Mar, 2021

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

PDF
TL;DR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％。
covid-19chest x-raydeep learningsynthetic imagesdetection
发现论文，激发创造
  • 利用生成对抗网络生成 COVID-19 胸部 CT 扫描图像

    通过使用生成对抗网络（GANs）来生成正负 COVID-19 患者的人工合成胸部 CT 图像，提供更多的胸部 CT 图像数据集。该数据集可以用于训练基于 CNN 的分类器，以更准确地确定患者是否为 COVID-19

    May, 2021

  • GAN-based 增强深度学习 COVID-19 图像分类的进一步探索

    基于 GANS 的数据增强方法在中等和大型数据集的情况下与传统增强方法相当，但在较小的数据集的情况下表现不佳。无论采用何种增强方法，原始数据集的大小与分类质量之间存在相关性。

    Jan, 2024

  • 基于 GAN 的增强对深度学习 COVID-19 图像分类性能的影响

    该研究使用 StyleGAN2-ADA 和传统图像变换等方法对 COVID-19 胸部 X 射线图像进行了数据扩充，并进行了多类别分类问题的研究，结果表明以传统图像变换为基础的数据扩充方法更加适合该数据集。

    Apr, 2023

  • 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

  • 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

  • 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

  • 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

  • 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

  • 基于 GAN 的胸部 X 光分类数据增强

    本文探讨了在医疗领域电脑视觉技术中普遍存在的数据样本数量不足和分类失衡的问题，并通过使用生成对抗网络技术来增强数据集以改善网络性能，结果表明这种方法适用于低数据的情况，是值得进一步研究的领域。

    Jul, 2021

  • 利用 CNN 识别胸部 X 光成像中的 COVID-19 疾病

    研究利用卷积神经网络和胸部 X 射线图像对 COVID-19 进行快速而可靠的诊断，结果表明，使用三层卷积层的 CNN 模型可以高达 96% 的精度进行 COVID-19 的筛查。

    Sep, 2021