KDDMay, 2020

使用半监督开放集领域自适应在胸部 X 光片中检测 Covid-19

PDF
TL;DR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。
covid-19chest x-raydeep learningdomain adaptationsoda
发现论文，激发创造
  • COVID-DA：从典型肺炎到 COVID-19 的深度域自适应

    提出一种名为 COVID-DA 的深度域适应方法，通过特征敌对适应和分类器分离机制解决数据分布和任务区别两种主要困难，以提高 COVID-19 的诊断效率，并证明其在现实世界中具有巨大的潜力。

    Apr, 2020

  • 跨数据集领域自适应用于使用胸部计算机断层扫描图像进行 COVID-19 分类

    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

  • 使用迁移学习检测胸部 X 光图像中的 COVID19

    本文研究了使用迁移学习的方法，通过根据 VGG-16 和 VGG-19 的经典体系结构进行分类器块与超参数调整，以自动检测胸部 X 光图像中的 COVID-19。实验结果展示了迁移学习在医学成像领域中的实用性，不仅可以防止过拟合和收敛问题，还可以获得最优的分类性能。

    Apr, 2023

  • Deep-COVID: 使用深度迁移学习从胸部 X 射线图像预测 COVID-19

    利用深度学习模型对新冠肺炎胸部放射照片进行诊断，在公共数据集中取得了 98% 左右的敏感性。

    Apr, 2020

  • 基于对抗训练的鲁棒可解释性胸部 X 射线 COVID-19 诊断

    通过 21 个卷积神经网络模型在多样化的 33,000 + 胸部 X 射线图像上进行训练和评估，我们的研究旨在解决人工智能在 COVID-19 检测中的可解释性和鲁棒性问题，通过对抗训练提高了模型的鲁棒性，并生成了与专业放射科医生发现相一致的突出热力图。

    Nov, 2023

  • 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

  • 利用有限训练数据集对 CXR 上的 COVID-19 特征进行深度学习

    提出了一种基于统计分析结果和小型 CNN 的图像诊断方法，该方法在 COVID-19 诊断方面可以达到最先进的性能和可解释性，应用于胸部 X 光照射的人群中的病例筛查。

    Apr, 2020

  • 使用 DeTraC 深度卷积神经网络对胸部 X 光图像进行 COVID-19 分类

    本论文验证了新开发的 CNN 模型 DeTraC 在 COVID-19 胸部 X 光图像分类中的有效性，其采用转移学习机制解决了医学图像分类的挑战，经实验证明，在世界多个医院收集的全面数据集上，DeTraC 能够以 95.12% 的准确率检测 COVID-19 X 射线图像。

    Mar, 2020

  • 一种用于 COVID-19 诊断的卷积神经网络模型设计

    使用 19 层 CNN 网络结构对 COVID-19 在胸部 X 光图像中的识别进行了研究，实验结果表明该方法优于现有的方法，可作为临床医生正确判断 COVID-19 的工具。

    Nov, 2023

  • CovidGAN: 使用辅助分类器 GAN 进行数据增强，以提高 Covid-19 检测能力

    本研究提出一种生成辅助分类器生成式对抗网络（ACGAN）的方法，用于生成合成胸部 X 射线图像来提高 COVID-19 检测的准确性，证明这些合成图片能够增强卷积神经网络（CNN）的性能，将其准确率从 85％提高到 95％。

    Mar, 2021