Feb, 2021

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

PDF
TL;DR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。
covid-19severity assessmentchest ctmultiple instance learningdata augmentation
发现论文，激发创造
  • 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

  • 自动化 COVID-19 存在与严重程度分类

    利用计算机断层扫描技术，通过采用集成学习策略（包括迁移学习和预训练 ResNet34 和 DenseNet121）和 COVID-19 特定的预处理，结合医疗信息（感染 - 肺比率、患者年龄和性别等），该方法实现了对 COVID-19 感染的检测和预测，AUC 分别为 83.7％和 79.0％，其成果可与目前在该领域中存在的其他方法进行比较。

    May, 2023

  • 使用胸部 CT 扫描的集成深度学习方法进行 COVID-19 严重性预测

    利用深度学习的集成模型和强大的测试时间数据增强技术，从胸部 CT 扫描中预测 COVID-19 的严重程度，并在 STOIC2021 COVID-19 AI Challenge 中获得第四名。

    May, 2023

  • 使用胸部 CT 图像的定量特征进行新冠病毒病 2019（COVID-19）的严重程度评估

    使用机器学习方法基于胸部 CT 图像实现 COVID-19 的自动化严重程度评估（非严重或严重），并从所得到的评估模型中探索与严重程度有关的特征。

    Mar, 2020

  • 利用感染感知对比混合分类提高 COVID-19 严重程度检测的准确性

    本文提出了一种新型的基于感染的 3D 对比混合分类网络用于 COVID-19 胸部 CT 图像的病情评估，通过使用分割网络提取肺部和内部病变区域并使用加权交叉熵损失函数来改进模型性能，分数显著优于基线模型。

    Nov, 2022

  • 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

  • AI-MIA: 应用医学影像进行 COVID-19 的检测和严重程度分析

    本文介绍在欧洲计算机视觉会议（ECCV 2022）AIMIA 研讨会框架下组织的第二次 COVID-19 竞赛的基线方法，并介绍了 COV19-CT-DB 数据库和基于 CNN-RNN 网络的深度学习方法的性能表现。

    Jun, 2022

  • 一种基于一致性的 COVID-19 CT 影像分割弱监督学习方法

    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

  • 基于自监督表示学习和多图像预测的 COVID-19 预后

    本文使用 self-supervised 学习方法（即 MoCo 方法）实现了以胸部 X 光为基础的 COVID-19 患者恶化预测模型，包括不良事件恶化和氧需求增加两种类型，并提出了可处理多图像序列的新型 Transformer-based 架构，在 96 小时内，模型准确预测了患者的恶化和死亡情况。

    Jan, 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