Mar, 2020

COVIDX-Net: X 光图像深度学习诊断 COVID-19 的架构

PDF
TL;DR本文介绍了一种新的深度学习框架 COVIDX-Net，用于协助放射科医师在 X 射线图像中自动诊断 COVID-19，该框架表现出很好的分类性能。
covid-19deep learningx-raydiagnosisneural network
发现论文，激发创造
  • COVID-Net：面向胸片图像 COVID-19 病例检测的定制深度卷积神经网络设计

    研究针对 COVID-19 的放射学筛查方法，基于深度卷积神经网络设计了 COVID-Net 模型并开源，构建了以公开的 COVID-19 阳性病例最多的 COVIDx 数据集，通过模型的可解释性方法获得与 COVID 病例相关的要素，以提高放射学筛查效率和加速疾病的诊断与治疗。

    Mar, 2020

  • 使用 X 射线图像与深度卷积神经网络自动检测冠状病毒疾病（COVID-19）

    本研究提出基于卷积神经网络的五个预训练模型，使用胸部 X 射线放射状图像实现对冠状病毒肺炎感染者的检测，其中 ResNet50 模型表现最佳，对 Dataset-1、Dataset-2 和 Dataset-3 分别达到 96.1%、99.5% 和 99.7% 的准确率，拥有高效的诊断性能。

    Mar, 2020

  • COVID-Net CXR-2：一种增强的深度卷积神经网络设计，用于从胸部 X 光图像中检测 COVID-19 病例

    COVID-Net CXR-2 是一种新型深度卷积神经网络，可用于从 CXR 图像中检测 COVID-19。该研究建立了拥有多个国家的 16656 名患者的 19203 幅 CXR 图像的基准数据集，成为最大且最多样化的开放获取的 COVID-19 CXR 数据集。该网络可实现 95.5% 的灵敏度和 97.0% 的阳性预测值，并得到透明和负责任的审核。

    May, 2021

  • 一种用于 COVID-19 诊断的卷积神经网络模型设计

    使用 19 层 CNN 网络结构对 COVID-19 在胸部 X 光图像中的识别进行了研究，实验结果表明该方法优于现有的方法，可作为临床医生正确判断 COVID-19 的工具。

    Nov, 2023

  • 使用深度学习和迁移学习算法从 X 光和 CT 图像诊断 COVID-19 肺炎

    本研究旨在构建一个多来源的 X 线与 CT 扫描图像的综合数据集，在其中运用深度学习和迁移学习算法构建出高效、响应迅速的 COVID-19 诊断方法，实验表明该方法可以达到 98% 预训练网络准确率和 94.1% CNN 修改准确率。

    Mar, 2020

  • Deep-COVID: 使用深度迁移学习从胸部 X 射线图像预测 COVID-19

    利用深度学习模型对新冠肺炎胸部放射照片进行诊断，在公共数据集中取得了 98% 左右的敏感性。

    Apr, 2020

  • 使用迁移学习检测胸部 X 光图像中的 COVID19

    本文研究了使用迁移学习的方法，通过根据 VGG-16 和 VGG-19 的经典体系结构进行分类器块与超参数调整，以自动检测胸部 X 光图像中的 COVID-19。实验结果展示了迁移学习在医学成像领域中的实用性，不仅可以防止过拟合和收敛问题，还可以获得最优的分类性能。

    Apr, 2023

  • 利用有限训练数据集对 CXR 上的 COVID-19 特征进行深度学习

    提出了一种基于统计分析结果和小型 CNN 的图像诊断方法，该方法在 COVID-19 诊断方面可以达到最先进的性能和可解释性，应用于胸部 X 光照射的人群中的病例筛查。

    Apr, 2020

  • COVID-CAPS: 基于胶囊网络的 X 光图像 COVID-19 病例识别框架

    这篇研究论文提出了一种基于 Capsule Networks 的 COVID-CAPS 建模框架，旨在提高 COVID-19 的诊断能力，它能够处理小数据集，且准确率与特异性较之前基于 CNN 的模型更高。另外，通过对外部数据集的预训练，它的诊断能力可以进一步提高。

    Apr, 2020

  • 利用 CNN 识别胸部 X 光成像中的 COVID-19 疾病

    研究利用卷积神经网络和胸部 X 射线图像对 COVID-19 进行快速而可靠的诊断，结果表明，使用三层卷积层的 CNN 模型可以高达 96% 的精度进行 COVID-19 的筛查。

    Sep, 2021