利用 CNN 识别胸部 X 光成像中的 COVID-19 疾病
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
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
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
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
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
COVID-Net CXR-2 是一种新型深度卷积神经网络，可用于从 CXR 图像中检测 COVID-19。该研究建立了拥有多个国家的 16656 名患者的 19203 幅 CXR 图像的基准数据集，成为最大且最多样化的开放获取的 COVID-19 CXR 数据集。该网络可实现 95.5% 的灵敏度和 97.0% 的阳性预测值，并得到透明和负责任的审核。
May, 2021
本研究针对 COVID-19 的自动诊断提出了一种基于预训练的 Vision Transformer 模型对胸部 X 光图像进行微调的创新框架，经过鉴定，该模型在二元分类、三元分类和四元分类性能方面均表现出超凡的精度。
Jun, 2023