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

COVID-19 诊断方法，使用 CT 图像和 Swin Transformer 模型进行病人级别预测，通过多数投票决定患者的整体诊断。

Oct, 2023

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

该研究探索了使用深度学习技术分析肺部计算机断层扫描（CT）图像的方法。通过提出一种特定于 CT 扫描的先进的空间切片特征学习（SSFL ++）框架和基于核密度的切片采样（KDS）方法，能够选择并分析关键的空间切片特征，降低数据冗余，提高了模型的效果，在 COVID-19-CT-DB 数据集上取得了有希望的结果。

Mar, 2024

利用 Spatial-Slice 特征学习 (SSFL++) 框架和 Kernel-Density-based 切片采样 (KDS) 方法，专门针对 CT 扫描，提高模型的适应性和稳定性，通过减少冗余提取关键空间切片进行分析，实验结果表明即使只使用 1％的训练数据，也能够使用简单的 EfficientNet-2D (E2D) 模型取得良好的性能，该方法在提供的 COVID-19-CT-DB 数据集上进行了验证。

Apr, 2024

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

通过对计算机断层扫描图像进行增强处理，本研究提出了一种改进的方法来检测 COVID-19，结果显示相较于同一数据集上之前的方法和其他替代方案，在切片和患者层面上，所采用的 Xception 迁移学习模型在 COV19-CT 数据库上取得了更高的验证准确性和宏 F1 分数。

Dec, 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

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

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。

Apr, 2021