使用胸部 CT 图像的定量特征进行新冠病毒病 2019(COVID-19)的严重程度评估
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