机器学习可以在五分钟内检测到新冠病毒( 二 )

根据研究，在不含SARS-CoV-2病毒（病毒阴性）的咽拭子样本中，观察到共定位信号很少。
在病毒阳性样品中更多地观察到共定位信号。有关提取图像的示例，请参见以下图像。
文章插图
文章插图
> Left: Fluorescent microscopy imagery showing colocalised red and green signals as yellow particles
在通过卷积神经网络馈送图像之前，图像信号的区域会根据图像信号区域的稀缺性（<10像素）或定义视场内图像信号的丰度（> 100像素）进行过滤。
自适应过滤是一种图像处理方法，用于对来自背景的病毒信号进行分段。
用于确保病毒颗粒信号在图像中普遍存在的另一种方法是通过基于共定位条件的信号过滤。
保留符合设置的共定位信号条件的信号，未过滤的信号将从经过CNN的最终图像中过滤掉。
大多数机器学习从业者都将上述过程视为确保在机器学习项目生命周期的数据准备阶段内强制执行数据完整性和整洁性的方法。
文章插图
> Bounding boxes placed around colocalised signals
荧光团：一种化学化合物，通过吸收和重新发射各种波长的光而充当检测剂。
共定位：涉及荧光标记在空间上重叠的事件。
网络架构和ML技术在这项研究工作中设计和实现的卷积神经网络体系结构由15层组成。
文章插图
CNN体系结构的设计分为三个阶段，最后是分类头。
第一阶段在输入层之后，其中有一个转换层（8通道， 2x2过滤器大小， 0填充），然后是ReLu ，批处理归一化和最大池化层（池大小2x2 ，跨度为2）。。第一级将八个下采样的特征图输出到下一级。
第二阶段包括一个转换层（16通道， 2x2过滤器大小，填充为1），然后是ReLu ，批处理归一化和最大合并层（池大小为2x2 ，跨度为2）。第二阶段将16个降采样的特征图输出到下一个阶段。
第三阶段包括转换层（32通道， 3x3过滤器大小，填充为1），然后是ReLu ，批量归一化和无最大合并层。
第三阶段的结果将传递到完全连接的层。在典型的CNN中，转换层的输出在传递到完全连接的层之前会先平整为一维数组。
完全连接的层（密集层）包含任意数量的神经元/单位。完全连接层的激活通过softmax层，在此对输入数据进行分类。
以下是本节中包含的一些关键术语的快速定义，如果您已经熟悉这些术语和术语，请随时跳过。
卷积层：卷积是一个数学术语，用于描述两组元素之间的点积乘法。在深度学习中，卷积操作作用于卷积层内的滤镜/内核和图像数据阵列。因此，卷积层仅仅是容纳卷积操作的层，该卷积操作发生在过滤器和通过卷积神经网络的图像之间。
批归一化层：批归一化是一种技术，它通过引入一个附加层来减轻神经网络中不稳定梯度的影响，该附加层对来自上一层的输入执行操作。在通过缩放和移位操作对输入值进行转换之后，这些操作将对输入值进行标准化和标准化。
MaxPooling层：Max pooling是子采样的一种变体，其中将属于子采样层内某个单元的接收场内的像素的最大像素值作为输出。下面的最大池化操作具有2x2的窗口，并在输入数据上滑动，以输出内核接受域内像素的平均值。
展平层：采用输入形状并将输入图像数据展平为一维数组。
Softmax激活函数：一种激活函数，用于导出输入向量内一组数字的概率分布。softmax激活函数的输出是一个向量，其中它的一组值表示发生类或事件的概率。向量中的值总计为1 。
超参数和其他信息· 训练卷积神经网络时使用的学习率设置为0.01 ，而学习率没有下降。
· 最小批量：1000
· 训练时期数：100
· 验证频率：20个步骤
训练与测试SARS-CoV-2病毒具有与其他呼吸系统疾病类似的早期症状，例如流感和季节性人类冠状病毒（hCov）。因此，任何Covid-19检测方法都必须用于区分相似病毒。
在包含四个独特病毒的数据集上对CNN网络进行了训练和验证，训练和验证分区分别为70％和30％。
研究人员确保实施的CNN可以区分形状，结构和表面化学性质相似的病毒。
根据研究论文的注释，培训和验证阶段总共花费了12分钟。