論文地址
摘要
COVID-19大流行病在全球的蔓延已經引發了一種迫切的需要，即爲抗擊對人類人口的巨大威脅作出貢獻。計算機視覺作爲人工智能的一個分支領域，近年來在解決醫療保健中的各種複雜問題方面取得了成功，並有可能在控制COVID-19方面做出貢獻。爲了響應這一號召，計算機視覺研究人員正在試用他們的知識庫，以設計有效的方法來應對COVID-19的挑戰，併爲全球社會服務。每天都在分享新的貢獻。它促使我們回顧最近的工作，收集有關可用研究資源的信息，並指出未來的研究方向。我們想讓計算機視覺研究界能夠利用它來節省他們寶貴的時間。本文旨在對計算機視覺對抗COVID-19大流行病的現有文獻進行初步綜述。
1. INTRODUCTION:
COVOD-19，一種傳染性疾病是由嚴重急性呼吸綜合徵（SARS-CoV-2）引起的[1]並命名爲冠狀病毒，是由於其外觀（在電子顯微鏡下）與日冕相似[2]。與COVID 19的鬥爭促使全世界的研究人員探索、理解、設計新的診斷和治療技術，並最終將這一威脅推向頂峯。在本文中，我們將討論計算機視覺社區如何通過提出新的方法或通過提高現有工作的效率和速度來應對這一威脅。計算機視覺是一個跨學科的領域，它研究計算機如何通過解釋數字圖像中的信息來發展高層次的理解。近年來，由於機器學習的一個分支——深度學習的成功，它取得了長足的進步。計算機視覺技術在各個應用領域，特別是在醫療保健和醫學研究領域顯示出了巨大的應用前景。在醫療保健應用中存在着大量新的計算機視覺方法，包括但不限於疾病診斷、預後、手術、治療、醫學圖像分析和藥物發現[5]。這一成功使計算機視覺科學家能夠在疾病診斷、預後、預防、控制、治療和管理等方面作出貢獻，作爲對抗COVID-19的前線士兵接受挑戰。對抗COVID-19的科學反應要快得多，範圍也廣得多。根據PubMed[6]，在2019年，有755篇學術論文發表，其中包括“冠狀病毒”一詞，但即使僅在2020年的前80天，這一數字也上升到令人震驚的1245篇關於病毒家族的文章。《經濟學人》將其稱爲“時代的科學”，希望這些努力將有助於加快COVOD-19疫苗的研發。
到目前爲止，計算機視覺中已經提出了許多方法來處理對抗COVID-19的不同方面。這些方法因其處理以下問題的方式不同而有所不同：醫學成像是否有助於更快、更可靠地診斷COVID19？爲了追蹤？哪些圖像特徵區分細菌性肺炎與病毒性肺炎與COVID-19肺炎？我們應該如何從疾病倖存者獲得的影像學數據中學習篩選危重和非危重患者？如何利用計算機視覺來加強對感染者的社會距離和早期篩查？3D計算機視覺ca如何幫助維持醫療設備供應？三維計算機視覺如何指導COVID-19疫苗的研製？正在尋找這些問題的答案，並已做了初步工作。本次調查的目的是將計算機視覺方法分爲大類，並對每一類中具有代表性的方法進行全面的描述。我們希望讀者能夠理解基線工作，並在其他人離開的地方開始他們的工作。此外，我們的目標是找出新的趨勢和想法，以便在我們這個時代的戰爭中建立一個更強有力和計劃周密的戰略。
我們的調查還將包括印刷前格式的研究論文，以及由於這種疾病造成的時間緊迫性。它可能是有問題的，因爲風險較低的質量和工作沒有適當的驗證。另外，各種工作還沒有投入臨牀試驗，耗時較長。然而，我們在這裏的意圖是分享來自單一平臺的想法，並強調計算機視覺社區的努力。我們希望我們的讀者意識到這些當代的挑戰。我們採用自下而上的方法來描述需要首先解決的研究問題。因此，我們從疾病診斷入手，探討疾病預防與控制以及治療相關的計算機視覺研究工作。第二節通過將計算機視覺研究領域劃分爲三類來描述計算機視覺研究領域的總體分類，第三節詳細描述了每一個研究領域，相關論文和代表性工作的簡要描述。第4節提供了可用資源的描述，包括研究數據集、它們的鏈接、深度學習模型和代碼。第5節提供了討論情況和今後的工作方向，隨後是結論性意見和參考文獻。
2. HISTORICAL DEVELOPMENT
新型冠狀病毒SARS-CoV-2（以前稱爲2019 nCoV）是冠狀病毒科病毒家族的第七個成員，這些病毒是包膜的、非片段的、陽性的RNA病毒[3]。COVID-19的死亡率低於嚴重急性呼吸系統綜合徵（SARS）和中東呼吸系統綜合徵（MERS）冠狀病毒病（SARS-CoV爲10%，MERS-CoV爲37%），但其傳染性強，病例數增長迅速[10]。該病於2019年12月31日在湖北省武漢市首次報道[3]，此前已有多例不明原因肺炎病例報告。2020年1月7日，通過對中國醫院患者呼吸道樣本的深度測序分析，發現了一種新的冠狀病毒作爲致病微生物[10]。2020年1月30日，疫情被宣佈爲國際關注的突發公共衛生事件。2020年2月11日，世衛組織宣佈了新冠狀病毒病的名稱：COVID-19。在3月11日世界衛生組織（世衛組織）宣佈後，它被正式視爲流行病。
3. TAXONOMY OF KEY AREAS OF RESEARCH
在這一節中，我們描述了試圖對抗COVID-19威脅的計算機視覺技術的分類。爲了方便讀者閱讀，我們將其分爲三個關鍵研究領域，包括COVID-19：（i）診斷和預後，（ii）疾病預防和控制，以及（iii）疾病治療和管理。這種分類如圖2所示。在下面的小節中，我們將討論每個研究領域、相關論文以及代表性工作的簡要描述。
3.1診斷和預後
這場鬥爭中的一個重要步驟是可靠、快速和負擔得起的診斷過程，這一過程可以隨時爲國際社會所利用。根據《劍橋字典》[15]，診斷是“對疾病或其他問題的確切性質作出判斷，特別是在檢查後或這樣的判斷：”而預後是“醫生對疾病的可能或預期發展或好轉機會的判斷”。目前，逆轉錄酶定量聚合酶鏈反應（RT-qPCR）被認爲是診斷COVID-19的金標準[7]。在這項試驗中，從鼻腔拭子中提取少量病毒RNA，進行擴增、量化，並使用熒光染料進行病毒檢測。然而，測試是費時且手動的，這限制了它的可用性。一些研究也顯示了假陽性的PCR檢測[8]。
計算機斷層掃描：另一種方法是使用使用計算機斷層掃描（CT）成像的放射學檢查[9]。胸部CT掃描或胸部CT掃描是一種非侵入性檢查，用於獲得患者胸部的精確圖像。它使用一種增強型的x光技術來提供比標準x光更詳細的胸部圖像。它產生的圖像包括骨骼、脂肪、肌肉和器官，給醫生一個更好的視角，這對做出準確的診斷至關重要。
有兩種類型的胸部CT掃描，即高分辨率和螺旋CT掃描[16]。高分辨率胸部CT掃描在x射線管的一次旋轉中提供了不止一個切片（或圖像）。另一方面，胸部螺旋CT掃描利用的是一張桌子，它在x射線管沿着螺旋路徑行進的同時，不斷地穿過一個隧道狀的孔。後者的優點是能夠產生肺部的三維圖像。
重要的CT特徵包括磨玻璃樣陰影、實變、網狀/增厚的小葉間隔、結節和病變分佈（左、右或雙側肺[17-19,36]。在COVID-19肺炎中發現的最明顯的CT特徵是雙側和胸膜下的毛玻璃混濁區，影響下葉的鞏固，在中期（症狀出現後4-14天），可能觀察到瘋狂的鋪路模式和暈徵[8-111720,36]。一例CT圖像如圖3所示。由於疾病特徵的識別甚至對專業放射科醫生來說都是耗時的，在這個階段，計算機視覺通過自動化的過程來尋求幫助。
3.1.1代表性工作、評價和討論
迄今爲止，提出了各種自動化方法[11-25]。爲了討論計算機視覺在基於CT的疾病診斷中的整體方法和性能，我們選擇了一些有代表性的工作，概述了最近的方法的有效性。
第一類工作將診斷作爲一個分割問題。陳軍等人。[21]提出了一個由46096名健康和感染患者的CT圖像數據集，由專業放射科醫生標記。收集106例確診爲COVID-19肺炎的患者和55例對照組。本研究使用深度學習模式進行分割，只爲在健康及感染病人的電腦斷層影像中辨識感興趣的感染區域。基於UNet++語義分割模型[22]對289幅隨機選取的CT圖像進行有效區域提取，並在其他600幅隨機選取的CT圖像中進行測試。
該模型在回顧性數據集中，每例敏感度爲100%，特異度爲93.55%，準確度爲95.24%，陽性預測值爲84.62%，陰性預測值爲100%；每幅圖像敏感度爲94.34%，特異度爲99.16%，準確度爲98.85%，PPV爲88.37%，NPV爲99.61%。這項研究的訓練模式被部署在武漢大學人民醫院（中國湖北省武漢市）以加速新COVID-19病例的診斷。它是在互聯網上開放的，以便能夠快速審查新病例。構建了基於雲的開放存取人工智能平臺，爲全球範圍內檢測COVID-19肺炎提供支持。爲此目的，提供了一個網站，免費訪問本模式（http://121.40.75.149/znyx ncov/index）。
第二類工作認爲COVID-19是一個二分類問題。Lin Li[39]提出（COVNet），利用RESNET50上的遷移習從胸部體CT中提取視覺特徵。採用U-Net模型對肺組織進行分割。它使用了2016年8月至2020年2月從6家醫院收集的3322名患者的4356次胸部CT檢查。COVID-19的敏感性和特異性分別爲90%（127例中114例；p值<0.001），95%可信區間（95%CI:83%，94%）和96%（307例中294例；p值<0.001），95%CI:93%，98%。該模型還可在https://github.com/bkong999/COVNet上在線獲取，供公衆和研究使用。
診斷問題也被視爲三分類任務：區分健康患者與其他類型肺炎患者和COVID-19患者。Song等人在[23]使用了88名診斷爲COVID-19的患者、101名感染細菌性肺炎的患者和86名健康人的數據。提出了一種基於ResNet50的關係抽取神經網絡（DRE-Net），將特徵金字塔網絡（FPN）[24]和注意模塊相結合，以更細粒度的方式表示圖像。在線服務器位於：在線服務器可通過http://biomed.nsccgz.cn/server/Ncov2019使用CT圖像進行在線診斷。
由於可用於註釋和標記的時間有限，還開發了基於弱監督深度學習的方法，使用3D-CT體積檢測COVID-19。
鄭傳生[25]提出用三維深卷積神經網絡（DeCoVNet）從CT體積中檢測COVID-19。這種弱監督的深度學習模型可以準確地預測COVID-19在胸部CT體積內的感染概率，而無需對病竈進行標註訓練。使用預先訓練的UNet分割CT圖像。我使用從2019年12月13日到2020年1月23日收集的499個CT捲進行訓練，並使用從2020年1月24日到2020年2月6日收集的131個CT捲進行測試。利用概率閾值0.5對COVID陽性和COVID陰性進行分類，得到準確度爲0.901，正預測值爲0.840，非常高的負預測值爲0.982。開發的深度學習模型可在https://github.com/sydney0zq/COVID-19-detection上獲得。
不同的方法使用了不同的性能指標。同樣，圖像和數據集的數量也不同，這使得它們的比較非常困難。一些指標包括準確性、敏感性、特異性、曲線下面積（AUC）、陽性預測值（PPV）、陰性預測值（NPV）、F1評分。方法的準確性決定了預測值的正確性。 Precision決定了測量的再現性或有多少預測是正確的。Recall顯示發現了多少正確的結果。F1分數使用精確性和召回率的組合來計算平衡的平均結果。下列方程式說明如何計算這些值，其中TP、TN、FP和FN分別爲真陽性、真陰性、假陽性和假陰性。
X射線成像：使用CT成像的缺點是需要較高的患者劑量和增強的成本[42]。數字胸部x線攝影（CXR）因其成本低、適用範圍廣，成爲檢測胸部病理的最佳影像學方法。因此，CXR中covid-18特徵的自動化診斷將是非常有效的疾病診斷工具。
X射線檢查因其成本低、適用範圍廣、速度快而被認爲是最常用的射線檢查方法。基於數字X射線圖像的計算機輔助診斷用於不同的疾病，包括骨質疏鬆症[43]、癌症[44]和心臟病[45]。然而，由於在X射線圖像中很難區分對比度差的軟組織，因此在基於X射線的診斷中，對比度增強[46-47]被用作預處理步驟。爲了識別肺結節，胸部X射線的肺部分割是至關重要的重要步驟，文獻[48-51]提出了多種分割方法。
在COVID-19感染的患者中，CXR檢查顯示爲實變。在香港的一項研究[52]中，三個不同的患者每天進行CXR檢查。兩名患者在3-4天內肺實變有進展。隨後的CXR顯示在隨後的兩天內有所改善。第三個病人在8天內沒有明顯的變化。然而，類似的研究表明，在第一次研究的1小時後拍攝的胸片上，CT上右下葉周圍的磨玻璃混濁不可見。然而，爲了更好地進行放射分析，仍建議與CT一起使用CXR。提出了各種自動化方法（請參閱表2，下一節討論最突出的工作）。
3.1.2代表性工作、評價和討論
針對這一問題，提出了基於深度學習的X射線COVID-19計算機視覺模型。最重要的進展之一是加拿大達爾文人工智能提出的Covid網模型[54]。本文將人驅動的原理性網絡設計原型技術與機器驅動的設計探索相結合，提出了一種用於胸部X射線COVID-19病例檢測的網絡結構。第一階段基於殘差結構設計原理的人機協同設計策略。用於訓練和評估COVID網的數據集被稱爲COVIDx[54]，由13645例患者的16756張胸片圖像組成。COVID-19的準確度爲92.4%，靈敏度爲80。最初的網絡設計原型作出以下三種預測之一：a）無感染（正常），b）非COVID19感染（如病毒、細菌等），c）COVID-19病毒感染。這樣做的好處是幫助臨牀醫生根據感染原因更好地決定採用何種治療策略，因爲COVID-19和非COVID19感染需要不同的治療方案。在第二階段，數據和特定於人類的設計需求一起，作爲設計探索策略的指南，學習和識別最佳的宏架構和微架構設計，從而構建最終定製的深神經網絡架構。擬議的COVID Net網絡圖如圖所示，可在https://github.com/lindawangg/COVID-Net上公開獲取。
Ezz El-Din Hemdan等人。[55]基於DCNNs的七種不同架構，即VGG19、DenseNet201[56]、InceptionV3、ResNetV2、InceptionResNetV2、Exception和MobileNetV2[57]提出了COVIDX網絡。這些模型是根據Joseph Cohen博士和Adrian Rosebrock博士提供的COVID-19病例進行訓練的：https://github.com/ieee8023/COVID-chestxray-dataset[58]和f1評分，正常和COVID-19分別爲0.89和0.91，在最佳模型組合中報告。同樣，Asmaa Abbas等人。[59]分解、轉移和合成（DeTraC），用於COVID-19胸部X射線圖像的分類，其中使用ImageNet和ResNet上預先訓練的模型的CNN特徵。數據集包括80個來自日本放射技術學會（JSRT）Cohen JP的正常cxr樣本（4020 4892像素）。COVID-19圖像數據採集，網址：https://githubcom/ieee8023/COVID chestxray dataset[58]。2020年；該模型的準確率爲95.12%（靈敏度爲97.91%，特異性爲91.87%，精密度爲93.36%），代碼可在https://github.com/asmaa4may/DeTraC COVId19上獲得。
Biraja Ghoshal等人引入了不確定性感知COVID-19分類和推薦模型。[60]提出了基於降權的貝葉斯卷積神經網絡（BCNN）。爲了使COVID-19檢測更有意義，[61]使用了兩種深度學習中的預測不確定性。其中一種是認知不確定性或模型不確定性，由於它沒有考慮到數據的所有方面或缺乏訓練數據，因此導致模型參數的不確定性。另一種是任意不確定性，它解釋了由於類重疊、標籤噪聲、同態和異方差噪聲而產生的觀測固有噪聲，即使要收集更多的數據，這些噪聲也無法降低。Bayesian不一致主動學習（BALD）[62]基於互信息，該互信息最大化了模型後驗密度函數和預測密度函數之間的互信息，近似爲預測分佈熵和樣本預測平均熵之間的差異。
BCCN使用了來自Joseph Cohen博士Github庫的68張COVID-19例肺的後前（PA）X光片進行訓練[58]，並用來自健康患者的Kaggle胸部X光片（肺炎）增強了數據集。在現有的數據集上達到了88.39%的準確率。這項工作還建議將不同的特徵可視化，作爲對點預測的額外洞察，以實現更明智的決策過程。它使用各種最新方法生成的顯著圖，例如類激活圖（CAM）[63]、導向反向傳播和引導梯度CAM和梯度，以在CSR圖像中顯示更明顯的特徵。
3.2防治
世衛組織提供了一些關於感染預防和控制（IPC）策略的指南[70]，以便在懷疑感染新型冠狀病毒（2019 nCoV）時使用？在醫療環境中限制傳播的主要IPC策略包括早期識別和源頭控制，對所有患者應用標準預防措施；對COVID-19疑似病例實施經驗性附加預防措施，如空氣傳播預防措施；實施行政控制並使用環境和工程控制。計算機視覺應用爲IPC策略的實施提供了有力的支持。
3.2.1代表性工作、評價和討論
在疾病進展的早期階段確定的一個策略是使用口罩或防護設備來限制病毒的傳播。在一些國家，如中國，將其作爲一種控制策略加以實施，並通過基於計算機視覺的系統來促進其實施。王中元等[71]提出了一種基於多粒度蒙面人臉識別模型的蒙面人臉識別方法，在蒙面人臉圖像數據集上達到了95%的準確率。該數據集還可用於研究，並提供三種類型的蒙面人臉數據集，包括蒙面人臉檢測數據集（MFDD）[72]、真實世界蒙面人臉識別數據集（RMFRD）和模擬蒙面人臉識別數據集（SMFRD）[73]。
紅外熱像儀也被推薦爲感染者的早期檢測策略，特別是在像機場乘客這樣的烏鴉中。B.B.Lahiri[74]對紅外熱成像在醫學上的應用進行了全面的綜述，其中包括髮熱篩查。sombounkaew A，Prempree P等[75]提出了一種基於前額紅外溫度的自動發熱篩查系統移動平臺。Ghassemi P，Pfefer等人[76]討論了用於發熱篩查的紅外熱像儀標準化性能測試的最佳實踐。Negishi T[77]提出了一種基於熱成像和CCD攝像機的感染篩查系統，該系統具有良好的穩定性和快速性，可以通過特徵匹配和MUSIC算法進行非接觸生命體徵的檢測。此前，對於SARD的傳播控制，W.Chiu等人[78]提出了一種有助於發熱篩查的計算機視覺系統。它被用於早期的SARS爆發。從2003年4月13日到5月12日，72327名患者或訪客通過TMU-WFH唯一允許進入的入口，那裏有一個熱像儀站正在運行。
由於Al-Naji等人[79]過去曾使用這種系統對災害管理進行遠程生命體徵監測，因此建議使用遙感和數字圖像的大流行性done來識別感染者。類似的例子是視覺引導機器人控制的三維物體識別和操作。在這個困難時期，3D建模和3D打印機有助於維持醫療設備的供應。Joshua M.Pearce[81]討論了RepRap類3-D打印機和開源微控制器，通風機的大規模分佈式製造有可能克服醫療供應短缺。細菌掃描是對抗CORONA-19戰鬥的重要步驟。Edouard A.Hay[82]提出了一種卷積神經網絡，用於細菌掃描樣鑑定細菌光片顯微鏡圖像數據，準確率超過90%。
3.3臨牀管理和治療
迄今爲止，還沒有針對COVID-19引起的疾病的具體治療方法。然而，許多症狀是可以治療的，因此可以根據患者的臨牀情況進行治療。臨牀管理實踐可以改進，例如根據疾病的嚴重程度對患者進行分類，併爲他們提供即時醫療服務。目前，各個小組正在爲這種疾病研製疫苗。由於計算機視覺的多學科性質，它支持計算機視覺的發展和臨牀管理。
3.3.1 Representative Work, Evaluation and Discussion
這場鬥爭中的一個重要步驟是臨牀管理，可以通過識別危重病人來完成，以便他們得到立即的醫療護理或呼吸機支持。[33]建議對不同類型的感染患者進行疾病進展評分。它被稱爲Corona評分，是通過測量感染面積和疾病的嚴重程度，從CT圖像。Corona評分“測量患者隨時間的進展。Corona得分是通過網絡激活圖的體積和計算的。
圖7：通過測量CT圖像中的感染區域和疾病嚴重程度計算的Corona評分。它可以用來識別危重病人，以便他們得到立即的醫療照顧。圖像改編自[33]。
同樣，Graeme MacLaren[84]也支持放射性證據可以區分危重病人。王雲璐[85]利用深度相機和深度學習作爲異常呼吸模式分類器，有助於準確、不引人注目地大規模篩查covid-19感染者。呼吸模擬模型（RSM）是爲了彌補訓練數據量大和真實數據量少的不足而提出的。他們提出了具有雙向和注意機制的GRU神經網絡（BI-AT-GRU）來分類6種臨牀上有意義的呼吸模式（呼吸暫停、呼吸急促、呼吸緩慢、生物羣、Cheyne-Stokes和中樞性呼吸暫停），以對危重病患者進行分類。該模型能對6種不同的呼吸模式進行分類，準確率、查全率和F1分別爲94.5%、94.4%、95.1%和94.8%。這種方法在一個主題和兩個主題的情況下工作的演示視頻可以在線下載（https://doi.org/10.6084/m9.figshare.11493666.v1）。
CoV尖峯糖蛋白是疫苗、治療性抗體和診斷的關鍵靶點。病毒通過三聚體棘突糖蛋白與宿主細胞結合。通過生物物理分析，Daniel Wrapp等人[86]表明，這種蛋白與它們共同的宿主細胞受體結合的緊密程度至少是嚴重急性呼吸綜合徵（SARS）冠狀病毒相應的棘突蛋白的10倍。這些研究提供了有價值的信息。指導制定2019年nCoV醫療對策的信息。定量結構-活性關係（QSAR）分析在藥物發現和毒理學方面具有廣闊的前景[87]，它利用從分子幾何學計算的結構、量子化學和物理化學特徵作爲預測生理活性的解釋變量。通過將360°的分子構象圖像融入到深度學習中，深度特徵表示學習可以用於QSAR分析。Yoshihiro Uesaw a[88]提出了基於新型分子圖像輸入技術的深度學習QSAR（Quantitative structure–activity relationship）分析。這樣的圖熱尼可以用於藥物的發現，也可以爲疫苗的開發鋪平道路。
4-數據集和資源
CT數據集：
COVID-CT數據集[89]：聖迭戈大學發佈了一個數據集COVID-CT數據集-有349張包含COVID-19臨牀發現的CT圖像，聲稱是同類中最大的。爲了證明其潛力，他們訓練了一個人工智能模型，使其精度達到85%。網址：https://github.com/UCSD-AI4H/COVID-CT。下面給出了一些示例圖像：
X射線圖像數據集：
COVID-19放射照相數據庫[90]：來自卡塔爾大學、多哈、卡塔爾和達卡大學的研究團隊，孟加拉國及其巴基斯坦和馬來西亞的合作者與醫生合作，爲COVID-19陽性病例建立了一個胸部X射線圖像數據庫，並提供了正常和病毒性肺炎圖像。在我們目前的版本中，有219個COVID-19陽性圖像，1341個正常圖像和1345個病毒性肺炎圖像。我們將繼續更新這個數據庫，一旦我們有新的x射線圖像爲COVID-19肺炎患者。用於Matlab代碼和訓練模型的GitHub鏈接：https://GitHub.com/tawsifur/COVID-19-Chest-Xray-Detection
研究小組成功地對COVID-19、病毒性肺炎和正常胸部X線圖像進行了分類，準確率爲98.3%。這項學術工作提交給科學報告（自然）和手稿上傳到arvix服務器。請確保您在使用數據集、代碼和經過培訓的模型時給予我們信任。
COVID-19圖像數據收集[58]：Joseph Paul Cohen提供了初始COVID-19開放圖像數據收集。所有圖像和數據都在以下URL下發布：https://github.com/ieee8023/covid-chestxray-dataset。
COVIDx數據集[53]：該數據集發佈了全新的COVIDx數據集，包括13645例患者的16756張胸片圖像。當前的COVIDx數據集由以下開源胸片數據集構建：https://github.com/ieee8023/covid-chestxraydataset:https://www.kaggle.com/c/rsna-pneumonia-detection-challenge它是由北美放射學會和其他參與rsna肺炎檢測的人員提供的數據的組合Challenge和Joseph Paul Cohen博士以及MILA的團隊參與了COVID-19圖像數據收集項目，爲全球社區提供數據。
ChestX-ray8[91]：胸片是篩查和診斷多種肺部疾病最常用的放射學檢查之一。許多現代醫院的圖片存檔和通訊系統（PACS）中積累和儲存了大量的X射線成像研究和放射報告，可在以下網址獲得：https://nihcc.app.box.com/v/ChestXray-nihcc。
蒙面人臉識別數據集
[71]：介紹了三種類型的蒙面人臉數據集，包括蒙面人臉檢測數據集（MFDD）、真實蒙面人臉識別數據集（RMFRD）和模擬蒙面人臉識別數據集（SMFRD），MFDD數據集可用於訓練精確的蒙面人臉檢測模型，用於後續的蒙面人臉識別任務。RMFRD數據集包括525名戴口罩者的5000張照片，以及相同的525名不戴口罩者的90000張照片。據我們所知，這是目前世界上最大的真實蒙面人臉數據集。SMFRD：一個模擬的蒙面人臉數據集，覆蓋10000名受試者的500000張人臉圖像。這些數據集位於：https://github.com/Xzhangyang/Real-World-Masked-Face-Dataset。
Thermal Images Datasets：
沒有用於高熱篩查的熱數據集。然而，Marcin Kopaczka[92]提出了一個完全註釋的熱面孔數據庫及其在熱面孔表情識別中的應用。使用這些系統可以進一步瞭解相關數據：https://www.flir.com.au/discover/public-safety/thermal-imaging-for-detection-highted-bodytemperature/
5-結束語：
本文對計算機視覺對抗COVID-19挑戰的努力和方法進行了廣泛的綜述，並對目前具有代表性的工作進行了簡要的回顧。根據這些方法在疾病控制中的作用，我們將其分爲三類。我們提供了初步代表性工作的詳細總結，包括有助於進一步研究和開發的可用資源。我們相信，本文首次對COVID-19控制的計算機視覺方法進行了綜述，它具有豐富的參考文獻內容，可以對這一領域提供有價值的見解，並鼓勵新的研究。然而，這項工作可以看作是一個早期的回顧，各種計算機視覺方法正在被提出和測試，以控制COVID-19大流行。我們相信，這些努力將不僅在疫情期間，而且在後COVID-19環境中產生深遠的影響和後果。
6-參考文獻：
省略
