利用感染感知对比混合分类提高 COVID-19 严重程度检测的准确性
本文提出了一种使用多实例学习和数据增强相结合的方法,能够自动准确地对 COVID-19 进行严重程度评估,并在 229 例 COVID-19 病例的 CT 图像上进行了评估,结果表明其平均准确率达到 95.8%,优于以前的研究。
Feb, 2021
本文提出了一种协同学习框架,用于对 COVID-19 在 3D CT 图像中进行自动严重性评估和肺叶分割。经实验证明,相较于其他现有方法,该方法可以更有效地评估 COVID-19 的重症程度。
May, 2020
利用计算机断层扫描技术,通过采用集成学习策略(包括迁移学习和预训练 ResNet34 和 DenseNet121)和 COVID-19 特定的预处理,结合医疗信息(感染 - 肺比率、患者年龄和性别等),该方法实现了对 COVID-19 感染的检测和预测,AUC 分别为 83.7%和 79.0%,其成果可与目前在该领域中存在的其他方法进行比较。
May, 2023
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
该研究提出一种只需要点注释的一致性损失函数处理新冠病毒肺炎患者的 CT 图像检测,相比传统标记方式更快捷有效。实验结果表明该方法明显优于传统的 point-level 损失函数且接近全监督模型的性能。
Jul, 2020
本研究旨在提供基于已标注的 70 个 COVID-19 病例的三个基准模型,用于肺部和感染物的分割,包括少样本学习,域泛化和知识迁移等当前新兴研究领域,研究者可以利用提供的 40 多个预训练模型快速分割肺部和感染物,平均识别精度高达 97.3%,97.7%和 67.3%,这是有限数据情况下促进 COVID-19 CT 分割深度学习方法发展的重要贡献。
Apr, 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
研究了一种基于 CT 成像的辐射组学框架,用于区分 COVID-19 和其他肺部疾病,并展示了该模型在准确分类 COVID-19 图像上的能力。
Sep, 2023
COVID-19 肺部感染 CT 影像的自动识别是一项挑战性任务,本研究提出了一种新颖的深度网络 Inf-Net,结合了并行部分解码器、隐式反向注意和显式边缘注意,以及基于随机选择传播策略的半监督切割框架,通过实验验证 Inf-Net 能够取得比大部分尖端切割模型更好的性能表现。
Apr, 2020
通过提出的一种基于深度学习的自动分割算法,在公开数据集上展示出该算法对于 COVID-19 对胸部 CT 影像分割的突出表现,为实现对 COVID-19 肺部感染的量化诊断打下了基础。
Apr, 2020