CT 肺部扫描中 COVID-19 病灶的无标记分割
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
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
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
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。
Jul, 2020
COVID-19 大流行病反应凸显了深度学习方法在通过计算机断层扫描 (CT) 对肺部疾病的正常和异常组织进行自动分割方面的潜力,这些方法不仅有助于临床决策,还有助于理解新型疾病。为了解决手动分割大型 CT 数据库的繁重性质,我们使用多态训练优化了一个网络,以表示多个分层解剖结构,间接优化了更复杂的标签。我们结合来自不同来源的 6000 多个不同格式的手动和自动标签的 CT 扫描,使用多任务学习和多态训练开发了 MEDPSeg,一种用于单向预测肺部、气道、肺动脉和肺病变分割的端到端方法。我们在多个目标中取得了最先进的性能,特别是在地面玻璃浑浊度和病变分割方面,这是一个具有有限手动注释可用性的具有挑战性的问题。此外,我们提供了一个开源实现,具有图形用户界面的链接:https:// 此处为 URL。
Dec, 2023
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
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
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
利用深度学习方法实现肺叶分割,在一个手动标注的数据集上测试所提出的方法,通过设计一个混合损失函数来解决类别失衡问题,并在独立数据集上进行了测试,取得了比基线模型高达 5.87% 的表现。
Mar, 2019