Apr, 2020

使用面向细节的胶囊网络结构识别 CT 扫描中 COVID-19 病灶，可匹敌放射科医生的水平

PDF
TL;DR本研究提出了一种名为 “Detail-Oriented Capsule Networks (DECAPS)” 的网络结构，通过结合胶囊网络和多种架构改进，自动诊断放射学影像下的新型冠状病毒肺炎 (COVID-19)。DECAPS 使用倒置动态路由机制、Peekaboo 训练过程和基于条件生成对抗网络的数据增强方法将粗粒度和细粒度表达形式相结合，从而实现自适应特征提取和可解释性高的关注热力图生成。实验结果表明，该模型在诊断性能方面远远优于具有丰富临床经验和训练的放射科医生，同时具有潜在的临床应用和推广价值。
radiographic imagescovid-19detail-oriented capsule networkscomputed tomographyautomatic diagnosis
发现论文，激发创造
  • COVID-CAPS: 基于胶囊网络的 X 光图像 COVID-19 病例识别框架

    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

  • COVID-CT-MD: COVID-19 计算机断层扫描数据集，可应用于机器学习和深度学习

    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

  • 使用深度学习技术检测新冠肺炎与社区获得性肺炎的胸部 CT 影像

    该研究提出一种基于卷积神经网络的两阶段分类框架，用于检测使用胸部计算机断层扫描图像进行 COVID-19 和社区获得性肺炎 (CAP) 的分类。该框架的切片级分类准确率达到 94％以上。在 COVID-19，CAP 和健康分类的更精细的三路分类方面，该框架的验证准确度超过 89.3％。经 IEEE ICASSP 2021 信号处理大挑战 (SPGC) 验证，该框架的总体准确率达到 90％，敏感度分别为.857, .9 和.942，以在评估中排名第一。

    Apr, 2021

  • CovidCTNet：一种基于开源深度学习的 CT 图像识别 COVID-19 方法

    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

  • 利用多种知识源的关注机制进行 CT 图像 COVID-19 检测

    利用多个有用的信息来源，将感染区域和特定的热点地图引入深度网络中，以提高新型肺炎的 CT 诊断性能。

    Sep, 2020

  • COVID-19 检测中基于新型强度暗通道先验的自动病变分割

    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

  • 双采样关注网络用于诊断社区获得性肺炎相关 COVID-19

    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

  • COVIDNet-CT: 基于深度卷积神经网络的定制设计，用于从胸部 CT 图片中检测 COVID-19 病例

    通过一种基于深度卷积神经网络的设计探索方法，我们提出了 COVIDNet-CT，该模型可通过胸部 CT 图像检测 COVID-19 病例，并引进了 COVIDx-CT 基准 CT 图像数据集。COVIDNet-CT 和 COVIDx-CT 数据集都可在 COVID-Net 倡议的开源和开放访问方式下向公众提供。

    Sep, 2020

  • 使用深度学习和迁移学习算法从 X 光和 CT 图像诊断 COVID-19 肺炎

    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

  • COVID_MTNet：基于多任务深度学习方法的 COVID-19 检测

    该研究提出了一种基于多任务深度学习方法的快速有效的 COVID-19 患者识别方法，同时考虑 X 射线和 CT 扫描图像，使得 COVID-19 检测的测试准确率分别为 84.67％和 98.78％，并提出了一种定量分析策略以确定 X 射线和 CT 图像中的感染区域百分比，为 COVID-19 检测和感染区域定位提供了有前景的结果。

    Apr, 2020