ICLRApr, 2021

利用深度神经网络和超声成像检测 COVID-19 疾病

PDF
TL;DR该论文提出利用卷积神经网络分析肺部超声扫描图像，以检测 COVID-19 病例，成为辅助诊断工具的一种尝试。
covid-19pandemiclung ultrasoundconvolutional neural networkdiagnostic tools
发现论文，激发创造
  • 基于肺部超声成像和深度学习实现 COVID-19 检测系统

    该论文介绍了一种正在进行中的系统，该系统使用超声成像和深度学习技术进行 COVID-19 检测，并在 Raspberry Pi 上实现，使其便携且易于在没有互联网连接的远程地区使用。

    Jun, 2021

  • 基于图像和声学技术的深度神经网络 COVID-19 检测与诊断：最新综述

    通过对深度学习算法在新型冠状病毒 COVID-19 检测中的应用进行全面探讨，研究人员指出，基于胸部 CT 和 X 射线图像的深度学习算法可以有效地检测肺炎，从而实现对 COVID-19 的早期诊断和预防传播。同时，文章还简要讨论了最新的咳嗽分析应用和人类移动估计技术，以限制 COVID-19 的传播。

    Dec, 2020

  • POCOVID-Net: 从新的肺部超声成像数据集（POCUS）中自动检测 COVID-19

    本研究提倡在 COVID-19 检测中使用 POCUS 成像，收集了一个肺部超声数据集，并训练了一个能以 89％的准确性侦测 COVID-19 的深度 CNN 模型 POCOVID-Net，此外我们提供了一个开放式的网络服务（POCOVIDScreen），允许在超声肺图像上进行预测。

    Apr, 2020

  • 使用 X 射线图像与深度卷积神经网络自动检测冠状病毒疾病（COVID-19）

    本研究提出基于卷积神经网络的五个预训练模型，使用胸部 X 射线放射状图像实现对冠状病毒肺炎感染者的检测，其中 ResNet50 模型表现最佳，对 Dataset-1、Dataset-2 和 Dataset-3 分别达到 96.1%、99.5% 和 99.7% 的准确率，拥有高效的诊断性能。

    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

  • 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

  • 新冠病毒 (COVID-19) 流行病的快速 AI 开发周期：使用深度学习 CT 图像分析进行自动检测和患者监测的初步结果

    本研究开发出基于人工智能的自动 CT 图像分析工具，检测、量化和跟踪冠状病毒，使用多个国际数据集进行测试，证明其可区分冠状病毒患者和非患者，并评估患者疾病进展情况。该研究在检测冠状病毒、量化和跟踪疾病负担方面取得了高度准确的结果，证明了基于人工智能的 CT 图像分析的可行性。

    Mar, 2020

  • COVID_MTNet：基于多任务深度学习方法的 COVID-19 检测

    该研究提出了一种基于多任务深度学习方法的快速有效的 COVID-19 患者识别方法，同时考虑 X 射线和 CT 扫描图像，使得 COVID-19 检测的测试准确率分别为 84.67％和 98.78％，并提出了一种定量分析策略以确定 X 射线和 CT 图像中的感染区域百分比，为 COVID-19 检测和感染区域定位提供了有前景的结果。

    Apr, 2020

  • 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

  • COVIDX-Net: X 光图像深度学习诊断 COVID-19 的架构

    本文介绍了一种新的深度学习框架 COVIDX-Net，用于协助放射科医师在 X 射线图像中自动诊断 COVID-19，该框架表现出很好的分类性能。

    Mar, 2020