Jul, 2020

一种基于一致性的 COVID-19 CT 影像分割弱监督学习方法

PDF
TL;DR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。
covid-19ct imageslabelling challengespoint annotationsconsistency-based loss
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 使用来自中国、意大利和日本的多国数据进行胸部 CT COVID 区域分割的联邦半监督学习

    本研究提出了联邦半监督学习技术来解决不同临床数据中存在的域偏移问题，以利用所有可用数据进行 COVID-19 胸部 CT 图像分析和自动诊断，并证明该技术有效性。

    Nov, 2020

  • 一种新颖的多示例学习框架 —— 基于数据增强和自监督学习的 COVID-19 重症评估

    本文提出了一种使用多实例学习和数据增强相结合的方法，能够自动准确地对 COVID-19 进行严重程度评估，并在 229 例 COVID-19 病例的 CT 图像上进行了评估，结果表明其平均准确率达到 95.8％，优于以前的研究。

    Feb, 2021

  • 用动量对比学习进行少样本胸部 CT 图像 COVID-19 诊断

    提出一个新的深度学习算法来自动诊断 COVID-19，该算法只需要少量样本进行训练，使用对比学习训练编码器来捕获表达性特征表示，并采用代表性网络进行分类。在两个公开可用的已注释 COVID-19 CT 数据集上，我们的结果表明我们的模型在基于胸部 CT 图像的 COVID-19 精确诊断方面表现出优越性能。

    Jun, 2020

  • COVID-CT-H-UNet: 一种基于注意力机制和双分类混合损失的新型 COVID-19 CT 分割网络

    自 2019 年以来，全球 COVID-19 疫情成为医疗研究的重点。本文提出 COVID-CT-H-UNet，一种 COVID-19 CT 图像分割网络，解决了 CT 图像分割中的挑战，提高了分割效果，可用于识别和研究临床 COVID-19。

    Mar, 2024