TeliNet:用于 COVID-19 诊断的 CT 扫描图像分类
使用胸部计算机断层扫描图像来检测冠状病毒感染已引起广泛关注,本研究利用深度学习模型对感染者进行精确分类,并包含了对不同类型的医学图像进行 Covid-19 分类的工作,以提高 Covid-19 诊断的准确性和速度。
Oct, 2023
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
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
使用弱监督的深度学习算法,从 CT 图像中检测和分类 COVID-19 感染,达到准确诊断及区分 COVID-19 和非 COVID-19 病例的目的。
Apr, 2020
本文介绍了一种新的深度学习框架 COVIDX-Net,用于协助放射科医师在 X 射线图像中自动诊断 COVID-19,该框架表现出很好的分类性能。
Mar, 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
通过使用生成对抗网络(GANs)来生成正负 COVID-19 患者的人工合成胸部 CT 图像,提供更多的胸部 CT 图像数据集。该数据集可以用于训练基于 CNN 的分类器,以更准确地确定患者是否为 COVID-19
May, 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
该研究提出了一种基于多任务深度学习方法的快速有效的 COVID-19 患者识别方法,同时考虑 X 射线和 CT 扫描图像,使得 COVID-19 检测的测试准确率分别为 84.67%和 98.78%,并提出了一种定量分析策略以确定 X 射线和 CT 图像中的感染区域百分比,为 COVID-19 检测和感染区域定位提供了有前景的结果。
Apr, 2020
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