利用有限训练数据集对 CXR 上的 COVID-19 特征进行深度学习
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
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
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
通过 21 个卷积神经网络模型在多样化的 33,000 + 胸部 X 射线图像上进行训练和评估,我们的研究旨在解决人工智能在 COVID-19 检测中的可解释性和鲁棒性问题,通过对抗训练提高了模型的鲁棒性,并生成了与专业放射科医生发现相一致的突出热力图。
Nov, 2023
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
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
本文探讨使用胸部 X 光影像诊断 COVID-19 疾病的实用性,经深度卷积神经网络调整后,在十折交叉验证中,102 例 COVID-19 病例全部正确分类,AUC 为 0.997;在一组测试集上,20 例未见过的 COVID-19 病例全部正确分类。
Apr, 2020
本研究使用分层卷积网络构架和 ECOC 编码策略,提出一种通过 CXR 图像准确划分潜在 COVID-19 患者的方法,以增加检测能力并减轻压力。
Nov, 2020
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