COVID-DA:从典型肺炎到 COVID-19 的深度域自适应
基于深度学习的领域自适应 (Domain Adaptation) 方法 COVID19-DANet 能够在不同数据集下有效检测使用计算机断层扫描 (CT) 影像的 COVID-19 患者,并取得了令人鼓舞的结果。
Nov, 2023
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
本研究旨在研究利用深度学习技术对 X 光胸片进行 COVID-19 肺炎自动检测的实用性,该网络训练的准确率、精确率、敏感性和特异性均较高,可作为 COVID-19 快速筛查工具的一种替代方案。
Mar, 2020
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
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
这篇论文概述了我们在 “计算机视觉与模式识别会议(CVPR)” 的 “医学图像分析中的领域适应、可解释性和公平性 AI(DEF-AI-MIA)” 研讨会上,参加第四届 COV19D 竞赛的提交内容。竞赛包括两个挑战,第一个是从 COV19-CT-DB 数据库的一千多个 CT 扫描中训练一个分类器来检测 COVID-19 的存在。第二个挑战是通过获取来自挑战 1 的数据集并添加一小部分扫描(有些注释有些没有)来执行领域适应。我们对 CT 扫描进行了预处理以分割肺部,并输出了包含单独和整体肺部的体积。然后我们在这些输入上训练了 3D ResNet 和 Swin Transformer 模型。我们使用这些模型的整合对未标记的 CT 扫描进行了注释,并选择高置信度的预测结果作为微调的伪标签。结果竞赛 1 的最佳交叉验证 F1 得分为 93.39%,竞赛 2 的平均 F1 得分为 92.15。
Mar, 2024
提出了一种基于 SODA 的半监督开放域适应方法来解决 COVID-19 胸部 X 光图像分类的问题,结果表明 SODA 在 COVID-19 和常见肺炎判别上具有领先的分类性能,并且可以在胸片上更好地定位病理。
May, 2020
我们提出了一个两阶段框架,利用伪标签进行领域自适应,以提高从 CT 扫描中检测 COVID-19 的速度和准确性。通过利用一个领域的注释数据和另一个领域的非注释数据,该模型克服了在新兴健康危机中普遍存在的数据稀缺和变异挑战。生成伪标签的创新方法使得模型能够迭代地改进学习过程,从而提高其在不同医院和医疗中心的适应性和精度。在 COV19-CT-DB 数据库上的实验结果展示了该模型在高诊断精度方面的潜力,极大地促进了高效的患者管理,并减轻了医疗系统的压力。我们的方法在 COVID-19 领域适应挑战的验证集上取得了 0.92 的宏 F1 得分。
Mar, 2024
该研究报告介绍了 2024 年计算机视觉与模式识别会议的 “Domain adaptation, Explainability, Fairness in AI for Medical Image Analysis (DEF-AI-MIA)” 研讨会中组织的 DEF-AI-MIA COV19D 竞赛,该竞赛包括 Covid-19 检测和 Covid-19 领域适应两项挑战,并使用来自 COV19-CT-DB 数据库的数据进行训练和测试,展示了基线模型的性能。
Mar, 2024