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

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％。

Mar, 2021

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

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

本文介绍了一个包含约 5,000 个三维 CT 扫描的标注 COVID-19 的数据库（COV19-CT-DB），其中分为训练集、验证集和测试集，并且提供了基于 CNN-RNN 网络的深度学习方法以及其在该数据库上的性能报告。

Jun, 2021

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

通过一种基于深度卷积神经网络的设计探索方法，我们提出了 COVIDNet-CT，该模型可通过胸部 CT 图像检测 COVID-19 病例，并引进了 COVIDx-CT 基准 CT 图像数据集。COVIDNet-CT 和 COVIDx-CT 数据集都可在 COVID-Net 倡议的开源和开放访问方式下向公众提供。

Sep, 2020

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

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

利用卷积神经网络 TeliNet，我们针对竞赛中提供的 CT 扫描图像，对 COVID-19 患者进行分类，结果优于竞赛基准和 VGGNet 方法，并且相对于其他方法，我们提出的解决方案更轻量级。

Jul, 2021