JCS:结合分类和分割的可解释COVID-19诊断系统
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
本文介绍了一种新的深度学习框架COVIDX-Net,用于协助放射科医师在X射线图像中自动诊断COVID-19,该框架表现出很好的分类性能。
Mar, 2020
这篇研究论文提出了一种基于Capsule Networks的COVID-CAPS建模框架,旨在提高COVID-19的诊断能力,它能够处理小数据集,且准确率与特异性较之前基于CNN的模型更高。另外,通过对外部数据集的预训练,它的诊断能力可以进一步提高。
Apr, 2020
通过提出的一种基于深度学习的自动分割算法,在公开数据集上展示出该算法对于COVID-19对胸部CT影像分割的突出表现,为实现对COVID-19肺部感染的量化诊断打下了基础。
Apr, 2020
研究提出了一种高效的深度学习模型MiniSeg,用于COVID-19分割,并建立了COVID-19分割基准来比较MiniSeg和传统方法。
Apr, 2020
该研究提出了一种基于双采样关注网络用于肺部CT扫描的 COVID-19 诊断自动化算法,使用了一种新颖的在线注意力模块来诊断 COVID-19 ,并提出了双重采样策略来缓解诊断上的数据不平衡性问题。此算法在 COVID-19 早期诊断方面的性能表现非常棒。
May, 2020
展示了一种集成可靠、快速部署的先进AI系统,用于自动分析CT图像以检测COVID-19感染概率,并通过分类和分割组件减少医生检测时间,提高COVID-19检测效率。AI系统还通过锚集相似性分配3D CT扫描的感染概率,提供解释性,协助医生及时确认和隔离感染患者。
Mar, 2024