Лучшие базовые упражнения на грудь для тренировки на массу и силу
Тренинг грудных мышц основное место в программе большинства атлетов. По популярности эта группа мышц не уступает бицепсу, плечам и даже прессу. Базовые упражнения на грудь являются основой любой программы тренировок. Они создают мышечный объем, способствуют развитию силы в большинстве жимов и необходимы, чтобы накачать большую грудь. Ключевым фактором, от которого будет зависеть эффективность тренинга, является правильное выполнение упражнений, а также умение грамотно сочетать движения в рамках каждого микроцикла.
Содержание
- Рекомендации для тренировки груди на массу
- Топ 4 базовых упражнений для грудных мышц
- 1. Жим штанги лежа
- 2. Жим гантелей лежа
- 3. Отжимание на брусьях
- 4. Отжимания от пола
- Программа для тренировки груди
- Базовые упражнения на грудные мышцы в видео формате
Рекомендации для тренировки груди на массу
Грудная группа не относится к числу быстрорастущих мышечных областей. Потому тренировка груди на массу требует немало времени, а также соблюдения режима питания. Силовые показатели, наоборот, растут гораздо быстрее. При неизменности выполняемых движений (в большинстве случаев – жимы в лежачем положении) отслеживание прогресса по развитию силы становится максимально удобным и информативным. Особенно при условии, что увеличение силовых возможностей всегда сопровождается увеличением мышцы в объеме.
Основная проблема, которую допускает большинство новичков, заключается в планировании тренинга и выборе движений. Главные базовые упражнения на грудные мышцы не направлены на фокусированную проработку целевой области. Они задействуют почти весь плечевой пояс. С точки зрения общего набора мышц это безусловный плюс, но для прицельной тренировки грудных на массу это минус. Потому для повышения эффективности тренинга в программу должны включаться следующие элементы:
- Базовые упражнения на грудные – как основа, для развития всего плечевого пояса и силовых показателей.
- Упражнения для прицельной проработки (в тренажерах или с гантелями) – для целенаправленной проработки мышц груди.
- Специальные приемы (суперсерии, дроп-сеты, предварительное утомление и прочие).
- Растяжка грудных мышц в конце тренировки.
Соблюдение всех пунктов сделает каждую тренировку грудных мышц на массу и программу в целом максимально эффективными.
Топ 4 базовых упражнений для грудных мышц
Количество базовых упражнений для мышечной группы достаточно велико, но в большинстве случаев все движения относятся к жимовому типу. Они используются не только для тренировки грудных мышц на массу, но и развития всего плечевого пояса.
1. Жим штанги лежа
Это классическое базовое упражнение на грудные мышцы для мужчин. Применяется во всех видах силового спорта и является основным соревновательным движением в нескольких дисциплинах. Имеет множество вариаций, которые используются для всесторонней проработки каждой области грудных:
- Жим штанги на горизонтальной скамье – классический вариант.
- С наклоном – для проработки верхней части груди.
- С наклоном вниз – для смещения нагрузки на нижнюю часть груди.
- В Смите – для стабилизации положения штанги и повышения рабочих весов.
Все эти упражнения на массу грудных мышц должны включаться в тренировочную программу, с чередованием по дням.
2. Жим гантелей лежа
Несмотря на то, что при использовании гантель в работу включаются дополнительные мышцы (для стабилизации положения рук), выполнение жимов с гантелями более прицельно прорабатывает грудную область. Это связано с тем, что вы можете увеличить амплитуду и использовать максимально удобную траекторию движений, с учетом физиологических особенностей.
Техника выполнения:
- Садитесь на край скамьи, размещая гантели на бедрах. Ложитесь на лавку, одновременно выталкивая снаряды силой бедер. В нижнем положении гантели должны удерживаться прямым хватом (ладони смотрят в сторону ног), имитируя удержание штанги.
- Начинайте опускать гантели как можно ниже.
- Делайте минимальную паузу и возвращайте руки в начальную позицию.
В верхней точке необходимо исключить соприкосновение гантель (в том числе и отбивку), а также сохранять небольшой изгиб в локте. Основное отличие при работе с гантелями заключается в том, что при опускании снарядов руки отводятся в стороны, создавая дополнительное растяжение.
3. Отжимание на брусьях
Очень недооцененное движение. Несмотря на его высокую эффективность, отжимания редко добавляют в программы на грудные мышцы на массу. Движение выполняется не только в зале, но и на спортивных площадках, а также в домашних условиях (при наличии тренажера).
Техника выполнения:
- Выйдите на брусья и наклоните корпус немного вперед (ноги можно согнуть или отвести назад для сохранения равновесия).
- Начинайте медленно опускать корпус вниз (локти смотрят назад и немного в стороны, в зависимости от ширины брусьев).
- Быстрым движением выталкивайте корпус в начальное положение, не выпрямляя руки в локтях полностью в верхней точке.
Важно соблюдать угол наклона корпуса (при полностью вертикальном положении нагрузка переходит на трицепс). Ошибочно прогрессировать в отжиманиях, стремясь выполнять больше повторений в подходах. Такой вариант только ухудшит развитие мышечной массы. Старайтесь выполнять по 7-10 повторений со строгим соблюдением техники, используя дополнительное отягощение для развития (жилеты, цепи, блины).
Подробнее об отжимании на брусьях →
4. Отжимания от пола
Несмотря на то, что в спортивном зале работа с весом собственного тела непопулярна, калистеника может обеспечить отличный мышечный рост. Отжимания от пола – одно из самых универсальных и действенных базовых упражнений для мышц груди. Его можно выполнять в любом месте, от спортзала до дома, обеспечивая отличное развитие не только грудной группы, но и всей верхней части тела.
Огромное преимущество отжиманий заключается в:
- Адаптации нагрузки под любой уровень физической подготовки.
- Большом количестве вариаций для смещения нагрузки и всесторонней прокачки группы.
- Дополнительной проработке мышц кора.
Как и при работе с брусьями, в отжиманиях важно прогрессировать, не выходя за диапазон 8-12 повторений в подходе. Для этого используются любые отягощения, от блинов до утяжелителей.
Программа для тренировки груди
- Комплекс разминки (с выполнением нескольких подходов жима лежа с пустым грифом).
- Жим штанги лежа – 4*8-10.
- Жим гантель на наклонной скамье – 4*10.
- Отжимания на брусьях – 4*10.
- Блок изолирующих упражнений в зале.
Базовые упражнения на грудные мышцы в видео формате
А также читайте:
Как качать грудные мышцы в домашних условиях →
Все упражнения для мышц груди →
БАЗОВЫЕ УПРАЖНЕНИЯ ДЛЯ ГРУДИ — ТЕХНИКА и ПРАКТИЧЕСКИЕ РЕКОМЕНДАЦИИ ПО ВЫПОЛНЕНИЮ БАЗОВЫХ УПРАЖНЕНИЙ ДЛЯ ГРУДИ
- Skip to Menu
- Skip to Content
- Skip to Footer>
Галерея инфографиков
Главное меню сайта
- Главная страница сайта
- Раздел для начинающих
- Основы культуризма
- Программы тренировок
- Спортивные диеты
- Спортивное питание
- Спортивная фармакология
- Таблицы состава продуктов
- Техника упражнений
- Теория спорта и ЗОЖ
- Женский раздел
- Видео блоги
- Нормативы
- Карта сайта
публикация новой статьи через
ЖМИ И ДЕЛИСЬ С ДРУЗЬЯМИ
ВСТУПАЙ В ГРУППУ ВКОНТАКТЕ
Базовые упражнения для низа грудных
Жим лежа
Жим лежа является базовым упражнением для развития силы и массы грудных мышц, но это базовое упражнение для груди не позволяет развивать грудные равномерно. |
|
Силовой жим
Силовой жим является эффективным базовым силовым упражнением для грудных, позволяющим нарастить общую мышечную массу. В отличие от жима лежа, который выполняется с «чистой» техникой, силовой жим выполняют во взрывной технике, что позволяет беспрепятственно увеличивать рабочие веса. Минусом упражнения является то, что оно подключает множество других далее… |
|
Отжимания на брусьях
Отжимания на брусьях – это качественное базовое упражнение для груди, позволяющее эффективно прокачать внутренний сегмент большой грудной мышцы. Упражнение задействует много суставов, поэтому атлет может эффективно прогрессировать нагрузку, с другой стороны, бывает, что генетические особенности строения скелета не позволяют вообще использовать далее… |
|
Жим гантелей лежа
Жим гантелей является аналогом жима лежа, но выполняется с гантелями, за счет чего удается задействовать мышцы стабилизаторы и более равномерно распределить нагрузку между левым и правым участками груди. Положительным качеством упражнений с гантелями является то, что их можно выполнять самостоятельно, ведь даже, если Вы их не вытяните, то всегда далее… |
|
Жим в Смите является отличным заменителем штанги, особенно тогда когда нет напарника, поскольку особенность тренажера заключается в том, что штангу можно зафиксировать на любой высоте. Кроме того, все блочные тренажеры такого типа используют ролик в виде эллипса, за счет чего нагрузка более равномерно ложится на мышцы в разных фазах амплитуды далее… |
|
Жим вниз головой
Жим вниз головой — это не лучшее упражнение, поскольку оно акцентирует нагрузку на нижнем сегменте груди, который и так обычно не отстает. Это упражнение, как правило, выполняют во время проработки качества, поскольку оно позволяет немного приподнять низ груди, вследствие чего грудь приобретает более красивую форму, вследствие чего возникает далее… |
|
Отжимания от пола
Отжимания от пола – это очень известное базовое упражнение для грудных мышц и трицепса, хотя в бодибилдинге отжимания от пола обычно используются для развития груди. Минусом упражнения является то, что его невозможно использовать без напарника, собственно, практически все упражнения для грудных мышц можно нормально выполнять только с далее… |
Жим под углом
Жим под углом является самым эффективным базовым упражнением для груди, поскольку из-за угла под которым находится корпус атлета, нагрузка с нижнего сегмента груди смещается в верхний. В бодибилдинге есть правило – всегда тренируй отстающие мышцы, а верхний пучок обычно отстает от нижнего, поэтому целенаправленно тренировать следует именно далее… |
|
Жим гантелей под углом
Жим гантелей под углом представляет собой альтернативный вариант выполнения жима под углом, где вместо штанги используются гантели. Плюс в том, что гантели более динамичный снаряд, чем штанга, поскольку не привязывают атлета к стойке, наличию напарника и многим другим ограничениям, накладываемыми штангой. С другой стороны, прогрессировать нагрузку далее… |
УПРАЖНЕНИЯ ДЛЯ БОДИБИЛДИНГА
РЕКЛАМА МАГАЗИНА СТЕРОИДОВ
ПЛАТНЫЕ ПРОГРАММЫ
КОНТАКТНЫЕ ДАННЫЕ
Проверить аттестат
Контакты: [email protected] / вконтакте
База до отказа: Базовые упражнения в бодибилдинге
Начнем с азов: база — необходима. Если вы начинающий спортсмен, нет никакого смысла развивать отдельные группы мышц по очереди, игнорируя упражнения, комплексно задействующие основные мышечные группы. Иногда посмотришь на тренировку какого-то новичка — ну просто страх и ненависть в Лас-Вегасе.
База — это комплексное упражнение, задействующее сразу несколько мышц и суставов. Хороший пример — жим лежа. Для тех, кто начал заниматься бодибилдингом, база — обязательна. К изолирующим упражнениям необходимо переходить постепенно.
База для мышц спины
- Становая тяга. Задействованы ягодицы, приводящие мышцы бедра, мышцы, распрямляющие позвоночник, широчайшие мышцы спины.
- Подъем штанги в наклоне. Задействованы широчайшие мышцы спины, дельтовидные, трапециевидные, ромбовидные мышцы.
- Подтягивания. Трапециевидные, дельтовидные мышцы, широчайшие мышцы спины, мышцы кора.
База для пресса
- Подъемы согнутых ног на турнике. Задействован нижний пресс и бедра.
- Косые скручивания. задействованы косые и передние мышцы живота.
База для бицепса
- Подъем штанги сгибанием рук. Задействованы бицепсы, спина — конкретные мышцы зависят от ширины хвата.
- Подъем гантелей сгибанием рук. Заняты бицепсы и мышцы предплечий.
База для ног
- Приседания со штангой. Задействованы ягодицы, икроножные мышцы, квадрицепсы, широчайшие мышцы спины, камбаловидные мышцы.
- Становая тяга. Задействованы широчайшие мышцы спины, мышцы, распрямляющие позвоночник, ягодицы и приводящие мышцы бедра.
База для груди
- Подъем гантелей на скамье. Грудные мышцы, дельтовидные мышцы, трицепсы.
- Жим штанги лежа. Мышцы груди, рук, передний пучок дельтовидных мышц.
База для трицепсов
- Отжимания на брусьях. Задействованы мышцы груди, трицепсы, дельтовидные мышцы, широчайшие мышцы спины.
- Жим штанги лежа. Включены трицепсы, мышцы груди, дельтовидные мышцы, мышцы брюшного пресса.
База для икроножных мышц
- Любые упражнения, в которых задействованы ноги — приседания, подъемы, упражнения со штангой.
В бодибилдинге есть три упражнения-короля, которые при выполнении позволяют за короткий промежуток времени развить максимальное количество мышц. Это становая тяга, жим лежа и приседания со штангой.
Недельная программа базовых упражнений
Помните: перед тем, как приступить к упражнениям, необходимо сделать разминку (не менее 10 минут). Она увеличит кровообращение в мышцах, разработает сухожилия, подготовит симпатическую нервную систему.
Каждое упражнение необходимо начинать с разминочного сета — 10 повторов с 50% от рабочего веса. Каждое упражнение необходимо делать в 3 подхода по 10-15 повторений. Такое высокое количество повторов обусловлено тем, что необходимо добиться суперкомпенсации в гликогеновом обмене. Следите за пульсом: идеальный пульс — от 100 до 140 ударов в минуту.
День 1 — спина и бицепс
- Разминка
- Становая тяга, 2×10
- Тяга штанги в наклоне, 3×8
- Подтягивания широким хватом, 3x макс
- Подъем штанги на бицепс, 2×12
- Любое упражнение на пресс (скручивания), без отягощения, 3 отказных сета
- Заминка
День 2 — ноги и трицепс
- Разминка
- Приседания со штангой 3×6
- Жим ногами 2×18
- Подъем на носках сидя, 3×15
- Жим лежа узким хватом 2×12
- Французский жим 1×12
- Любое упражнение на пресс (скручивания), без отягощения, 3 отказных сета
- Заминка
День 3 — грудь, плечи
- Разминка
- Жим лежа широким хватом, 5×5
- Отжимания на брусьях, 3 отказных сета
- Армейский жим, 3×8
- Разведение гантелей в стороны в наклоне, 2×12
- Заминка
После третьего дня необходимо сделать перерыв как минимум два дня.
Становая тяга: как выполнять
Подойдите к штанге — ноги уже ширины плеч, ступни параллельно. Присядьте, хват — на ширине плеч. При выполнении прогните спину, держите ее так на протяжении всего упражнения. Не отрывайте пятки от пола. При выполнении гриф должен скользить вдоль бедер. До уровня паха поднимайте штангу усилиями мышц ног, а после — мышц спины. Останавливайте штангу в нескольких сантиметрах от пола.
Жим лежа: как выполнять
Лягте на скамью: расстояние между двумя руками должно равняться около 55 см, а гриф должен находиться на уровне глаз. Аккуратно снимите штангу, сначала опустите ее до уровня груди, потом поднимайте.
Приседания со штангой: как выполнять
В это упражнение вовлечено максимальное количество мышц — даже руки. Подойдите к штанге, присядьте, ноги должны располагаться на ширине плеч. Положите гриф на плечи, разверните носки в сторону, приседайте, прогибая спину и держа ее прогнутой на протяжении всего упражнения.
Если вы расположите штангу на трапециевиднех мышцах, нагрузка пойдет на квадрицепсы. Если расположить штангу на дельтовидных мышцах, вы чуть-чуть наклонитесь вперед и задействуете ягодицы.
Приседая со штангой, вы как будто садитесь на стул, колени должны быть разведены в стороны, а пятки должны прочно стоять на полу. Угол приседа должен составлять 90 градусов.
Программа для новичка
Вы можете составить программу только из этих трех упражнений. При занятиях три раза в неделю вы можете делать каждое по 5 подходов, по 10 раз за подход. Такая программа позволит вам быстро влиться в тренировки и начать наращивать мышечную массу абсолютно по всему телу.
- Автор:
- Распечатать
Оцените статью:
(7 голосов, среднее: 4 из 5)
Поделитесь с друзьями!
Сундук на основе — 6 для продажи на 1stdibs
Eglomise Nightlands
Tessellated Stone Dest
Филиппинский туловище
Мексиканский свадебный сундук
Более популярные поиски
Расположение
Сорт на
Рекомендуемые. — HighPopular
Ранний мексиканский расписанный вручную сундук с одеялами, свадебный сундук на подставке
Расположен в Лос-Анджелесе, Калифорния
Примитивный расписанный вручную сундук с множеством характеров. Штамп Мексика внизу. Показывает износ, соответствующий возрасту. Железная петля с отверстием для ключа (без ключа). Стенды …
Категория
Старинные мексиканские сундуки с одеялами XVIII века
Материалы
Дерево
Ранний мексиканский сундучок с ручной росписью, свадебный чемодан на подставке
H 36 in. Lacquer 3 Комод с жалюзи на «базе» 2 предмета Шкаф Credenza
Пол МакКобб, Dunbar Furniture
Расположен в Рокуэй, Нью-Джерси
Черный лак Комод с 3 жалюзи на «базе» 2 предмета шкаф комод в отреставрированном состоянии .
Категория
20-й век американский середины века современные коммуды и сундуки с ящиками
Материалы
Береза
Черный лак 3 Луверовский комод на «базе» 2 штук.
дюймов D 18 дюймовПол Маккоб Мидсенчури Комод на латунном основании
Пол МакКобб, Calvin Furniture
Находится в БРУКЛИН, штат Нью-Йорк
Красивый редкий комод Пола МакКобба с 4 ящиками Irwin Collection от Calvin-Irwin Collection. Футляр из орехового дерева на латунной основе. В прекрасном оригинальном состоянии с красивой зернистостью…
Категория
Середина 20-го века американские современные комоды середины века
Материалы
Латунь
Пол века МакКобб Сестрелищных ящиков на латунном основании
ч 34,5 дюйма W 36 дюйма D 19 дюйма
9003
H 34,5 дюйма W 36 дюйма D 19 дюйма
H 34,5 дюйма W 36 дюймов D Старинный китайский большой сундук из камфорного меха на подставке со скрытыми деревянными роликами
Расположен по адресу: 10 Chater Road, HK
Прямоугольной формы, сундук из дерева с гладкой текстурой, предупреждающего тона и привлекательной патины, круглая латунная запорная пластина, установленная заподлицо , устанавливаемый так, чтобы передняя часть продолжалась над лит. ..
Категория
Античная китайская мебель в конце 19 -го века
Материалы
Латунь
Античный китайский крупный меховой сундук на основе со скрытыми деревянными роликами
ч 32 дюйма. Небольшой сундучок на основании из современного мозаичного каменного сундука середины века от Мейтленда Смита
Автор Мейтленда Смита
Расположен в Рокавее, штат Нью-Джерси.
Категория
Американские современные шкафы середины века 20-го века
Материалы
Мрамор, хром
Мозаичный каменный сундук середины века Небольшой сундучок на основании от Maitland Smith
11 дюймов D 17H 22
Середина века 1970-х Современный небольшой сундук с тремя ящиками для украшений из вяза на латунной квадратной трубке с тремя ящиками на латунном основании. база/подставка в стиле Майло Боумана. Сундучок как будто парит на латуни…
Категория
Винтаж 1970-х годов Американская середина века Современные ювелирные коробки
Материалы
Латунный
1970S Стиль Мило Боугман. in.
1960-е Середина века 3-х частей Credenza на базе; Окрашенные фасады из искусственного черепахового панциря
Находится в Женеве, Иллинойс
Экстраординарная четырехсекционная консоль или комод 1960-х годов. Без клейм, но превосходного качества, эквивалентного Бейкеру или Хенредону. База в азиатском стиле содержит три одинаковых сундука, в каждом из которых…
Категория
Винтажные комоды и комоды американского Голливуда эпохи Регентства 1960-х годов
Материалы
Дерево
Середина века 1960-х годов Комод из трех частей на основании; Окрашенные фасады из искусственного черепахового панциря
В 26,25 дюйма, Ш 99 дюймов, Г 18 дюймов
Сундук с драгоценностями из вяза на латунном основании
Расположен в Сан-Франциско, Калифорния
Очаровательный и очаровательный ларец с драгоценностями из вяза.
Категория
Винтажные американские шкатулки для драгоценностей 1970-х годов
Сундучок для украшений из Burled Elm на латунной основе
В 23,25 дюйма Ш 14 дюймов Г 10 дюймов
Занзибарский сундук с гравировкой из латуни на подставке
Расположен в Уилсоне, Северная Каролина с гравировкой на латунной подставке
3
с красивой сетчатой гравировкой из латуни по всему периметру, боковые латунные ручки для переноски.Категория
Старинные занзибарские декоративные шкатулки 1830-х годов
Материалы
Латунь
Занзибарский сундук с гравировкой из латуни на подставке
В 27,25 дюйма Ш 27 дюймов Г 16,5 дюйма
Расписной сундук XIX века на подставке
Расположен в Лос-Анджелесе, Калифорния
XIX век. синий окрашенный ствол на кованой железной основе. Прекрасная старинная патина! 34x19x26h
Категория
Античный 19 -й век Гватемаловский деревенский одеял на сундуках
Материалы
Дерево, краска
19 -й век. Сундук на базе
Находится в Лос-Анджелесе, Калифорния
Большая резная гранера (зерновой бункер) с ласточкиным хвостом на основании
Категория
Гватемальские сундуки и багаж 20-го века
Большой старинный резной сундук на основании
400100 71,5 дюйма D 31,5 дюймаКомод из дуба на стальной основе
Расположен в Хай-Пойнте, Северная Каролина
Из Великобритании около 1880 года комод с четырьмя ящиками изысканной и простой формы стоит на минимальной стальной основе. Контраст фактуры и цвета усиливает геометрический объем е…
Категория
Античный британский регентство и сундуки с ящиками
Материалы
Латунь, сталь
Дубовый сундук с ящиками на стальной основе
ч 51 дюйм.
Изготовленный на заказ комод с тремя ящиками 1970-х годов на базе Lucite
Расположен в Тэрритауне, штат Нью-Йорк
Изготовленный на заказ комод 1970-х годов с тремя ящиками на основе Lucite. Создается впечатление, что грудь парит. Одна сторона груди шероховатая. Это изделие действительно нуждается в лакировке.
Категория
Старинные комоды и комоды 1970-х годов
Изготовленный на заказ комод с тремя ящиками 1970-х годов на основании из прозрачного стекла
В 28,5 дюймов Ш 37 дюймов Г 21 дюйм Деревянный рычаг
3 18th на кожаном багажнике База
Находится в Далласе, Техас
Кожаный сундучок 18-го века с шляпками гвоздей на деревянной основе (около: 1760)
Категория
Старинные сундуки с одеялами 18-го века и раннего испанского барокко
Кожаный сундучок 18-го века на деревянном основании
В 31 дюйм Ш 38 дюймов Г 20 дюймов
19thc. Тансу на железной базе
Расположен в Лос-Анджелесе, Калифорния
Середина 19 в. Тансу из дерева кири с ручками из кованого железа «гравитация». Называются гравитационными притяжениями, потому что они тянутся как изящная свободная веревка. Секретный ящик в правом нижнем углу. Из Сендай,…
Категория
Старинные японские комоды и комоды середины XIX века
Материалы
Железо
19thc. Тансу на железной базе
В 46,5 дюйма Ш 38 дюймов Г 17 дюймов
Итальянский кожаный комод середины века на черном основании
Расположен в Трое, штат Мичиган
деревянная отделка и кожаные фасады ящиков с латунными ручками, около 1960 г. Неизвестный производитель.Категория
Итальянские современные комоды и комоды середины 20-го века
Материалы
Латунь
Итальянский кожаный комод середины века на черном основании
В 34,25 дюйма, Ш 64,75 дюйма, Г 21,25 дюйма
Комод из цельного клена Paul McCobb на железной основе, 1950-е годы
Расположен в Нью-Йорке, штат Нью-Йорк
McCob Solid кленовый двухместный комод на железной основе-1950-е гг. Помимо двойного ряда ящиков, есть 2 шкафа с 5 ящиками меньшего размера в каждом. Железная Т-образная фурнитура, соответствующая …
Категория
Винтажные американские комоды и комоды 1950-х годов
Материалы
Железо
Комод Paul McCobb из цельного клена на железной основе, 1950-е годы
В 33 дюйма Ш 72 дюйма Г 18,25 дюйма
Модернист 3 ящика на одной дверце и цоколь 3 0 0
Расположен в Marcq-en-Baroeul, FR
Этот симпатичный буфет изготовлен из дуба на модернистской лакированной основе. У него есть дверь в левой части и три ящика в правой части. Это французская работа, около 1950 года.
Категория
Французские современные комоды и комоды середины века 20-го века
Материалы
Сталь
Буфет с одной дверью и 3 ящиками на стальной основе в стиле модерн
В 31,5 дюйма Г 1,5 дюйма Ш 47,28
Комод из фигурного ореха на матовой металлической основе от Founders attr. Milo Baughman
By Founders Furniture Company
Расположенный в Филадельфии, Пенсильвания
Потрясающий современный фигурный комод из орехового дерева середины века с 8 ящиками / Credenza на матовом металлическом основании от Founders, приписываемый Мило Боману. Этот высококачественный товар имеет 8 ласточкин хвост…
Категория
Американские современные комоды и комоды середины века 20-го века
Материалы
Металл
Комод из фигурного ореха на матовом металлическом основании от Founders attr. Milo Baughman
В 31,75 дюйма Ш 66 дюймов Г 19 дюймов
Миниатюрный сундучок для драгоценностей с 10 ящиками на приподнятом основании
Расположен в Нью-Йорке, штат Нью-Йорк Южноамериканский шпон. Дело возбуждено на базе Джорджа Нельсона.
Категория
21 -й век и современные американские ювелирные коробки
Материалы
Сталь
10 МИНИАТУРНЫЕ ДИСПЕРТЫ ДЕВАЙСТВА НА РАЗДЕЛЕЙСКОМ ОСНОВЕ
H 27 В. Сундук с росписью на подставке
Находится в Чикаго, штат Иллинойс
Сундук поздней династии Цин из провинции Шаньси, Китай, сделанный из тикового дерева с покраской. Изделие было приподнято с черной деревянной основой и имеет красивую состаренную патину.
Категория
Античные таблицы китайских консолей китайских консолей 19 -го века
Материалы
ELM, краска
Поздний династия Династия Сундук с живописью на основе
ч 31 дюйм. Сложенные друг на друга корейские сундуки 18-го века на железной основе
Находится в Лос-Анджелесе, Калифорния
Пара корейских сундуков 18-го века, поставленных друг на друга. Детали украшены сложной металлической резьбой. Некоторые металлические ремонты были сделаны это далекое прошлое. Верхняя передняя панель д…
Категория
Античная корейская примитивная мебель 18 -го века
Материалы
Древесина
Двойной сложенные корейские сундуки 18 -го века на железном основании
ч 76 дюймов. на резной подставке из позолоченного дерева XVIII века
Находится в Нью-Йорке, штат Нью-Йорк
Необычный китайский резной коромандельский сундук конца 1600-х — начала 1700-х годов на английской резной основе из позолоченного дерева XVIII века. Сундук открывается, открывая красиво оформленное отделение…
Категория
Антиквариат XVIII века и более ранние китайские предметы старины в стиле шинуазри
Китайский резной коромандельский сундук на резной основе из позолоченного дерева XVIII века Приставной столик для багажника на основании
Автор Maitland Smith
Расположен в Филадельфии, штат Пенсильвания
Приставной столик для багажника в стиле кампании Maitland Smith, инкрустированный маркетри, на основании. Изделие украшено инкрустацией маркетри по всей поверхности, массивной латунной фурнитурой, основанием для подрамника, конструкцией из цельного дерева,…
Категория
Конечно 20 -го века Филиппинская кампания по боковой кампании
Материалы
Brass
Maitland Smith Marquetry Indlay Style Style Style Sade Sather на основе
H 24,5 дюйма W 19,5 дюйма L 24,5 дюйма
H 24,5 дюйма W 19,5 дюйма L 24,5 дюйма
Находится в Уилмингтоне, Делавэр.
Mid-Century Modern Kent Coffey Tableau Высокий сундук из орехового дерева на подставке для носилок. Предлагается красивый высокий сундук из орехового дерева с изображением Кента Коффи в стиле модерн середины века на подрамнике. Это ч…
Категория
Середина 20-го века американские современные комоды середины века
Материалы
Walnut
Середина столетия Современный Кентский Кофе Кофей Тейл Ореховый Ореховый Ореховый Ореховый Орехо. дюймов
Миниатюрная шкатулка для драгоценностей в неоклассическом стиле на подставке Деревянное основание с 3 ящиками на железной основе
Находится в Дейтоне, штат Огайо
Настольная шкатулка с тремя ящиками или сундук для хранения. Неоклассический или наполеоновский стиль с золотыми и черными лакированными ящиками, инкрустированными медальонами в виде старинных монет, мон…
Категория
Шкатулки для драгоценностей в неоклассическом стиле конца 20-го века
Материалы
Кованое железо
Миниатюрная шкатулка в неоклассическом стиле Сундук на подставке Дерево 3 ящика Основание из железа
90,5 дюймаВ 14 дюймов
Гватемальский сундук для хранения XIX века на подставке
Расположен в Лос-Анджелесе, Калифорния
Сундук для хранения из дерева Cedro на съемном основании с ножками. Конструкция «ласточкин хвост» повсюду. Верхние подъемники и основание имеет ящик. Первоначально он был красным, но краска была удалена. Функция…
Категория
Античный гватемалский деревенский одеял 19-го века
Материалы
Вуд
19-й век Гватемаланский сундук с хранением на основе
ч 41 дюйм. Комоды из орехового дерева на основании с шестью ящиками
By Knoll
Находится в Толедо, штат Огайо
Mid-Century Современная пара комодов из орехового дерева с тремя ящиками на одной алюминиевой основе.
Категория
Североамериканские современные комоды середины 20-го века
Материалы
Walnut
Современные сундуки с ореховым орехом середины века на основе шесть ящиков
H 29 дюймов W 73 дюйма D 19 дюйма
Kai Kristiansen Teak’s Destlem Kristiansen
Расположенный в Беркли, Калифорния
Этот красивый современный датский комод Kai Kristiansen для Feldballes Møbelfabrik с четырьмя ящиками из тикового дерева является идеальным местом для хранения вещей в любом современном доме. Кейс стоит на оригинальных…
Категория
Винтаж 1960 -х годов датские скандинавские современные коммоды и сундуки с ящиками
Материалы
Тик
Kai Kristiansen Teak’s Destleman’s Dest на копки -базе
H 27.5 IN. Charles Eglomise Chest Commode Nightstand on Metal Base
By Jonathan Charles
Находится в Стэмфорде, штат Коннектикут
Прекрасная и замечательная часть нашей коллекции Jonathan Charles — этот сундук ручной работы églomisé на металлической подставке. Этот позолоченный серебряный комод с двумя выдвижными ящиками над двумя выдвижными…
Категория
Комоды и комоды вьетнамского Голливуда 1990-х годов
Jonathan Charles Eglomise Chest Commode Nightstand on Metal Base
H 30 дюймов W 45,5 дюймов D 20 дюймов на металлическом основании 90 Personal Medicine
3 9
Расположен в Чикаго, штат Иллинойс.
Эта личная аптечка из Японии сделана из дерева павловина. Изделие установлено на специальном металлическом основании.
Категория
Антиквариат Конец 19Китайские аптекарские шкафы th Century
Материалы
Металл
Аптечка на металлическом основании
В 40,25 дюйма Ш 41 дюйм Г 8,75 дюйма
Расположен в Далласе, штат Техас
Храните пульты дистанционного управления или небольшие личные вещи в этом элегантном старинном чемодане. Изготовленный в Нормандии примерно в 1850 году, сундук-бомба стоит на отдельном основании с точеными ножками и б…
Категория
Старинные французские тумбочки середины XIX века в стиле Людовика XIII
Материалы
Дуб, орех
Французский сундук-бомба XIX века на точеных ножках Основание из Нормандии
Ш 17 дюймов Г3 900 15 дюймов.
Сундук William Switzer Marquetry на латунном основании и металлических львах, сделано в Италии
By William Switzer
Расположен в Лос-Анджелесе, Калифорния
Замысловатый и стильный деревянный сундук William Switzer в клетку на латунном основании с металлическими ручками в виде льва . Этот невероятный маленький шкафчик сделан в Италии и украшен прекрасной лилией…
Категория
Приставные столики итальянского Голливуда эпохи Регентства конца 20-го века
Материалы
Металл, латунь
Сундук William Switzer Marquetry на латунном основании и металлических львах, сделано в Италии
Ш 18 дюймов 12 дюймов.Белая роспись сундука Людовика XVI XVIII века на подставке
Расположена в Уотер-Милл, штат Нью-Йорк
Привлекательный белый сундук Людовика XVI на резной основе, XVIII век
Категория
Антикварные французские комоды XVIII века и более ранние
Сундук XVIII века в стиле Людовика XVI, окрашенный в белый цвет, на подставке
В 51,5 дюйма, Ш, 46,5 дюйма, Г 21,75 дюйма Ltd. Испания, 1960 -е годы, на пользовательской золе базы
Категория
Винтажные 1960 -х годов Испанские Комдоды и Сундуки с ящиками
Материалы
Латунь
Грустный сундук с ясеней
ч 28 дюймов. W 35 in. D 20 дюймов
Деревянный сундук из мексиканского испанского колониального сабино XVIII века на железной подставке
Расположен в Монтесито, Калифорния
Красивый испанский колониальный деревянный сундук из мексиканского сабино на железной подставке. Оригинальное оборудование. Ласточкин хвост на углах. Поднимите верхнюю часть с внутренней коробкой.
Категория
Старинные сундуки с одеялами 18-го века
Мексиканский испанский колониальный сундук из дерева сабино 18-го века на железной основе в Саррид C 1980s
By Sarreid Ltd.
Расположен в Палм-Спрингс, Калифорния
Длинный латунный комод с 4 ящиками, приписываемый испанской мебельной компании Sarried и датируемый 1980-ми годами. Этот комод находится в фантастическом винтажном состоянии и был современен…
Категория
Винтаж 1980-х годов Испанские современные комоды и комоды середины века
Материалы
Латунь
Длинный сундук с латунным покрытием на основе Lucite Приписывается Lucite Саррид C 1980-е годы
В 32 дюйма Ш 54 дюйма Г 18 дюймов
Двойной комод на едином основании
Находится в Майами, Флорида
Этот уникальный комод из серии MANDARIN от Генри Линка состоит из двух тумб с 3 ящиками. на единой базе. Корпус из цельного дерева с глянцевым лаковым покрытием, оригинальная латунная ручка…
Категория
Американские комоды и комоды винтажа 1960-х годов
Материалы
Латунь
Двойной комод на едином основании
В 33,5 дюйма, Ш 72 дюйма, Г 18,75 дюйма
Старинный китайский кожаный сундучок на специальной базе
Расположен в Санта-Роза, Калифорния
Великолепно выглядящий необычный китайский чемодан из свиной кожи на специальной базе.
Категория
Античный китайский одеял 19 -го века
Материалы
Кожа, дерево
Античный китайский кожаный багаж Железная база, д. 1940
Расположенный в Далласе, TX
Перстаговый комод на позолоченном железном основании
Категория
ВИНТАЖЕТ 1940S ФРАНЦУЗСКИЕ КОММОДЫ И ГРУДОВЫХ КОММОДОВ
Материалы
Железо
PARCOME
В 37,50 дюйма Ш 42 дюйма Г 17 дюймов
Сундук под зебру на латунном основании
Расположен в Уэст-Палм-Бич, Флорида
Сундук с отделкой под зебру. Рама и фурнитура из латуни.***Контактная информация: пользователи AOL (American Online) могут испытывать трудности при отправке нам электронных писем или получении электронных писем от …
Категория
Винтажные декоративные объекты 1970 -х годов
Материалы
Латунь
Сундук с искусственной зеброй на латунном основании
ч 19 дюйма W 21. 25 дюйма D 12,5 дюйма
19 -й C. C. , England
Находится в Нью-Йорке, штат Нью-Йорк
Английский Комод из красного дерева с утопленной латунной ручкой и двумя ящиками, установленный на современной подставке с H-образным основанием. Идеально подходит в качестве приставного стола. Англия, 19 век 21,5 дюйма…
Категория
Античные английские таблицы 19 -го века
Материалы
МАСКОГАН
19 -е C. К. с новыми поступлениями
Сохраните «Сундук на базе», и мы сообщим вам, когда появятся новые объявления в этой категории.
Сундук на подставке для продажи на 1stDibs
На 1stDibs есть много вариантов идеального сундука на подставке для вашего дома. Сундук на основании, часто сделанный из дерева, металла и латуни, может поднять любой дом. Ваша гостиная может быть неполной без сундука на подставке — найдите в продаже старые версии 18-го века и более новые версии, сделанные совсем недавно, в 21-м веке. Большой популярностью пользуется сундук на базе, созданный дизайнерами эпохи модерна середины века, а также теми, кто связан с голливудским регентством. Maitland Smith, Founders Furniture Company и Jonathan Charles изготовили по крайней мере по одному красивому сундуку на основе, заслуживающем внимания.
Сколько стоит сундук на базе?
Средняя цена продажи базового сундука на 1stDibs составляет 3625 долларов, в то время как они обычно составляют 235 долларов в нижней части и 29 500 долларов в самой высокой цене.
Подробнее
Что такое стол секретаря и для чего он используется?
Мебельный эквивалент швейцарского армейского ножа. Это многофункциональная вещь, о которой вы и не подозревали.
Эта система стеллажей с оксидированными латунными трубками выглядит одновременно ретро и футуристично
Итальянская студия DimoreMilano проявила большую изобретательность при создании этих скульптурных полок, которые собираются без каких-либо винтов.
28 Веселых домашних баров, где все (буквально) знают ваше имя
Простые или изысканные, оборудованные консолью, тележкой или нестандартной мебелью, эти стильные бары заслуживают тоста.
Спросите дизайнера интерьера: Work-from-Home Edition
Приступить к разработке проекта, будь то освежение спальни или переделка всего дома, может быть ошеломляющим. К счастью, мы знаем больше нескольких дизайнеров интерьеров. Вы задавали вопросы в Instagram, и теперь они отвечают.
Собранные и эклектичные, «Wunderkammern» возвращаются в большой путь
Появившиеся почти 500 лет назад шкафы для раритетов находят новых поклонников среди современных коллекционеров и дизайнеров.
Познакомьтесь с невероятной женщиной, превращающей упавшие деревья в элегантную мебель
В руках соучредителя New York Heartwoods Меган Оффнер нежелательные местные деревья превращаются в произведения дизайнерского искусства.
Эти нью-йоркские архитекторы обожают сложный проект
От таунхаусов в Бруклине до кемпингов в штате Мэн Трэтти Дэвис и Джонатан Тэйвс с удовольствием принимают вызов, например, превращают бывший склад в новую галерею 1stdibs.
25 пространств со стильными стеллажами
Расположение полок от пола до потолка может превратить вашу стену в гордое место для хранения книг, произведений искусства и предметов коллекционирования. Вдохновитесь этими комнатами с умными, привлекательными книжными шкафами и встроенными элементами.
Дополнительные способы поиска
Tableau Vintage
Switzers Vintage
Tableau Kent
Tableau Coffey Tableau
Комод Eglomise
Белая антикварная шкатулка
3 Jewelry0003
Комод Eglomise
Большой комод на комоде
Приставные столики из орехового дерева XIX века
Комод Zanzibar
Винтажный желтый комод
Посмотреть все Популярные поисковые запросы
Аномалии рентгенографии грудной клетки — Аномалии легких
Аномалии рентгенографии грудной клетки — Аномалии легкихКлючевые моменты
- Сравните левую и правую верхние, средние и нижние зоны легкого
- Определите, какая сторона ненормальная
- Сравните область аномалии с остальной частью легкого на той же стороне
- Белая сторона не всегда является аномальной стороной
- Помните, что многие заболевания легких двусторонние и симметричные
Зоны легких
Оцените легкие путем сравнения верхняя, средняя и нижняя зоны легких слева и справа. Асимметрия плотности легких представлена либо аномальной белизной (повышенной плотностью), либо аномальной чернотой (уменьшенной плотностью). Как только вы заметили асимметрию, следующим шагом будет решить, какая сторона ненормальна. Если есть область, которая отличается от окружающего ипсилатерального легкого, то это, вероятно, аномальная область.
Консолидация
Если альвеолы и мелкие дыхательные пути заполнены плотным материалом, говорят, что легкое консолидировано. Важно знать, что консолидация не всегда означает наличие инфекции, и мелкие дыхательные пути могут быть заполнены материалом, отличным от гноя (как при пневмонии), например, жидкостью (отек легких), кровью (легочное кровотечение) или клетками ( рак). Все они выглядят одинаково, и клиническая информация часто помогает вам поставить диагноз.
Воздушная бронхограмма
Если участок легкого уплотнен, он становится плотным и белым. Если большие дыхательные пути не повреждены, они имеют относительно низкую плотность (темнее). Это явление известно как воздушная бронхограмма и является характерным признаком консолидации.
Консолидация с воздушной бронхограммой
Наведите курсор на изображение, чтобы показать/скрыть результаты
Нажмите на изображение, чтобы показать/скрыть результаты
Щелкните изображение, чтобы выровнять его по верху страницы
Консолидация с воздушной бронхограммой
- Левая средняя зона белая
- Темные линии через область белого цвета — хороший пример воздушной бронхограммы
Клиническая информация
- У больного высокая температура и продуктивный кашель
- Диагноз
- Пневмония – дыхательные пути заполнены гноем
- Рак – дыхательные пути заполнены клетками
- Легочное кровотечение — дыхательные пути заполнены кровью
- Отек легких — дыхательные пути заполнены жидкостью
- Средние зоны асимметричны
- Имеется небольшое затемнение неправильной формы справа
- Это затемнение содержит темный участок — полость
- Другие участки легких в норме
- злоупотребление внутривенными наркотиками в анамнезе и наличие высокой температуры
- Септическая эмболия
- Абсцесс легких — туберкулез, Klebsiella или Staph aureus
- Рак легких
- септическая эмболия — инфицированный тромб
- Грибковой инфекции — если иммунитет
- Множественные двусторонние легочные узлы
- Симметричные распространение
- Дополнительные узлы в основании легких
- Одышка, потеря веса и клинические подозрения на основное злокачественное новообразование
- Легочные метастазы
- Слева темнее, чем справа
- Гиперэкспансия легких
- Пневмония – консолидация с гноем
Дифференциальная диагностика консолидации
Небольшие аномалии зон легких
Тщательное сравнение зон легких может привести к обнаружению более мелких аномалий, которые в противном случае можно было бы игнорировать.
Односторонняя аномалия средней зоны
Наведите указатель мыши на изображение, чтобы показать/скрыть результаты
Нажмите, чтобы включить/выключить изображение, чтобы показать/скрыть результаты
Щелкните изображение, чтобы выровнять его по верхнему краю страницы
Односторонняя аномалия средней зоны
Клиническая информация
Диагноз
Дифференциальная диагностика полостей легких
Двусторонне измененные зоны легких
Наведите указатель мыши на изображение, чтобы показать/скрыть результаты
Нажмите на изображение, чтобы показать/скрыть результаты
Щелкните изображение, чтобы выровнять его по верхней части страницы
Двусторонние аномальные зоны легких
Клиническая информация
Диагноз
Односторонние низкой плотности
Если есть асимметрия легких, иногда аномалией является темная (менее плотная) область.
Односторонняя черная нижняя зона
Наведите указатель мыши на изображение, чтобы показать/скрыть результаты
Коснитесь изображения, чтобы показать/скрыть результаты
Щелкните изображение, чтобы выровнять его по верхнему краю страницы нижние зоны
Клиническая информация
- Хронический курильщик с нарастающей одышкой
Диагноз
- Хроническая обструктивная болезнь легких с большой буллой в нижней зоне левого легкого9
Последнее рассмотрение: Июль 2019 г.
Объяснимый анализ рентгеновского изображения грудной клетки на основе DCNN и классификация для COVID-19выявление пневмонии
Объяснимый анализ рентгеновского изображения грудной клетки на основе DCNN и классификация для выявления пневмонии COVID-19
Скачать PDF
Скачать PDF
- Артикул
- Открытый доступ
- Опубликовано:
- Джи Хоу 1 и
- Терри Гао 2
Научные отчеты том 11 , Номер статьи: 16071 (2021) Процитировать эту статью
3557 доступов
6 цитирований
14 Альтметрический
Сведения о показателях
Предметы
- Биологические методы
- Вычислительная биология и биоинформатика
- Здравоохранение 909:30
Abstract
Чтобы ускорить обнаружение механизмов заболевания COVID-19 с помощью рентгеновских изображений, в этом исследовании была разработана новая диагностическая платформа с использованием глубокой сверточной нейронной сети (DCNN), которая может помочь рентгенологам в диагностике, различая COVID-19. пневмония от пневмонии, не связанной с COVID-19, у пациентов на основе классификации и анализа рентгенографии грудной клетки. Такой инструмент может сэкономить время при интерпретации рентгенограмм грудной клетки и повысить точность, тем самым расширив наши медицинские возможности по обнаружению и диагностике COVID-19.. Объяснимый метод также используется в DCNN для выбора экземпляров изображений набора рентгеновских данных, чтобы объяснить поведение моделей обучения и обучения для достижения более высокой точности прогнозирования. Средняя точность нашего метода превышает 96%, что может заменить ручное считывание и может быть применено для крупномасштабного быстрого скрининга COVID-9 для широкого применения.
Введение
Коронавирусы представляют собой большое семейство вирусов, вызывающих заболевания, начиная от обычной простуды и заканчивая более тяжелыми заболеваниями, такими как ближневосточный респираторный синдром (MERS-CoV) и тяжелый острый респираторный синдром (SARS-CoV) 1 . Этот новый коронавирус (COVID-2019) 2,3,4 представляет собой новый штамм, ранее не идентифицированный у людей. Общим клиническим признаком тяжелой инфекции COVID-19 является пневмония 5,6,7,8 . Рентген грудной клетки является полезным диагностическим инструментом для оценки различных заболеваний легких, таких как пневмония, но интерпретация изображений может быть сложной и трудоемкой при искусственном 9,10 .
Частью задачи является различение нормальных тканей и патологических процессов, навык, который необходимо приобретать на опыте, особенно при некоторых заболеваниях, таких как пневмония, где разница менее очевидна. При большом количестве пациентов, которым ежегодно проводится рентгенография грудной клетки в рамках диагностического обследования с подозрением на пневмонию только в больнице, оценка рентгенографии требует значительного количества ресурсов.
В настоящее время технология машинного обучения внедряется в различных областях медицины, включая диагностику, биоинформатику и образование. Сверточная нейронная сеть (CNN) представляет собой алгоритм глубокого машинного обучения 11 , который может быть реализован в классификации и анализе медицинских изображений для поддержки быстрого и правильного принятия решений 12,13,14,15 . Кроме того, вычислительные модели в области информационных технологий и интеллектуальной аналитики широко используются для решения проблем, связанных с медицинской визуализацией 9.1138 16,17 и общие системы мониторинга COVID-19 18,19 . С начала пандемии многие исследователи продемонстрировали эффективность использования радиологических изображений для выявления инфекции COVID-19 с помощью различных методов глубокого обучения. Общая идея заключается в том, что набор медицинских изображений с тегами категорий используется для обучения CNN с глубоким обучением, способной различать шум и полезную диагностическую информацию 20,21,22,23 . В последнее время наблюдается растущий интерес к разработке COVID-19. система диагностики с использованием методов глубокого обучения на хорошо известных наборах данных, используемых для обучения этих сетей 24,25,26 , а также совмещенные сетевые модели LSTM и явно рекуррентные нейронные сети (RNN) объединяются с CNN вместе, чтобы делать превосходные прогнозы и добиться многообещающих результатов. Ислам М.З. и др. 27 представил комбинированную глубокую сеть CNN-LSTM для оценки неопределенности и интерпретируемости при обнаружении коронавируса; в их системе CNN использовался для глубокого извлечения признаков, а LSTM использовался для обнаружения с использованием извлеченного признака. В исследовании собрано 4575 рентгенограмм, в том числе 1525 снимков COVID-19., использовались в качестве набора данных в этой системе, и система достигла точности 99,4%. Проттой Саха и др. 28 разработал автоматизированную диагностику COVID-19 по рентгеновским изображениям с использованием CNN и ансамбля классификаторов машинного обучения; в их исследовании была разработана сверточная нейронная сеть с упором на простоту модели для извлечения высокоуровневых признаков из рентгеновских изображений пациентов и бинарных классификаторов машинного обучения (случайный лес, метод опорных векторов, дерево решений и AdaBoost). разработан для обнаружения COVID-19, и, наконец, эти выходные данные были объединены для разработки ансамбля классификаторов, метод может достичь точности 98,91%. Ислам и др. 29 используют комбинированную архитектуру сверточной нейронной сети (CNN) и рекуррентной нейронной сети (RNN) для диагностики COVID-19 по рентгенограмме грудной клетки, а для визуализации класса также использовали градиентно-взвешенное картирование активации класса (Grad-CAM). определенные области изображений, отвечающие за принятие решения. Все это хорошие методы для обнаружения инфекции COVD-19, но в сочетании с различными сложными нейронными сетями для этого требуется гораздо больше аппаратных ресурсов, а обработка в реальном времени также является сложной проблемой.
Обученный CNN способен интерпретировать новые изображения, распознавая закономерности, указывающие на определенные заболевания на отдельных изображениях. Таким образом, он имитирует обучение врача, но теория состоит в том, что, поскольку он способен учиться на гораздо большем наборе изображений, чем любой человек, подход CNN дает более точные результаты. Гошал и др. 3 представил метод, основанный на глубоком обучении, для оценки неопределенности и интерпретируемости при обнаружении коронавируса. Авторы использовали байесовскую свёрточную нейронную сеть (BCNN) и общедоступную информацию о COVID-19.Изображения CXR и обнаружили, что неопределенность прогноза чрезвычайно коррелирует с точностью прогноза. Результаты производительности демонстрируют повышение точности обнаружения с 85,2% до 92,9% при использовании предварительно обученной модели VGG-16. Они также продемонстрировали интерпретируемость модели, создав карты значимости, чтобы облегчить лучшее понимание результатов, полученных с помощью предложенной модели. Нарин и др. 5 представил основанный на переносе обучения подход к классификации изображений CXR в COVID-19и обычные категории. Они использовали в своей системе три предварительно обученные модели, такие как InceptionV3, ResNet50 и InceptionResNetV2, и добились максимальной точности 98% с помощью ResNet50 для двоичной классификации. Однако количество изображений COVID-19 в тщательно подобранном наборе данных составляет всего 50.
Singh et al. предложенная модель автоматизированного скрининга COVID-19 30 реализована путем объединения моделей глубокого обучения, таких как плотно связанные сверточные сети (DCCN), ResNet152V2 и VGG16, и имеет хорошие характеристики с точки зрения точности, f-меры, площади ниже кривой, чувствительности и специфичности, но выборка в основном предназначена для КТ-изображений. Сингх и др. также разработал автоматизированный метод анализа 31 , что может сэкономить драгоценное время медицинских работников, а метод превосходит конкурирующие модели машинного обучения с точки зрения различных показателей производительности, не требуя большого количества обучающих наборов. Джанчандани и др. предложили две разные ансамблевые модели глубокого переноса обучения 32 , которые были разработаны для диагностики COVID-19 с использованием рентгенографии грудной клетки. Обе модели используют предварительно обученные модели для повышения производительности и могут различать COVID-19, вирусную пневмонию и бактериальную пневмонию.
Пилотное исследование с использованием общедоступных рентгенограмм грудной клетки пациентов без пневмонии и пациентов с коронавирусом должно обещать, что можно обучить CNN различать эти две группы с высокой точностью примерно 90% 33 . Кроме того, существует возможность отличить вирусную пневмонию от бактериальной, что особенно актуально для инфекции COVID-19, поскольку пневмония напрямую связана с вирусом, а не с бактериальным осложнением. Был представлен метод байесовской сверточной нейронной сети (BCNN) для оценки заражения коронавирусом 34 . Точность метода составляет около 90%. Для классификации изображений CXR для обнаружения COVID-19 и моделей CNN, включая InceptionV3, ResNet50 и InceptionResNetV2, использовался подход с переносом обучения, однако образцы изображений COVID-19 были очень ограничены, что повлияло на производительность 35 .
Содержание исследования в этой статье заключается в том, что набор рентгеновских медицинских изображений легких с тегами категорий используется для обучения двухуровневой CNN, называемой DCNN, которая может различать нормальную, коронавирусную инфекцию, COVID-19.и другие вирусные инфекции. Мы предложили систему, которая сочетает в себе две модели CNN, основанные на глубоком обучении, которые используют преимущества средневзвешенного веса модели. Первая сверточная нейронная сеть используется для обнаружения (нормальных, зараженных бактериями, зараженных вирусом), а выходные данные (зараженные вирусом) первой сверточной нейронной сети используются в качестве входных данных второй сверточной нейронной сети для получения надежной классификации этих изображения в категории COVID-19, нормальная и другие категории вирусной пневмонии. Такой инструмент может повысить скорость и точность интерпретации и тем самым улучшить общее лечение пациентов, а также снизить потребность в ресурсах, что полезно для COVID-19. выявление заболеваний.
Дизайн и методы
Дизайн и тип исследования
В ходе этого исследования была создана диагностическая система, в которой для обучения используются общедоступные рентгеновские снимки грудной клетки коронавирусного инфектора из 36 . Исторические данные разделены на обучающий и проверочный наборы, которые состоят из трех образцов нормальной, коронавирусной инфекции и вирусной инфекции. Затем CNN обучается на обучающем наборе, а прогностическая ценность инструмента после обучения определяется с использованием проверочного набора. Тесты того, какие части изображений, которые CNN использует для определения вывода, исследуются, чтобы гарантировать, что вывод является клинически значимым. После этого первоначального анализа было применено извлечение массивных текстурных признаков, которые могут служить для предоставления дополнительной информации для диагностики COVID-19..
Участники
Обучение CNN должно иметь не пневмонию и пневмонию, представляющие рентгеновские снимки, которые похожи во всех других аспектах, которые могут влиять на то, как выглядит рентгеновский снимок, поэтому глубокая CNN обучена видеть фактическую разницу на основании наличия пневмонии и отсутствия других факторов, связанных с пневмонией. Поскольку у пациента, который диагностируется и лечится на дому, есть как минимум рентген, чтобы диагностировать состояние, и рентген, чтобы подтвердить, что пневмония исчезла, у нас есть рентген того же пациента с пневмонией и без нее. По этой причине обучающая выборка представляет собой случайный выбор пациентов. Используемые рентгенограммы грудной клетки — это первый рентген, сделанный пациенту при поступлении с момента подозрения на пневмонию, и последний рентген, сделанный перед выпиской. На обоих рентгеновских снимках использовалось одно и то же положение пациента (стоя/лежа в постели).
Дизайн платформы и результаты
Для каждой записи в наборе проверки собираются следующие результаты:
Диагноз, установленный обученным CNN
Диагноз «золотой стандарт», установленный рентгенологом и подтвержденный в отделении выписки.
Если рентгенологическое исследование не выявило пневмонию, но клинический диагноз показывает пневмонию, то, по крайней мере, еще одно рентгенологическое исследование этого эпизода госпитализации должно было показать пневмонию. Если хотя бы один из этих двух критериев не соблюдается, то на рентгенограмме определяется наличие пневмонии.
Если рентген показал пневмонию, то и результат клинического диагноза должен был показать пневмонию; в противном случае было установлено, что пневмония не проявляется.
Расчет размера выборки
Размер обучающих данных зависит от сложности модели CNN, такой как количество входов/выходов, отношения между параметрами, шум в данных, дисперсия и стандартное отклонение каждого параметра, поэтому лучший подход — убедиться, что наши данные охватывают все диапазоны, которые нам нужны для всех параметров. Обычно количество выборок как минимум в 10 раз превышает количество обучающих параметров CNN, поэтому мы изначально установили обучающие выборки примерно на 1400 рентгенограмм грудной клетки, которые включают 400 нормальных изображений, 400 изображений пневмонии, зараженной бактериями, 400 пневмония, зараженная другими вирусными образами, и 200 пневмоний, инфицированных COVID-19картинки. Тестовые образцы представляют собой 400 рентгенограмм органов грудной клетки (по 100 изображений для каждого класса). Для проверки используются 100 рентгенограмм грудной клетки, которые также включают 50 изображений инфекции COVID-19.
Одобрение этических норм и согласие на участие
Исследование одобрено Гуандунским медицинским университетом и CMDHB. Мы используем только исторические оперативные данные и рентгеновские снимки. Не будет никакого взаимодействия с пациентами или воздействия на них.
Процедура реализации
Теоретическая основа алгоритма
Первым этапом этого исследования является глубокая CNN, разработанная и обученная для помощи радиологам в постановке диагноза путем различения пневмонии, вызванной COVID-19, и пневмонии, не связанной с COVID-19, у пациентов в больнице с высокими прогностическими значениями с использованием клинически значимых частей изображений. Затем эта глубокая CNN используется для различения бактериальной и вирусной пневмонии среди пациентов с пневмонией в больнице с высокими прогностическими значениями с использованием клинически значимых частей изображений. CNN разработан на базе VGG-19. 37 , который представляет собой вариант модели VGG, которая вкратце состоит из 19 слоев (16 слоев свертки, 3 полносвязных слоя, 5 слоев MaxPool и 1 слой SoftMax, как на рис. 1, и уменьшила уровни, изменив ядра свертки, чтобы сделать
Рис. i}\) — радиальная базисная функция, \(N\) — количество входных обучающих выборок, а \(y\) — выход нейронной сети, новый метод, который измеряет сходство между тестовыми изображениями и наземные изображения правды для повышения надежности обнаружения системы.9{\mu }$$(9)
Предлагаемый алгоритм: DCNN
Основываясь на вышеизложенном опыте применения и теоретической основе, в этом разделе представлена предлагаемая структура DNN, которая показана на рис. 2. DCNN разделена на два уровня обучения. Одним из нововведений нашей системы является то, что две отдельные CNN используются для обнаружения разных категорий, а вход второй CNN формируется из одного потока вывода первой CNN.
Во-первых, первая CNN-1 обучается путем ввода обучающих выборок с метками категорий, получаются все неизвестные параметры CNN-1, и CNN-1 действительна по набору проверочных данных.
Затем CNN-1 используется для определения тестовых образцов, чтобы выделить стандартный набор, набор для вирусной инфекции и набор для бактериальной инфекции.
В-третьих, выходной набор вирусной инфекции помечен для CNN-2, который имеет три категории: нормальная, COVID-19 и другая вирусная инфекция. Итак, вторая CNN-2 обучена получать все неизвестные параметры, и CNN-2 действительна по набору проверки; Наконец, CNN-2 используется для определения окончательных тестовых образцов для разделения стандартного набора, набора других вирусных инфекций и COVID-19.установлен.
Структура выполнения предложенной DCNN.
Изображение полного размера
Обучение DCNN
Слои свертки имеют иерархическую структуру и являются основными строительными блоками CNN 38 . DCNN, применяющая отдельные сетевые уровни и быстрые комбинации функций, имеет место перед стадией прогнозирования. Вход первого слоя свертки — это входное пространство, а выход — карта объектов. Вход и выход следующих сверточных слоев — это карты объектов входного пространства. Количество сверточных слоев задается программистом. Набор карт признаков получается на выходе сверточных слоев. Сложные особенности входного пространства представлены с помощью многоуровневой иерархической структуры сверточных слоев. Полученные признаки из сверточных слоев подаются на объединяющий слой. К полученной карте объектов применяется функция активации, такая как ReLU. В этом слое соответствующие функции сохраняются, а остальные отбрасываются. Слой отсева с коэффициентом отсева 0,5 также использовался для регуляризации модели. Затем в качестве входных данных подаются карты признаков соответствующих глубин пути сжатия. Полученные признаки преобразуются в одномерный массив, называемый вектором признаков. Вектор признаков представляет собой одномерный массив и является входом для полносвязного слоя. Полностью связанный слой вычисляет выходные данные CNN.
Ветвь регрессии прогнозирует расстояния от центра каждой сетки до четырех сторон ограничивающей рамки. Центрированность — это коэффициент в диапазоне [0,1] для каждой сетки. Чем дальше центр сетки от центра объекта, тем меньше коэффициент. Центрированность и класс умножаются и затем служат входом немаксимального подавления (NMS). Блок склеры аналогичен полностью сверточной сети (FCN), где входная карта признаков подвергается 4-кратной девыборке для получения карты оценок. После этих операций с помощью функции активации ReLU выполняется нелинейное преобразование сигналов для каждой матрицы. Полученные результаты отправляются на уровень пула. В этом слое для каждой ячейки выполняются максимальные (или средние) операции объединения. В слое объединения были выполнены операции понижающей выборки, чтобы уменьшить размер матрицы признаков, полученной из слоя свертки. После обучения индекс класса используется для измерения карты активации класса, а слои можно использовать при визуализации карты активации класса. Модель градиента CNN строится путем предоставления входных данных предварительно обученной модели и выходных данных последнего слоя в сети. Среднее значение градиента вычисляется с использованием весов соединений, а обдумывание фильтров вычисляется относительно весов, поэтому тепловая карта соединения может быть сформирована и нормализована таким образом, чтобы все значения были установлены в диапазоне [0, 1] , а полученные значения можно масштабировать до диапазона [0, 255], чтобы, наконец, показать интересующие области ярким цветом, который можно использовать для анализа в медицинских целях. Подробности приведены в таблице 1. Кроме того, результаты выходных категорий можно затем усреднить (или иным образом объединить) для получения единой оценки, а преимущество этого метода заключается в том, что все наблюдения используются как для обучения, так и для проверки, и каждое наблюдение используется для проверки ровно один раз.
Таблица 1 Параметры каждого уровня для CNN.Полноразмерная таблица
Первый сверточный слой изучает 32 сверточных фильтра, каждый из которых равен \(3\x 3\). Затем выпрямленные линейные единицы (ReLU) применяются в качестве функции активации, которая имеет выход 0, если вход меньше 0, и выход в противном случае. Следующие слои используют аналогичную обработку. Полносвязный слой использует SoftMax для функции активации.
Поскольку настройка гиперпараметров CNN очень важна для получения высокоточной модели, «поиск по сетке» 39 путем выборки различных гиперпараметров из распределения используется в CNN. Он начинается с определения набора всех гиперпараметров и связанных значений, которые необходимо изучить, а затем исследуются все комбинации этих гиперпараметров. Для каждой возможной комбинации гиперпараметров на них обучается модель, после чего возвращаются гиперпараметры, связанные с наибольшей точностью. Сетка скорости обучения — [0,1, 0,01, 0,001], сетка скорости отсева — [0,2, 0,3, 0,5], сетка размера партии — [8, 32, 64], а сетка эпохи для обучения — [60, 120, 180]. .
Тестирование DCNN
После обучения CNN с использованием обучающего набора он используется для диагностики всех рентгеновских снимков в тестовом наборе. Для каждого случая можно получить долю каждого диагноза. Параметры, используемые для обозначения производительности CNN, включают точность, повторный вызов и оценку F1.
Точность : Отношение правильных прогнозов (истинно положительных + истинно отрицательных) к общему количеству прогнозов.
Отзыв : Доля случаев, классифицированных как положительные, которые на самом деле являются положительными (количество истинно положительных результатов, деленное на количество истинно положительных плюс ложноотрицательные).
Оценка F1 : Общая метрика, которая по существу сочетает в себе точность и полноту.
Используются следующие правила тестирования:
- 1.
Положительные и прогностические значения определяются с общесемейными 95% доверительными интервалами (поправка Бонферрони) для выходных данных CNN при определении пневмонии COVID-19.
- 2.
Положительные и прогностические значения определяются с общесемейными 95% доверительными интервалами (поправка Бонферрони) для выходных данных CNN при определении бактериальной против вирусной пневмонии.
Примеры типов рентгеновских данных, которые анализируются с использованием нашего подхода DCNN, показаны на рис. 4. Тестовые изображения взяты из Ref 36 . и «Медицинский журнал Новой Англии», 2020 г.: 31 января. DOI: 10.1056/NEJMoa 200119.1” 40 . Методами увеличения данных, применяемыми в предлагаемой DCNN, являются масштабирование, сдвиг, вращение, шум соли и перца и переворот (процессы следующие: использовать пакет изображений, используемых для обучения, и взять этот пакет и применить серию случайных преобразований к каждое изображение в пакете. Заменяет исходный пакет новым, случайно преобразованным пакетом. Обучает CNN на этом случайно преобразованном пакете.). Благодаря применению этих небольших преобразований к изображениям во время обучения было создано разнообразие в наборе обучающих данных, что повышает надежность предлагаемой модели. Генераторы реализованы для динамической аугментации входного изображения и генерации соответствующих меток истинности.
Эксперимент и программное обеспечение основаны на TensorFlow 2.1-GPU 41 , Python 3.7 42 и CUDA 10.1 43 для ускоренного обучения. Аппаратное обеспечение для этой системы включает в себя два процессора i7, 16,0 ГБ памяти и 500 ГБ SSD-накопитель, графический процессор NVIDIA GeForce GTX 1660 Ti, и для конвергенции требуется примерно 4 часа обучения. Пользовательский интерфейс системы, разработанной в этом исследовании, показан на рис. 3. На рисунках 4 и 5 показаны результаты обнаружения. Из результатов видно, что система очень надежна для различных рентгеновских изображений положения тела, угла, пола и размера.
Рисунок 3Пользовательский интерфейс (UI) системы.
Полноразмерное изображение
Рис. 4Результаты первого шага.
Полноразмерное изображение
Рисунок 5Демонстрация результатов анализа.
Полноразмерное изображение
Результаты шага 1 (первая CNN). Левое изображение показывает исходные рентгеновские данные, правое изображение показывает возможность 3 различных случаев (нормальный, зараженный бактериями, зараженный вирусом), а пурпурный цвет показывает, какая часть имеет потенциальную проблему заражения.
Результаты шага 2 (второй CNN). Если на шаге 1 показана вирусная пневмония с наивысшим баллом, непрерывные процессы анализируются и проверяются, есть ли у пациента инфекция COVID-19 или нет. На правом изображении показана вероятность 3 различных случаев (невирусная пневмония, инфицирование COVID-19, инфицирование другими вирусами), а более яркий цвет показывает, какая часть имеет потенциальную проблему инфекции.
Архитектура DCNN классифицирует преимущества рентгеновской медицинской визуализации, такие как количество модулей во взаимосвязанных операциях и модальностях ввода, размер входного патча, количество прогнозов времени и контекстуальная информация о неявных и явных. Результаты тестирования предложенной DCNN показаны в таблице 2, а потери при обучении и точность на рис. 6 также указывают на надежное обучение нашей модели.
Таблица 2 Экспериментальные результаты для тестовой базы данных.Полноразмерная таблица
Рисунок 6График потерь/точности.
Полноразмерное изображение
Результаты производительности различных моделей CNN (RESNET50V2 44 , Начало. -19 набор данных, как показано в таблице 3. Для сравнительного тестирования используются 300 рентгеновских изображений грудной клетки (100 изображений для каждого класса), скорость обучения инициализируется как 0,001, эпоха устанавливается как 120, а размер партии используется как 8.
Таблица 3. Результаты производительности различных моделей базы данных проверки.Полноразмерная таблица
На рис. 7 показаны характеристики оцениваемой модели, которая включает рабочую характеристику приемника (ROC) и кривую точность-отзыв. Кривая ROC отображает процент истинных положительных результатов (TPR) в сравнении с уровнем ложных положительных результатов (FPR), и модель демонстрирует превосходные возможности различения для классов COVID-19. График точность-отзыв показывает компромисс между отзывом и точностью для различных пороговых уровней.
Рисунок 7ROC и кривая точности-отзыва.
Полноразмерное изображение
Выводы
Чтобы ускорить обнаружение механизмов заболевания, в этом исследовании была разработана двухуровневая глубокая система классификации рентгеновских снимков грудной клетки на основе CNN для обнаружения аномалий и извлечения текстурных особенностей измененной паренхимы легких, которые могут быть связаны с конкретными сигнатурами вируса COVID-19. Объяснимый метод объяснений ИИ, особенно предложенный DCNN, может помочь построить более надежную модель и особенно помогает врачам понять сложные распределения данных, такие как рентгеновские изображения, которые играют важную роль в диагностике COVID-19.инфекция от другой пневмонии в качестве расширенного доказательства визуализации. Объяснимые методы, основанные на примерах, работают хорошо, если значения признаков экземпляра несут больше контекста, то есть данные имеют структуру, подобную изображениям, поэтому алгоритмы искусственного интеллекта (ИИ) и радионические характеристики, полученные из рентгенографии грудной клетки, могут быть очень полезны. проводить масштабные программы скрининга, которые могут проводиться в любой больнице, имеющей доступ к рентгеновскому оборудованию, и помочь в диагностике COVID-19. Разработанная система имеет точность 96,03%, 9Точность 6,15% и полнота 96,0% для рентгеновских изображений COVID-19 (включая различное положение тела, угол, размер и пол). Хотя результаты были многообещающими, необходимы дальнейшие исследования на большем наборе данных изображений COVID-19, чтобы иметь более полную оценку показателей точности. Производительность этой системы также может быть улучшена за счет использования более надежных методов оптимизации, таких как: оптимизация стад слонов (EHO), алгоритм оптимизации быков (BOA), алгоритм парламентской оптимизации (POA) и оптимизация спаривания шмелей (BBMO), которые также включены в наши будущие работы. Более того, аналогичная система может использоваться для других видов медицинских изображений, таких как КТ, МРТ, МЭГ и др., что помогает в различных областях ранней диагностики.
Change history
20 September 2021
A Correction to this paper has been published: https://doi.org/10.1038/s41598-021-98624-2
Abbreviations
- AI:
Искусственный интеллект
- BCNN:
Байесовская сверточная нейронная сеть
- CNN:
Сверточная нейронная сеть
- COVID:
Коронавирусная болезнь
- CXR:
Рентген грудной клетки
- DCNN:
Глубокая сверточная нейронная сеть
- FCN:
Полностью сверточная сеть
- Графический процессор:
Графический процессор
- НМС:
Немаксимальное подавление
- РеЛУ:
Ректифицированные линейные блоки
Каталожные номера
- «>
Абудир, М. и др. Прогностическое значение сердечно-сосудистых биомаркеров при COVID-19: обзор. Вирусы https://doi.org/10.3390/v12050527 (2020).
Артикул пабмед ПабМед Центральный Google ученый
Ачарья А. и др. Инфекция SARS-CoV-2 приводит к неврологической дисфункции. J. Neuroimmune Pharmacol. https://doi.org/10.1007/s11481-020-09924-9 (2020).
Артикул пабмед ПабМед Центральный Google ученый
Киран Г. и др. Вычислительный скрининг in silico Kabasura Kudineer — официальной рецептуры Siddha и JACOM на наличие шиповидного белка SARS-CoV-2. Дж. Аюрведа Интегр. Мед. https://doi.org/10.1016/j.jaim.2020.05.009 (2020).
Артикул пабмед Google ученый
Аккерманн, М. и др. Эндотелиит легочных сосудов, тромбоз и ангиогенез при Covid-19. Новый англ. Дж. Мед. https://doi.org/10.1056/NEJMoa2015432 (2020).
Артикул пабмед Google ученый
Цао, Ю. и др. Мощные нейтрализующие антитела против SARS-CoV-2, идентифицированные с помощью высокопроизводительного секвенирования отдельных клеток В-клеток выздоравливающих пациентов. Сотовый https://doi.org/10.1016/j.cell.2020.05.025 (2020).
Артикул пабмед ПабМед Центральный Google ученый
Аддео, А. и др. COVID-19 и рак легких: риски, механизмы и взаимодействие при лечении. Дж. Иммунотер. Рак https://doi.org/10.1136/jitc-2020-000892 (2020).
Артикул пабмед ПабМед Центральный Google ученый
Агарвал А. и др. Руководство по строительству специального медицинского учреждения для сдерживания распространения новой вспышки коронавируса 2019 года. Indian J. Med. Рез. 151 (2), 177–183. https://doi.org/10.4103/ijmr.IJMR_518_20 (2020 г.).
КАС Статья пабмед ПабМед Центральный Google ученый
Мохамед Ю., Абдалла Ю. и Алкахтани Т. Исследования в области медицинской визуализации с использованием методов обработки изображений. В медицинской визуализации — принципы и приложения, Yongxia Zhou, IntechOpen 2019. https://doi.org/10.5772/intechopen.84360.
Тагизадие А., Ала А., Рахмани Ф. и Нади А. Диагностическая точность рентгенографии органов грудной клетки и ультразвукового исследования при выявлении внебольничной пневмонии; краткий отчет. Emerg (Тегеран) 3 (3), 114–116 (2015).
Google ученый
Wachinger, C., Reuter, M. & Klein, T. DeepNAT: глубокая сверточная нейронная сеть для сегментации нейроанатомии. Нейроизображение 170 , 434–445. https://doi.org/10.1016/j.neuroimage (2017).
Артикул пабмед Google ученый
Дуа, С.Ю.Р., Ачарья и П. Дуа, Машинное обучение в информатике здравоохранения, 2014.
Фуркад А. и Хонсари Р. Х. Глубокое обучение в анализе медицинских изображений: третий глаз для врачей. Ж. Стоматол. Оральный Максиллофак. Surg. 120 (4), 279–288 (2019).
КАС Статья пабмед Google ученый
Li, J., Feng, J. & Kuo, C. Глубокая сверточная нейронная сеть для скрытого улучшения отпечатков пальцев. Сигнальный процесс. Изображение Комм. 60 , 52–63. https://doi.org/10.1016/j.image.2017.08.010 (2017 г.).
Артикул Google ученый
Хуссейн С., Анвар С. и Маджид М. Сегментация глиомных опухолей головного мозга с использованием глубокой сверточной нейронной сети. Нейрокомпьютинг 282 , 248–261. https://doi.org/10.1016/j.neucom.2017.12.032 (2017 г.).
Артикул Google ученый
Ullah, S. M. A. и др. Масштабируемые услуги телемедицины для борьбы с новым коронавирусом (COVID-19)) пандемия. Серийный номер Вычисл. науч. 2 (1), 18 (2020).
Артикул Google ученый
Ислам, Мэриленд, М. и др. Носимые технологии для помощи пациентам, инфицированным новым коронавирусом (COVID-19). Серийный номер Вычисл. науч. 1 (6), 320 (2020).
Артикул пабмед ПабМед Центральный Google ученый
Ислам, штат Мэриленд, Улла, С.М.А., Махмуд, С. и Раджу, С.М.Т.У. Дыхательные аппараты для поддержки нового коронавируса (COVID-19)) инфицированных пациентов. Серийный номер Вычисл. науч. 1 (5), 274 (2020).
Артикул пабмед ПабМед Центральный Google ученый
Рахман, М.М., Маник, М.М.Х., Ислам, М.д., Махмуд, С., и Ким, Дж.-Х. Автоматизированная система ограничения распространения COVID-19 с помощью распознавания лицевых масок в сети умного города. IEEE International IOT, Electronics and Mechatronics Conference (IEMTRONICS), IEEE, Ванкувер, Британская Колумбия, Канада, стр. 1–5, 2020 г.
Бальдоминос, А., Саез, Ю. и Исаси, П. Эволюционные сверточные нейронные сети: приложение для распознавания рукописного ввода. Нейрокомпьютинг 283 , 38–52. https://doi.org/10.1016/j.neucom.2017.12.049 (2017 г.).
Артикул Google ученый
Феррейра, А. и Джиральди, Г. Подходы сверточной нейронной сети к классификации гранитной плитки. Эксперт Сист. заявл. 84 , 1–11. https://doi.org/10.1016/j.eswa.2017.04.053 (2017 г.).
Артикул Google ученый
Лю, Н., Хан, Дж., Лю, Т. и Ли, X. Обучение прогнозированию фиксации глаз с помощью сверточных нейронных сетей с несколькими разрешениями. IEEE Trans. Нейронная сеть. Учиться. Сист. 29 (2), 392–404. https://doi.org/10.1109/tnnls.2016.2628878 (2018 г.).
MathSciNet Статья пабмед Google ученый
Сальвати, Д., Дриоли, К. и Форести, Г. Использование CNN для улучшения локализации источника звука в условиях шума и реверберации. IEEE Trans. Эмердж. Темы Вычисл. Интел. 2 (2), 103–116. https://doi.org/10.1109/tetci.2017.2775237 (2018 г.).
Артикул Google ученый
Ислам, М. М., Каррей, Ф., Алхадж, Р. и Зенг, Дж. Обзор методов глубокого обучения для диагностики нового коронавируса (COVID-19).). IEEE Access 9 , 30551–30572 (2021 г.).
Артикул пабмед Google ученый
Асраф А., Ислам, штат Мэриленд З., Хак, штат Мэриленд Р., и Ислам, штат Мэриленд М. Приложения глубокого обучения для борьбы с пандемией нового коронавируса (COVID-19). Серийный номер Вычисл. науч. 1 (6), 363 (2020).
Артикул пабмед ПабМед Центральный Google ученый
Джибрил, М. Л., Ислам, доктор медицины, Шариф, США и Айон, С. И. Прогнозные модели интеллектуального анализа данных для восстановления пациентов, инфицированных новым коронавирусом (COVID-19). Серийный номер Вычисл. науч. 1 (4), 206 (2020).
Артикул Google ученый
Ислам, М. З., Ислам, М. М. и Асраф, А. Комбинированная глубокая сеть CNN-LSTM для обнаружения нового коронавируса (COVID-19) с использованием рентгеновских изображений. Информ. Мед. Разблокирован. 20 , 100412 (2020).
Артикул пабмед ПабМед Центральный Google ученый
Саха П., Сади М. С. и Ислам М. М. EMCNet: Автоматизированная диагностика COVID-19 по рентгеновским изображениям с использованием сверточной нейронной сети и ансамбля классификаторов машинного обучения. Информ. Мед. Разблокировано 22 , 100505 (2021).
Артикул пабмед Google ученый
Ислам, М. М., Ислам, М. З., Асраф, А., и Дин, В. Диагностика COVID-19 по рентгеновским снимкам с использованием комбинированной архитектуры CNN-RNN с трансферным обучением, 2020 г. https://doi.org/ 10.1101/2020.08.24.20181339v1
Сингх Д., Кумар В. и Каур М. Модель скрининга COVID-19 на основе плотносвязанных сверточных сетей. Заяв. Интел. 51 , 3044–3051. https://doi.org/10.1007/s10489-020-02149-6 (2021 г.).
Артикул Google ученый
Сингх Д., Кумар В., Ядав В. и Каур М. Модель скрининга пациентов, инфицированных COVID-19, на основе глубокой нейронной сети с использованием рентгеновских изображений грудной клетки. Междунар. J. Распознавание образов. Артиф. Интел. 35 (03), 2151004 (2021).
Артикул Google ученый
Джанчандани, Н., Джайсвал, А., Сингх, Д., Кумар, В. и Каур, М. Быстрая диагностика COVID-19 с использованием ансамблевых моделей глубокого переноса обучения по рентгенографическим изображениям грудной клетки. Дж. Окружающий интеллект. гуманиз. вычисл. 16 , 1–13. https://doi.org/10.1007/s12652-020-02669-6 (2020 г.).
Артикул Google ученый
Канне, Дж. П., Литтл, Б. П., Чанг, Дж. Х., Эликер, Б. М. и Кетай, Л. Х. Основные сведения для рентгенологов о COVID-19: научная экспертная группа по обновленной радиологии. Радиология https://doi.org/10.1148/radiol.2020200527 (2020).
Артикул пабмед ПабМед Центральный Google ученый
Гошал Б. и Такер А. Оценка неопределенности и интерпретируемости в глубоком обучении для обнаружения коронавируса (COVID-19). Архив КОРР: 2003.10769 (2020).
Нарин А., Кая К. и Памук З. Автоматическое обнаружение коронавирусной болезни (COVID-19) с использованием рентгеновских изображений и глубоких сверточных нейронных сетей, препринт arXiv arXiv: 2003. 10849 (2020).
https://github.com/ieee8023/covid-chestxray-dataset/tree/master/images
Сяо, Дж., Ван, Дж., Цао, С. и Ли, Б. Применение новой улучшенной сети VGG-19 для обнаружения рабочих в масках. J. Phys. конф. сер. 1518 , 012041 (2020).
КАС Статья пабмед ПабМед Центральный Google ученый
Ван, З. Дж., Турко, Р., Шейх, О., Парк, Х., Дас, Н., Хохман, Ф., Канг, М., и Чау, Д. Х.. Объяснитель CNN: изучение сверточных нейронных сетей с интерактивной визуализацией. Препринт arXiv, arXiv: 2004.15004 (2020).
Шекар, Б. Х., и Дагнью, Г. Настройка гиперпараметров на основе поиска по сетке и классификация данных о раке микрочипов. In 2019 Second International Conference on Advanced Computational and Communication Paradigms (ICACCP) , стр. 1–8 (2019). Первый случай нового коронавируса 2019 года в США. Новый англ. Дж. Мед. https://doi.org/10.1056/NEJMoa2001191 (2020).
Артикул пабмед Google ученый
https://www.tensorflow.org/install/gpu
https://www.python.org/downloads/release/python-370/
https://developer.nvidia.com/cuda-10.1-download-archive-base
К. Хе, С. Чжан, С. Рен и Дж. Сун. Отображения идентичности в глубоких остаточных сетях. В Европейская конференция по компьютерному зрению. Springer, стр. 630–645 (2016).
Сегеди К., Ванхук В., Иоффе С., Шленс Дж. и Война З. Переосмысление исходной архитектуры компьютерного зрения. В: Труды конференции IEEE по компьютерному зрению и распознаванию образов (CVPR), Лас-Вегас, Невада, США , стр. 2818–2826 (2016).
Guan, Q. и др. Модель глубокой сверточной нейронной сети VGG-16 для дифференциальной диагностики папиллярных карцином щитовидной железы на цитологических изображениях: пилотное исследование. J. Рак 10 , 4876–4882 (2019).
Артикул пабмед ПабМед Центральный Google ученый
Хуанг Г., Лю З., ван дер Маатен Л. и Вайнбергер К. К. Плотно связанные сверточные сети. архив: 1608.06993.
Ван, Д. и др. Клинические характеристики 138 госпитализированных пациентов с новой коронавирусной пневмонией 2019 года в Ухане, Китай. JAMA https://doi.org/10.1001/jama.2020.1585 (2020).
Артикул пабмед ПабМед Центральный Google ученый
Скачать ссылки
Финансирование
Эта работа была поддержана Исследовательским фондом для доктора Медицинского университета Гуандун (GDMUB2020010).
Информация о авторе
Авторы и принадлежности
Школа биомедицинской инженерии, Гуандонгский медицинский университет, Донггуан, Гуандун, Китай
Джи Хоу
Districe Disteral, Auckland 16403
Distry Districe, Auckland 16403
. Gao
Авторы
- Jie Hou
Посмотреть публикации автора
Вы также можете искать этого автора в PubMed Google Академия
- Терри Гао
Просмотр публикаций автора
Вы также можете искать этого автора в PubMed Google Scholar
Contributions
J.H. сбор данных, дизайн исследования и подача заявки на финансирование. Т.Г. осуществил дизайн исследования, разработку программного обеспечения и тестирование системы.
Автор, ответственный за переписку
Терри Гао.
Декларации этики
Конкурирующие интересы
Авторы заявляют об отсутствии конкурирующих интересов.
Дополнительная информация
Примечание издателя
Springer Nature остается нейтральной в отношении юрисдикционных претензий в опубликованных картах и институциональной принадлежности.
Первоначальная онлайн-версия этой статьи была изменена: в разделе «Дизайн и методы», под заголовком «Этическое одобрение и согласие на участие», «Исследование одобрено Гуандунским медицинским университетом и офисом суперклиники больницы Миддлмор. Мы используем только исторические оперативные данные и рентгеновские снимки. Не будет никакого взаимодействия с пациентами или воздействия на них». теперь гласит: «Исследование одобрено Гуандунским медицинским университетом и CMDHB. Мы используем только исторические оперативные данные и рентгеновские снимки. Не будет никакого взаимодействия с пациентами или воздействия на них».
Права и разрешения
Открытый доступ Эта статья находится под лицензией Creative Commons Attribution 4.0 International License, которая разрешает использование, совместное использование, адаптацию, распространение и воспроизведение на любом носителе или в любом формате при условии, что вы укажете авторство оригинальный автор(ы) и источник, предоставьте ссылку на лицензию Creative Commons и укажите, были ли внесены изменения. Изображения или другие сторонние материалы в этой статье включены в лицензию Creative Commons на статью, если иное не указано в кредитной строке материала. Если материал не включен в лицензию Creative Commons статьи, а ваше предполагаемое использование не разрешено законом или выходит за рамки разрешенного использования, вам необходимо получить разрешение непосредственно от правообладателя.