基于 Residual Attention U-Net 的 COVID-19 胸部 CT 图像多类别自动分割
COVID-19 肺部感染 CT 影像的自动识别是一项挑战性任务,本研究提出了一种新颖的深度网络 Inf-Net,结合了并行部分解码器、隐式反向注意和显式边缘注意,以及基于随机选择传播策略的半监督切割框架,通过实验验证 Inf-Net 能够取得比大部分尖端切割模型更好的性能表现。
Apr, 2020
本文提出了一种协同学习框架,用于对 COVID-19 在 3D CT 图像中进行自动严重性评估和肺叶分割。经实验证明,相较于其他现有方法,该方法可以更有效地评估 COVID-19 的重症程度。
May, 2020
研究了一种基于 CT 成像的辐射组学框架,用于区分 COVID-19 和其他肺部疾病,并展示了该模型在准确分类 COVID-19 图像上的能力。
Sep, 2023
通过深度学习模型和图像分析构建的管道实现对肺部 CT 扫描图像中 COVID-19 的检测,并在竞赛数据集的验证集中表现优于去年的团队。
Mar, 2024
本研究旨在提供基于已标注的 70 个 COVID-19 病例的三个基准模型,用于肺部和感染物的分割,包括少样本学习,域泛化和知识迁移等当前新兴研究领域,研究者可以利用提供的 40 多个预训练模型快速分割肺部和感染物,平均识别精度高达 97.3%,97.7%和 67.3%,这是有限数据情况下促进 COVID-19 CT 分割深度学习方法发展的重要贡献。
Apr, 2020
这篇论文通过使用人工智能技术进行医学图像分析,特别是利用 CT 扫描图像进行疾病诊断,探讨了准确的 Covid-19 检测和适应问题,并提出了基于 CNN 的分割方法来分割肺部区域和感染部位。研究结果表明,该方法在 F1-score 方面表现出高效率和显著改进。
Mar, 2024
自 2019 年以来,全球 COVID-19 疫情成为医疗研究的重点。本文提出 COVID-CT-H-UNet,一种 COVID-19 CT 图像分割网络,解决了 CT 图像分割中的挑战,提高了分割效果,可用于识别和研究临床 COVID-19。
Mar, 2024
本文介绍了 S-MEDSeg,一种基于深度学习的方法,通过改进已有方法实现了精确分割胸部 CT 图像中的肺部病变,该方法的网络改进显著提高了分割性能,并在研究长期 COVID 住院患者的数据集中应用,研究了后急性感染疫苗对肺部病变程度的影响。
Oct, 2023
使用改良的 Xception 模型、通道注意机制和加权全局平均池化,提出了一种新型深度学习方法,用于自动化 COVID-19 CT 扫描分类,实验结果表明其在广泛使用的 COVID-19 CT 扫描数据集上的准确率为 96.99%,具有优越性和应用价值。
Jul, 2023
该研究提出一种只需要点注释的一致性损失函数处理新冠病毒肺炎患者的 CT 图像检测,相比传统标记方式更快捷有效。实验结果表明该方法明显优于传统的 point-level 损失函数且接近全监督模型的性能。
Jul, 2020