新冠肺炎（COVID-19）自2019年底首次出现以来，迅速在全球范围内传播，对人类社会产生了深远的影响。2020年3月11日，世界卫生组织（WHO）宣布其为大流行病。快速诊断对于治疗患者和限制病毒传播至关重要。目前，实时逆转录聚合酶链反应（PCR）是实验室检测的主要方法，但这种方法耗时且灵敏度较低。幸运的是，深度学习为胸部X光图像中新冠肺炎的诊断提供了一种有效的补充方法，能够区分新冠肺炎和其他细菌、病毒性疾病。
多项同行评审的研究显示，如果有足够的图像进行训练，深度学习可以检测胸部X光图像中的新冠肺炎感染。这些研究主要使用了基于迁移学习的网络，对预训练模型进行微调以执行新任务：新冠肺炎检测。在本项目中，将展示如何应用迁移学习重新训练深度学习网络，将胸部X光图像分类为新冠肺炎或非新冠肺炎。项目结束时，将拥有一个神经网络，能够以超过95%的准确率诊断COVID-19。它甚至能够显示胸部X光图像中导致疑似新冠肺炎诊断的区域的热图。
深度学习（DL）是人工智能（AI）的一个子集，涉及具有多个隐藏层（多层）的DL网络架构。DL网络以层次化的方式学习，意味着可以通过网络的各个层从低到高学习不同层次的特征。
许多DL网络都是使用一个名为ImageNet的大型数据集进行训练的，这使它们具有非常强大的特征提取能力。因此，使用这些网络学习到的权重和过滤器比从头开始构建网络更有效率，后者可能需要大量的图像和很长时间才能获得类似的特征提取能力。
迁移学习是一种方法，通过冻结预训练模型的已学习权重，用新的全连接层替换其全连接层（取决于新分配的分类任务），对预训练模型进行微调以执行额外的分类任务。在本项目中，将使用ResNet50——一个非常深的网络——期望它在分类新冠肺炎和非新冠肺炎胸部X光图像时表现良好。
近年来，DL网络，特别是卷积神经网络（CNN），已被应用于各个领域，以解决各种问题，并取得了令人印象深刻的性能。CNN在工作原理、内部结构和层数方面都经历了重大更新。
2012年首次提出了具有8层的AlexNet，随后是2014年具有18层的VGG，2015年的GoogleNet具有更深的22层结构，并添加了一个初始块。这些网络确实变得非常深，就像GoogleNet一样。但这种额外的深度也带来了一些问题。人们注意到，“非常深”的DL在网络训练期间的优化变得困难。这可能会影响网络的泛化性能——意味着网络在训练数据集上表现非常好，但在处理训练期间未看到的数据时泛化能力不佳。
为了解决这个问题，2016年提出了残差学习，用于训练非常深的DL网络。残差学习或残差网络（ResNets）允许在一些层上进行“跳过”（即残差）连接（而不是在堆叠层上的连续连接，如在AlexNet等普通DL网络中）。