Apr, 2021

使用深度学习技术检测新冠肺炎与社区获得性肺炎的胸部 CT 影像

PDF
TL;DR该研究提出一种基于卷积神经网络的两阶段分类框架，用于检测使用胸部计算机断层扫描图像进行 COVID-19 和社区获得性肺炎 (CAP) 的分类。该框架的切片级分类准确率达到 94％以上。在 COVID-19，CAP 和健康分类的更精细的三路分类方面，该框架的验证准确度超过 89.3％。经 IEEE ICASSP 2021 信号处理大挑战 (SPGC) 验证，该框架的总体准确率达到 90％，敏感度分别为.857, .9 和.942，以在评估中排名第一。
发现论文，激发创造
  • 双采样关注网络用于诊断社区获得性肺炎相关 COVID-19

    该研究提出了一种基于双采样关注网络用于肺部 CT 扫描的 COVID-19 诊断自动化算法，使用了一种新颖的在线注意力模块来诊断 COVID-19 ，并提出了双重采样策略来缓解诊断上的数据不平衡性问题。此算法在 COVID-19 早期诊断方面的性能表现非常棒。

    May, 2020

  • COVID-CAPS: 基于胶囊网络的 X 光图像 COVID-19 病例识别框架

    这篇研究论文提出了一种基于 Capsule Networks 的 COVID-CAPS 建模框架，旨在提高 COVID-19 的诊断能力，它能够处理小数据集，且准确率与特异性较之前基于 CNN 的模型更高。另外，通过对外部数据集的预训练，它的诊断能力可以进一步提高。

    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

  • 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

  • 用深度学习系统筛查新型冠状病毒肺炎

    该研究使用深度学习技术建立了一种早期筛查模型，通过分割和分类肺部 CT 图像来区分 COVID-19 肺炎，流感 A 病毒性肺炎和健康情况，并证明其为临床医生提供的一种有效的补充诊断方法。

    Feb, 2020

  • 使用深度卷积神经网络集合进行胸部 X 射线图像上的肺炎检测

    通过集成学习技术，本研究提出了一种基于预训练卷积神经网络的计算机辅助肺炎诊断方法，通过联合提取来自三种模型的特征，提高了肺炎检测的准确性。该方法在测试阶段取得了 93.91% 的准确率和 93.88% 的 F1 值。

    Dec, 2023

  • 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

  • 使用深度神经网络预测肺炎和 COVID-19

    本研究通过医学图像分析提出机器学习技术，利用胸部 X 光片图像预测肺炎，研究发现 DenseNet121 模型在 Pneumonia 检测中表现优于其他模型，达到 99.58% 的准确率，该研究展示了机器学习在精确检测肺炎中的重要性并为防止肺炎传播提供了技术支持。

    Aug, 2023

  • 使用深度卷积神经网络 (CNN) 进行肺炎检测的迁移学习：基于胸部 X 光

    使用数字 X 光图像自动检测细菌性和病毒性肺炎，最高分类精度为 98%，95%，和 93.3%，结果表明该方法可以在医疗检测和机场检测中用于快速诊断肺炎。

    Apr, 2020

  • 人工智能在筛查病毒性和 COVID-19 肺炎中的作用

    本研究旨在研究利用深度学习技术对 X 光胸片进行 COVID-19 肺炎自动检测的实用性，该网络训练的准确率、精确率、敏感性和特异性均较高，可作为 COVID-19 快速筛查工具的一种替代方案。

    Mar, 2020