Apr, 2020

面向高效学习：COVID-19 CT 肺部和感染分割基准

PDF
TL;DR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。
covid-19ct scanssegmentationdata-efficient deep learningpre-trained models
发现论文，激发创造
  • 基于深度学习的 COVID-19 肺部感染 CT 影像定量分析

    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

  • Inf-Net：自动从 CT 图像中分割 COVID-19 肺部感染

    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

  • 基于 Residual Attention U-Net 的 COVID-19 胸部 CT 图像多类别自动分割

    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

  • 从胸部 X 射线图像中确定 COVID-19 感染部位和严重程度

    本文旨在通过开发全新的人机协作方法对 X 光片进行地面真实性标注，建设了一种最大的基准数据集，包括 33,920 张 X 光片，其中包括 11,956 个 COVID-19 样本，通过对肺部区域分割、COVID-19 定位和感染定量进行深度学习处理，达到优秀 COVID-19 检测性能。

    Mar, 2021

  • 基于 CT 图像的 COVID-19 自动严重程度评估的肺叶分割和层次化多实例分类的协同学习

    本文提出了一种协同学习框架，用于对 COVID-19 在 3D CT 图像中进行自动严重性评估和肺叶分割。经实验证明，相较于其他现有方法，该方法可以更有效地评估 COVID-19 的重症程度。

    May, 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

  • 一种基于一致性的 COVID-19 CT 影像分割弱监督学习方法

    该研究提出一种只需要点注释的一致性损失函数处理新冠病毒肺炎患者的 CT 图像检测，相比传统标记方式更快捷有效。实验结果表明该方法明显优于传统的 point-level 损失函数且接近全监督模型的性能。

    Jul, 2020

  • CT 中肺部发现的自动分割及其在长期 COVID 病中的应用

    本文介绍了 S-MEDSeg，一种基于深度学习的方法，通过改进已有方法实现了精确分割胸部 CT 图像中的肺部病变，该方法的网络改进显著提高了分割性能，并在研究长期 COVID 住院患者的数据集中应用，研究了后急性感染疫苗对肺部病变程度的影响。

    Oct, 2023

  • COVID-19 检测的集成和测试增强以及基于 3D CT 扫描的 COVID-19 领域适应

    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

  • MIA-COV19D: 基于三维胸部 CT 图像分析的 COVID-19 检测

    本文介绍了一个包含约 5,000 个三维 CT 扫描的标注 COVID-19 的数据库（COV19-CT-DB），其中分为训练集、验证集和测试集，并且提供了基于 CNN-RNN 网络的深度学习方法以及其在该数据库上的性能报告。

    Jun, 2021