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

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

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

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

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

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

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

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