The ongoing coronavirus 2019 (COVID-19) pandemic caused by the severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) has resulted in a severe ramification on the global healthcare system, principally because of its easy transmission and the extended period of the virus survival on contaminated surfaces. With the advances in computer-aided diagnosis and artificial intelligence, this paper presents the application of deep learning and adversarial network for the automatic identification of COVID-19 pneumonia in computed tomography (CT) scans of the lungs. The complexity and time limitation of the reverse transcription-polymerase chain reaction (RT-PCR) swab test makes it disadvantageous to depend solely on as COVID-19’s central diagnostic mechanism. Since CT imaging systems are of low cost and widely available, we demonstrate that the drawback of the RT-PCR can be alleviated with a faster, automated, and reduced contact diagnostic process via the use of a neural network model for the classification of infected and noninfected CT scans. In our proposed model, we explore the benefit of transfer learning as a means of resolving the problem of inadequate dataset and the importance of semisupervised generative adversarial network for the extraction of well-mapped features and generation of image data. Our experimental evaluation indicates that the proposed semisupervised model achieves reliable classification, taking advantage of the reflective loss distance between the real data sample space and the generated data.

中文翻译：

---

CT图像中COVID-19的迁移学习和半监督对抗检测及分类

严重的急性呼吸系统综合症冠状病毒2（SARS-CoV-2）引起的正在进行中的冠状病毒2019（COVID-19）大流行已导致全球医疗体系产生严重后果，这主要是由于其易于传播和传播时间延长病毒在受污染的表面上存活。随着计算机辅助诊断和人工智能技术的进步，本文介绍了深度学习和对抗性网络在肺CT扫描中自动识别COVID-19肺炎的应用。逆转录-聚合酶链反应（RT-PCR）拭子测试的复杂性和时间限制使其不利于仅依赖于作为COVID-19的中央诊断机制。由于CT成像系统成本低廉且可广泛使用，我们证明，可以通过使用神经网络模型对感染和未感染的CT扫描进行分类，以更快，自动化和减少的接触诊断过程减轻RT-PCR的缺陷。在我们提出的模型中，我们探索了转移学习作为解决数据集不足问题的手段的好处，以及半监督生成对抗网络对于提取映射特征和生成图像数据的重要性。我们的实验评估表明，利用实际数据样本空间与生成的数据之间的反射损耗距离，所提出的半监督模型实现了可靠的分类。通过使用神经网络模型对感染和未感染的CT扫描进行分类，减少了接触诊断过程。在我们提出的模型中，我们探索了转移学习作为解决数据集不足问题的手段的好处，以及半监督生成对抗网络对于提取映射特征和生成图像数据的重要性。我们的实验评估表明，利用实际数据样本空间与生成的数据之间的反射损耗距离，所提出的半监督模型实现了可靠的分类。通过使用神经网络模型对感染和未感染的CT扫描进行分类，减少了接触诊断过程。在我们提出的模型中，我们探索了转移学习作为解决数据集不足问题的手段的好处，以及半监督生成对抗网络对于提取映射特征和生成图像数据的重要性。我们的实验评估表明，利用实际数据样本空间与生成的数据之间的反射损耗距离，所提出的半监督模型实现了可靠的分类。我们探索了转移学习的好处，可以解决数据集不足的问题，以及半监督生成对抗网络对于提取映射特征和生成图像数据的重要性。我们的实验评估表明，利用实际数据样本空间与生成的数据之间的反射损耗距离，所提出的半监督模型实现了可靠的分类。我们探索了转移学习的好处，可以解决数据集不足的问题，以及半监督生成对抗网络对于提取映射特征和生成图像数据的重要性。我们的实验评估表明，利用实际数据样本空间与生成的数据之间的反射损耗距离，所提出的半监督模型实现了可靠的分类。