May, 2020

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

PDF
TL;DR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。
covid-19rt-pcrcomputed tomographycovidctnetopen-source
发现论文，激发创造
  • 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

  • 基于弱监督深度学习的 CT 图像 COVID-19 感染检测和分类

    使用弱监督的深度学习算法，从 CT 图像中检测和分类 COVID-19 感染，达到准确诊断及区分 COVID-19 和非 COVID-19 病例的目的。

    Apr, 2020

  • 用深度学习系统筛查新型冠状病毒肺炎

    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

  • COVID-Net CT-2：通过更大、更多样化的学习增强深度神经网络，以检测胸部 CT 图像中的 COVID-19

    该研究介绍了 COVID-Net CT-2，一种增强的神经网络，可通过胸部 CT 图像从数量和多样性最大的跨国患者病例进行培训，以便于实现 COVID-19 的诊断。 COVID-Net CT-2 表现良好，是计算机辅助 COVID-19 评估的有效工具。

    Jan, 2021

  • 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

  • 一种基于条件生成对抗网络的 COVID-19 CT 图像合成方法

    为满足 COVID-19 CT 成像数据需求，提出一种基于条件生成对抗网络的 CT 图像合成方法，可以高效生成高质量和逼真的 COVID-19 CT 图像，表现优于其他最先进的图像合成方法，有望应用于语义分割和分类等各种机器学习应用。

    Jul, 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

  • 人工智能在筛查病毒性和 COVID-19 肺炎中的作用

    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

  • 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