MIA-COV19D: 基于三维胸部 CT 图像分析的 COVID-19 检测
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
本研究基于三个公开数据集,使用三种现有的 3D 模型和一种可微分神经架构搜索技术,提出了自动搜索 3D DL 模型的方法,称为 CovidNet3D,与人设计的基线模型相比,CovidNet3D 有效减小了模型大小并提高了准确性,CAM 技术可以应用在 CovidNet3D 以提高医学诊断解释性。
Jan, 2021
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
本文介绍在欧洲计算机视觉会议(ECCV 2022)AIMIA 研讨会框架下组织的第二次 COVID-19 竞赛的基线方法,并介绍了 COV19-CT-DB 数据库和基于 CNN-RNN 网络的深度学习方法的性能表现。
Jun, 2022
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
利用深度学习的集成模型和强大的测试时间数据增强技术,从胸部 CT 扫描中预测 COVID-19 的严重程度,并在 STOIC2021 COVID-19 AI Challenge 中获得第四名。
May, 2023
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
在 COVID-19 爆发期间,CT 是诊断 COVID-19 患者的有用方法。为了解决隐私问题,我们建立了一个开放的数据集,COVID-CT,其中包含 216 名患者的 349 张 COVID-19 CT 图像和 463 张非 COVID-19 CT 图像。我们研究表明,这个数据集对于开发基于 AI 的 COVID-19 诊断模型是有用的,如多任务学习和自监督学习方法,其 F1 达到 0.90,AUC 为 0.98,准确率为 0.89。
Mar, 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
这篇论文介绍了一个包含 COVID-19 相关结果的肺部 CT 扫描数据集,并通过二进制像素掩膜对感兴趣的区域(地面玻璃状混浊和实变)进行了注释。
May, 2020