本文旨在通过开发全新的人机协作方法对 X 光片进行地面真实性标注，建设了一种最大的基准数据集，包括 33,920 张 X 光片，其中包括 11,956 个 COVID-19 样本，通过对肺部区域分割、COVID-19 定位和感染定量进行深度学习处理，达到优秀 COVID-19 检测性能。

Mar, 2021

利用计算机断层扫描技术，通过采用集成学习策略（包括迁移学习和预训练 ResNet34 和 DenseNet121）和 COVID-19 特定的预处理，结合医疗信息（感染 - 肺比率、患者年龄和性别等），该方法实现了对 COVID-19 感染的检测和预测，AUC 分别为 83.7％和 79.0％，其成果可与目前在该领域中存在的其他方法进行比较。

May, 2023

本文提出了一种基于深度学习的分割系统，用于自动量化 COVID-19 肺部感染区域及其与肺体积之比，并采用人机协同策略大大降低了手动分割的时间。系统与手动分割结果间的 Dice 相似系数平均为 91.6％，肺部感染区域占比的平均估计误差为 0.3％，并探讨了该系统的可能应用。

Mar, 2020

本文提出了一种使用多实例学习和数据增强相结合的方法，能够自动准确地对 COVID-19 进行严重程度评估，并在 229 例 COVID-19 病例的 CT 图像上进行了评估，结果表明其平均准确率达到 95.8％，优于以前的研究。

Feb, 2021

这项研究表明，在 SARS-CoV-2 患者的胸部 X 光片中使用 COVID-Net S 算法可以显著提高肺部病变面积和密度的计算准确性，从而更好地对 COVID-19 进行评估和治疗计划。

May, 2020

本文通过开发深度学习模型在胸部 X 光图像中同时检测和分割肺炎从而估计 COVID-19 患者的肺炎严重程度，并进行疾病进展的纵向研究，计算 ' 肺炎比率 ' 以评价疾病严重性，建立住院患者的疾病程度随时间的进展曲线，验证该模型对患者监测任务的相关性。

Aug, 2020

本文介绍了通过计算机辅助诊断在 COVID-19 检测和诊断中使用胸部 X 射线成像以及对不同图片增强技术对检测表现的影响，通过创建最大的公共 COVID-19 阳性数据库进行认证，并研究了六种不同的卷积神经网络以及五种不同的图像增强技术，证明伽玛校正技术可以提高主要检测评估指标的准确性，并提出了一种快速且强健的 COVID-19 检测方法。

Nov, 2020

利用深度学习的集成模型和强大的测试时间数据增强技术，从胸部 CT 扫描中预测 COVID-19 的严重程度，并在 STOIC2021 COVID-19 AI Challenge 中获得第四名。

May, 2023

本研究开发出基于人工智能的自动 CT 图像分析工具，检测、量化和跟踪冠状病毒，使用多个国际数据集进行测试，证明其可区分冠状病毒患者和非患者，并评估患者疾病进展情况。该研究在检测冠状病毒、量化和跟踪疾病负担方面取得了高度准确的结果，证明了基于人工智能的 CT 图像分析的可行性。

Mar, 2020

本研究旨在通过 CT 扫描来提取和评估因 Coronavirus disease (COVID-19) 引起的肺炎感染。提出了基于图像辅助的系统来从肺部 CT 扫描的冠状视图中提取 COVID-19 感染部分，并计算感染的严重程度。该工具的主要目的是协助肺部专家检测和计划治疗过程，并减轻诊断负担。

Apr, 2020