为了提高新型冠状病毒肺炎 CT 成像检测的准确性，我们开发了名为 COVIDCTNet 的一组算法，该算法可将新型冠状病毒肺炎与社区获得性肺炎和其他肺部疾病区分开来，并将 CT 成像检测的准确性提高到 90%，比放射科医生 70% 更高。

May, 2020

该研究使用深度学习技术建立了一种早期筛查模型，通过分割和分类肺部 CT 图像来区分 COVID-19 肺炎，流感 A 病毒性肺炎和健康情况，并证明其为临床医生提供的一种有效的补充诊断方法。

Feb, 2020

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

提出一个新的深度学习算法来自动诊断 COVID-19，该算法只需要少量样本进行训练，使用对比学习训练编码器来捕获表达性特征表示，并采用代表性网络进行分类。在两个公开可用的已注释 COVID-19 CT 数据集上，我们的结果表明我们的模型在基于胸部 CT 图像的 COVID-19 精确诊断方面表现出优越性能。

Jun, 2020

使用胸部计算机断层扫描图像来检测冠状病毒感染已引起广泛关注，本研究利用深度学习模型对感染者进行精确分类，并包含了对不同类型的医学图像进行 Covid-19 分类的工作，以提高 Covid-19 诊断的准确性和速度。

Oct, 2023

通过对深度学习算法在新型冠状病毒 COVID-19 检测中的应用进行全面探讨，研究人员指出，基于胸部 CT 和 X 射线图像的深度学习算法可以有效地检测肺炎，从而实现对 COVID-19 的早期诊断和预防传播。同时，文章还简要讨论了最新的咳嗽分析应用和人类移动估计技术，以限制 COVID-19 的传播。

Dec, 2020

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

为满足 COVID-19 CT 成像数据需求，提出一种基于条件生成对抗网络的 CT 图像合成方法，可以高效生成高质量和逼真的 COVID-19 CT 图像，表现优于其他最先进的图像合成方法，有望应用于语义分割和分类等各种机器学习应用。

Jul, 2020

本文提出使用 MobileNetV2 模型的轻量级深度学习技术进行 COVID-19 检测的开发和性能评估，该模型与重量级模型相比性能相当且可大幅降低计算资源的成本和内存需求，为中低收入国家提供低成本和移动的点‑of‑care 检测系统提供了有效的解决方案。

May, 2023

介绍了一个新的 COVID-19 CT 扫描数据集 COVID-CT-MD，该数据集不仅包括 COVID-19 病例，而且还包括 CAP 的健康和感染主体，并标有叶片级别，切片级别和病人级别标签，有助于开发先进的基于机器学习和深度神经网络的解决方案。

Sep, 2020