ICLRMay, 2021

利用印记权重方法从胸部 X 光图像中检测 COVID-19

PDF
TL;DRCOVID-19 的快速诊断方式对于控制疫情非常重要。目前常用的逆转录 - 聚合酶链反应（RT-PCR）筛查方法耗时和耗能，而胸部 X 线是一种快速低成本的筛查方法。本文在使用计算机辅助诊断技术（CAD）提高胸部 X 线诊断效果的基础上，采用 imprinted weights 低样本学习方法，结合其他肺部疾病数据来提高 COVID-19 的检测性能。
发现论文，激发创造
  • CoVScreen: 使用胸部 X 光筛查 COVID-19 的问题与建议

    COVID-19 患者的早期筛查和诊断对于隔离患者以减少社区传播、提供早期治疗以降低死亡率至关重要。本研究通过建立一个大规模的 COVID-19 胸部 X 射线数据集和使用 CoVScreen 卷积神经网络架构对该数据集进行训练和测试，实验证明该方法在 COVID-19 感染筛查方面的有效性。

    May, 2024

  • 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

  • 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

  • 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

  • Deep-COVID: 使用深度迁移学习从胸部 X 射线图像预测 COVID-19

    利用深度学习模型对新冠肺炎胸部放射照片进行诊断，在公共数据集中取得了 98% 左右的敏感性。

    Apr, 2020

  • COVID-CT-MD: COVID-19 计算机断层扫描数据集，可应用于机器学习和深度学习

    介绍了一个新的 COVID-19 CT 扫描数据集 COVID-CT-MD，该数据集不仅包括 COVID-19 病例，而且还包括 CAP 的健康和感染主体，并标有叶片级别，切片级别和病人级别标签，有助于开发先进的基于机器学习和深度神经网络的解决方案。

    Sep, 2020

  • 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

  • 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

  • 使用深度学习在小数据集上从胸部 X 光中检测 Covid-19

    本文探讨使用胸部 X 光影像诊断 COVID-19 疾病的实用性，经深度卷积神经网络调整后，在十折交叉验证中，102 例 COVID-19 病例全部正确分类，AUC 为 0.997；在一组测试集上，20 例未见过的 COVID-19 病例全部正确分类。

    Apr, 2020

  • 使用胸部 X 光和 CT 扫描进行 COVID-19 检测和预测的机器学习常见陷阱及建议

    研究表明，2020 年针对新冠肺炎的机器学习模型都存在方法学缺陷和 / 或潜在偏差，无法在临床上实际使用。为此，该文提出多项建议以解决这些问题并提高模型开发的质量和文件的可靠性。

    Aug, 2020