本文提出了一种新型的基于感染的 3D 对比混合分类网络用于 COVID-19 胸部 CT 图像的病情评估，通过使用分割网络提取肺部和内部病变区域并使用加权交叉熵损失函数来改进模型性能，分数显著优于基线模型。

Nov, 2022

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

这篇论文概述了我们在 “计算机视觉与模式识别会议（CVPR）” 的 “医学图像分析中的领域适应、可解释性和公平性 AI（DEF-AI-MIA）” 研讨会上，参加第四届 COV19D 竞赛的提交内容。竞赛包括两个挑战，第一个是从 COV19-CT-DB 数据库的一千多个 CT 扫描中训练一个分类器来检测 COVID-19 的存在。第二个挑战是通过获取来自挑战 1 的数据集并添加一小部分扫描（有些注释有些没有）来执行领域适应。我们对 CT 扫描进行了预处理以分割肺部，并输出了包含单独和整体肺部的体积。然后我们在这些输入上训练了 3D ResNet 和 Swin Transformer 模型。我们使用这些模型的整合对未标记的 CT 扫描进行了注释，并选择高置信度的预测结果作为微调的伪标签。结果竞赛 1 的最佳交叉验证 F1 得分为 93.39％，竞赛 2 的平均 F1 得分为 92.15。

Mar, 2024

这篇论文通过使用人工智能技术进行医学图像分析，特别是利用 CT 扫描图像进行疾病诊断，探讨了准确的 Covid-19 检测和适应问题，并提出了基于 CNN 的分割方法来分割肺部区域和感染部位。研究结果表明，该方法在 F1-score 方面表现出高效率和显著改进。

Mar, 2024

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

本文提出了一种基于深度学习及计算机断层扫描（CT）图像的自动化 COVID-19 诊断框架 MEDNC，该方法能够以高精度（达到 98.79% 和 99.82%）快速识别 COVID-19 病例，为优化医疗资源和减轻临床医生的工作负担提供了一种有力的工具。

Apr, 2023

为解决 MedMNIST (v2) 的缺陷，本文提出了一种基于 C-Mixer 预训练框架、激励学习和自监督学习的方法，在标注空间的信息不足和不确定性问题上表现出惊人的潜力。

Apr, 2023

该研究报告介绍了 2024 年计算机视觉与模式识别会议的 “Domain adaptation, Explainability, Fairness in AI for Medical Image Analysis (DEF-AI-MIA)” 研讨会中组织的 DEF-AI-MIA COV19D 竞赛，该竞赛包括 Covid-19 检测和 Covid-19 领域适应两项挑战，并使用来自 COV19-CT-DB 数据库的数据进行训练和测试，展示了基线模型的性能。

Mar, 2024

该研究提出了一种基于双采样关注网络用于肺部 CT 扫描的 COVID-19 诊断自动化算法，使用了一种新颖的在线注意力模块来诊断 COVID-19 ，并提出了双重采样策略来缓解诊断上的数据不平衡性问题。此算法在 COVID-19 早期诊断方面的性能表现非常棒。

May, 2020

本文提出了一种用于早期误报检测（CANMD）的对比适应网络，它通过伪标记和标签纠正组件相结合，有效地适应了未知 COVID-19 目标领域，与现有技术相比，取得了显著的改进。

Aug, 2022