normal＿model．h5＇）＃ 展示模型架构new＿model．summary（）

这个模型看起来不错，是VGG16的16层结构。请注意，可训练参数为590210，这是最后两层的总和，它们被添加到参数为14．7M的预训练模型中。让我们验证测试数据集中加载的模型：［INFO］ evaluating network．．．              precision    recall  f1－score   support       covid       0．93      1．00      0．96        27      normal       1．00      0．93      0．96        27    accuracy                           0．96        54   macro avg       0．97      0．96      0．96        54weighted avg       0．97      0．96      0．96        54很好，我们得到了与之前相同的结果，这意味着训练的模型被正确地保存和加载。现在让我们用之前保存的8个Covid图像验证模型，为此，我们创建了另外一个函数，它是为单个图像测试开发的def test＿rx＿image＿for＿Covid19（imagePath）：    img ＝ cv2．imread（imagePath）    img ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2RGB）    img ＝ cv2．resize（img， （224， 224））    img ＝ np．expand＿dims（img， axis＝0）    img ＝ np．array（img） ／ 255．0    pred ＝ new＿model．predict（img）    pred＿neg ＝ round（pred［0］［1］＊100）    pred＿pos ＝ round（pred［0］［0］＊100）    print（＇ X－Ray Covid－19 Detection using AI － MJRovai＇）    print（＇    ［WARNING］ － Only for didactic purposes＇）    if np．argmax（pred， axis＝1）［0］ ＝＝ 1：        plt．title（＇Prediction： ［NEGATIVE］ with prob： ｛｝％ No Covid－19＇．format（            pred＿neg）， fontsize＝12）    else：        plt．title（＇Prediction： ［POSITIVE］ with prob： ｛｝％ Pneumonia by Covid－19 Detected＇．format（            pred＿pos）， fontsize＝12）    img＿out ＝ plt．imread（imagePath）    plt．imshow（img＿out）    plt．savefig（＇．．／Image＿Prediction／Image＿Prediction．png＇）    return pred＿pos在Notebook上，此函数将显示以下结果：

通过更改其余7个图像的imagePath值，我们获得以下结果：所有图像均呈阳性，确认100％灵敏度。

现在让我们测试20个单独的图像，以验证标记为NORMAL的有效性。Notebook上的第一个应该是：

一个接一个的测试可以确认预测，但是由于我们有更多的图像，让我们使用另一个函数来测试一组图像，一次完成：test＿rx＿image＿for＿Covid19＿batch （img＿lst） 。批处理测试图像让我们创建包含在验证文件夹中的图像列表：validation＿path ＝ ＇．．／dataset＿validation＇normal＿val＿images ＝ list（paths．list＿images（    f＂｛validation＿path｝／normal＿validation＂））non＿covid＿pneumonia＿validation＿images ＝ list（paths．list＿images（    f＂｛validation＿path｝／non＿covid＿pneumonia＿validation＂））covid＿val＿images ＝ list（paths．list＿images（    f＂｛validation＿path｝／covid＿validation＂））test＿rx＿image＿for＿Covid19＿batch （img＿lst） 函数如下：def test＿rx＿image＿for＿Covid19＿batch（img＿lst）：    neg＿cnt ＝ 0    pos＿cnt ＝ 0    predictions＿score ＝ ［］    for img in img＿lst：        pred， neg＿cnt， pos＿cnt ＝ test＿rx＿image＿for＿Covid19＿2（img， neg＿cnt， pos＿cnt）        predictions＿score．append（pred）    print （＇｛｝ positive detected in a total of ｛｝ images＇．format（pos＿cnt， （pos＿cnt＋neg＿cnt）））    return  predictions＿score， neg＿cnt， pos＿cnt将该函数应用于我们先前分离的20幅图像：img＿lst ＝ normal＿val＿imagesnormal＿predictions＿score， normal＿neg＿cnt， normal＿pos＿cnt ＝ test＿rx＿image＿for＿Covid19＿batch（img＿lst）normal＿predictions＿score我们观察到，所有20人被诊断为阴性，得分如下（记住，接近“1”代表“阳性”）：0．25851375， 0．025379542， 0．005824779， 0．0047603976， 0．042225637， 0．025087152， 0．035508618， 0．009078974， 0．014746706， 0．06489486， 0．003134642， 0．004970203， 0．15801577， 0．006775451， 0．0032735346， 0．007105667， 0．001369465， 0．005155371， 0．029973848， 0．014993184只有2例图像的评估（1－准确度）低于90％（0．26和0．16）。请记住，输入数据集／input／20＿Chest＿Xray／有两个文件夹，／train和／test，只有／train中的一部分图像用于训练，并且模型从未看到测试图像：input －       ｜＿ 10＿Covid＿Imagens ＿       ｜                   ｜＿ metadata．csv      ｜                   ｜＿ images ［used train model 1］      ｜＿ 20＿Chest＿Xray －                       ｜＿ test ＿                               ｜＿ NORMAL                               ｜＿ PNEUMONIA                        ｜＿ train ＿                                ｜＿ NORMAL   ［used train model 1］                                ｜＿ PNEUMONIA然后，我们可以利用这个文件夹测试所有图像。首先，我们创建了图像列表：validation＿path ＝ ＇．．／input／20＿Chest＿Xray／test＇normal＿test＿val＿images ＝ list（paths．list＿images（f＂｛validation＿path｝／NORMAL＂））print（＂Normal Xray Images： ＂， len（normal＿test＿val＿images））pneumo＿test＿val＿images ＝ list（paths．list＿images（f＂｛validation＿path｝／PNEUMONIA＂））print（＂Pneumo Xray Images： ＂， len（pneumo＿test＿val＿images））我们观察了234张诊断为正常的“未公开”图片（还有390张不是由Covid－19引起的肺炎）。应用批处理函数，我们观察到24幅图像出现假阳性（约10％）。让我们看看模型输出值是如何分布的，记住函数返回的值计算如下：pred ＝ new＿model．predict（image）pred＿pos ＝ round（pred［0］［0］ ＊ 100）我们观察到，预测精度的平均值为0．15，并且非常集中于接近于零的值（中值仅为0．043），有趣的是，大多数误报率接近0．5，少数异常值高于0．6。

除了改进模型外，研究产生假阳性的图像也是很有意义的。测试不是由Covid引起的肺炎图像由于输入数据集也有肺炎患者的X光图像，但不是由Covid引起的，所以让我们应用模型1（Covid／Normal）来查看结果是什么：

结果非常糟糕，在390张图片中，185张有假阳性，而观察结果的分布，发现有一个峰值接近80％，也就是说，这是非常错误的！回顾这一结果在技术上并不令人惊讶，因为该模型没有经过普通肺炎患者图像的训练。不管怎样，这是一个大问题，因为我认为专家可以用肉眼区分病人是否患有肺炎，然而也许更难区分这种肺炎是由Covid－19（SARS－CoV－2）、任何其他病毒，甚至是细菌引起的。将Covid－19引起的肺炎患者与其他类型的病毒或细菌区分开来的模型是更有用，为此，另一个模型将被训练，现在我们有感染Covid－19的病人和感染肺炎但不是由Covid－19病毒引起的病人的图像。第3部分－模型2－Covid／普通肺炎数据准备从我的GitHub下载Notebook放入subdirectory ／notebooks目录：https：／／github．com／Mjrovai／covid19Xray／blob／master／10＿X－Ray＿Covid＿development／notebooks／20＿Xray＿Pneumo＿Covid19＿Model＿2＿Training＿Tests．ipynb。导入使用的库并运行。模型2中使用的Covid图像数据集与模型1中使用的相同，只是现在它存储在不同的文件夹中。dataset＿path ＝ ＇．．／20＿dataset＇肺炎图像将从文件夹／input／20＿Chest＿Xray／train／PNEUMONIA／下载并存储在／20＿dataset／pneumo／中。使用的函数与之前相同：input＿dataset＿path ＝ ＇．．／input／20＿Chest＿Xray／train／PNEUMONIA＇output＿dataset＿path ＝ ＇．．／20＿dataset／pneumo＇img＿num＿select ＝ len（xray＿cv＿train） ＃ 样本数量与Covid数据相同这样，我们调用可视化支持函数，检查得到的结果：pneumo＿images ＝ list（paths．list＿images（f＂｛dataset＿path｝／pneumo＂））covid＿images ＝ list（paths．list＿images（f＂｛dataset＿path｝／covid＂））plots＿from＿files（covid＿images， rows＝10， maintitle＝＂Covid－19 X－ray images＂）

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