Apr, 2020

Inf-Net：自动从 CT 图像中分割 COVID-19 肺部感染

PDF
TL;DRCOVID-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。
covid-19lung infection segmentationcomputed tomographydeep learningsemi-supervised learning
发现论文，激发创造
  • 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

  • 面向高效学习：COVID-19 CT 肺部和感染分割基准

    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

  • 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

  • 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

  • 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

  • 使用 EfficientNet 和 Attention 机制从 CT 扫描中检测 Covid-19

    通过深度学习模型和图像分析构建的管道实现对肺部 CT 扫描图像中 COVID-19 的检测，并在竞赛数据集的验证集中表现优于去年的团队。

    Mar, 2024

  • 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

  • CT 肺部扫描中 COVID-19 病灶的无标记分割

    该研究提出一种基于异常建模的分割 COVID-19 病灶的无标注方法，通过合成病灶并将其插入正常肺部 CT 扫描中形成训练数据，生成一种名为 NormNet 的网络来将异常 CT 扫描还原为正常状态，实验证明该方法在三个不同的数据集上均表现优异。

    Sep, 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