Apr, 2021

使用低层胸部 X 光特征语料库的视觉变换器，用于 COVID-19 诊断和严重程度量化

PDF
TL;DR本论文提出了一种创新的 Vision Transformer 算法用于诊断和量化 COVID-19 的严重程度，通过使用基础网络提取常见的胸片异常结果，并利用其嵌入特征作为 Transformer 模型的语料库，实现了针对 CXR 的目标。实验结果显示，该模型在诊断和严重程度量化任务上具有卓越的泛化能力和最先进的性能，这是广泛部署所必需的。
covid-19chest x-rayvision transformerdiagnosisseverity quantification
发现论文，激发创造
  • 基于 Vision Transformer 技术对胸部 X 光图像进行分析以提高 COVID-19 诊断

    本研究针对 COVID-19 的自动诊断提出了一种基于预训练的 Vision Transformer 模型对胸部 X 光图像进行微调的创新框架，经过鉴定，该模型在二元分类、三元分类和四元分类性能方面均表现出超凡的精度。

    Jun, 2023

  • 基于视觉 Transformer 的胸部 X 射线 COVID-19 检测研究

    COVID-19 检测中，迁移学习结合视觉变换器是一种有效的方法，并且在实验中显示出了优于传统方法和卷积神经网络的表现，这证明了视觉变换器在改进临床筛查和诊断的效率和准确性方面具有潜力。

    Jul, 2023

  • COVID-VIT：基于视觉变换模型的 CT 胸部图像 COVID-19 分类

    本文通过建立可解释的视觉 Transformer 深度学习技术，旨在基于胸部 X 线片预测 COVID-19 肺炎的诊断结果，以期进行更快速、准确和规范的人群筛查，通过对病人的三维数据进行二分类的训练，分析和探究了两种深度学习方法，即建立在传统卷积神经网络（CNN）基础上的 DenseNet 和基于关注模型的视觉 Transformer，结果表明视觉 Transformer 表现更佳，F1 分数为 0.76。

    Jul, 2021

  • 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

  • 通过卷积神经网络和视觉变换器的模型级集成来提高肺炎检测的新方法

    通过模型融合的方式，将卷积神经网络和视觉 Transformer 网络结合起来，以提高基于胸部 X 射线图像的肺炎诊断的准确性。融合模型在 Kaggle 小儿肺炎数据集上取得了 94.87% 的准确率，比基准模型表现更好。

    Jan, 2024

  • 用于胸部 X 射线和胃肠道图像分类的视觉 Transformer

    使用不同的卷积神经网络和 Transformer 方法以及广泛的数据增强技术，在三个医学图像数据集上比较了它们的表现，并将视觉 Transformer 模型与其他先进的预训练 CNN 网络进行了评估和比较，在分类不同的解剖结构、所见和异常方面，我们的 Transformer 模型优于或更有效，比 CNN 基于的方法有所改进，建议将其用作算法开发的新基准算法。

    Apr, 2023

  • COVID-19 胸部 X 射线诊断的并行注意力块多尺度特征融合

    该研究提出了一种新的多特征融合网络，使用并行注意力块来融合多尺度的原始 CXR 图像和局部相位增强的 CXR 图像，并在不同机构获取的各种 COVID-19 数据集上进行了评估，实验结果表明，该方法实现了最先进的性能，并具有改进的普适性。

    Apr, 2023

  • MVC: 一种用于从胸部 X 光图像进行 COVID-19 诊断的多任务视觉变压器网络

    使用计算机算法进行医学图像分析在过去的十年中引起了研究界的广泛关注并取得了巨大进展。本文提出了一种新方法，即多任务视觉 Transformer（MVC），用于同时对胸部 X 射线图像进行分类和识别受影响的区域，实验证实了该方法在图像分类和受影响区域识别任务上的优越性。

    Sep, 2023

  • 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

  • COVID-19 分类的统计测试视觉变换器

    该研究提出了一种同时使用 2-D 和 3-D 模型的方法，通过 Deep Wilcoxon signed-rank test （DWCC）来确定 Chest CT scan 的每一层的重要性，并借助 Convolutional CT scan-Aware Transformer (CCAT) 发现 Chest CT scan 的上下文信息，以判断出其是否为 COVID-19，该方法较之现有方法具有更好的性能。

    Jul, 2021