Mar, 2023

通过视觉 - 语言对齐实现的粗 - 精 Covid-19 分割

PDF
TL;DR提出了 C2FVL，一种通过视觉 - 语言对齐的粗 - 细分割框架，以合并包含病灶数量和特定位置的图像信息的文本信息。对胸部 X 光和 CT 这两个 COVID-19 数据集进行广泛实验，结果表明我们的方法优于其他最先进的分割方法。
covid-19segmentationc2fvlchest x-rayct
发现论文，激发创造
  • 一种基于一致性的 COVID-19 CT 影像分割弱监督学习方法

    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

  • CT 肺部扫描中 COVID-19 病灶的无标记分割

    该研究提出一种基于异常建模的分割 COVID-19 病灶的无标注方法，通过合成病灶并将其插入正常肺部 CT 扫描中形成训练数据，生成一种名为 NormNet 的网络来将异常 CT 扫描还原为正常状态，实验证明该方法在三个不同的数据集上均表现优异。

    Sep, 2020

  • 使用来自中国、意大利和日本的多国数据进行胸部 CT COVID 区域分割的联邦半监督学习

    本研究提出了联邦半监督学习技术来解决不同临床数据中存在的域偏移问题，以利用所有可用数据进行 COVID-19 胸部 CT 图像分析和自动诊断，并证明该技术有效性。

    Nov, 2020

  • 基于 Residual Attention U-Net 的 COVID-19 胸部 CT 图像多类别自动分割

    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

  • 基于 CT 图像的 COVID-19 自动严重程度评估的肺叶分割和层次化多实例分类的协同学习

    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

  • 面向高效学习：COVID-19 CT 肺部和感染分割基准

    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

  • Inf-Net：自动从 CT 图像中分割 COVID-19 肺部感染

    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

  • COVID-19 检测中基于新型强度暗通道先验的自动病变分割

    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

  • 一种新颖的多示例学习框架 —— 基于数据增强和自监督学习的 COVID-19 重症评估

    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

  • 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