Apr, 2023

COVID-19 胸部 X 射线诊断的并行注意力块多尺度特征融合

PDF
TL;DR该研究提出了一种新的多特征融合网络，使用并行注意力块来融合多尺度的原始 CXR 图像和局部相位增强的 CXR 图像，并在不同机构获取的各种 COVID-19 数据集上进行了评估，实验结果表明，该方法实现了最先进的性能，并具有改进的普适性。
covid-19chest x-ray imagescomputer-aided diagnostic toolsmulti-feature fusion networkstate-of-art performance
发现论文，激发创造
  • 利用有限训练数据集对 CXR 上的 COVID-19 特征进行深度学习

    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 预测的多数据集多任务学习

    利用人工智能从胸部放射影像中预测 COVID-19 病情结果是当前对抗 COVID-19 大流行的一个重要科学目标。本研究提出了一种新的多数据集多任务训练框架，通过整合来自不同来源、与常规多任务学习方法不同的相关数据集，预测 COVID-19 胸部 X 光片的预后结果，该框架假设评估严重程度有助于模型对预后严重程度组进行分类，从而提高其鲁棒性和预测能力。通过对 18 种不同的卷积神经网络骨干进行不同的评估策略，在预后分类任务中显著改进了性能，这是显而易见的，相比于单一任务基准和标准迁移学习策略，在广泛的统计分析支持下，显示出巨大的应用潜力。

    May, 2024

  • 从胸部 X 射线图像中确定 COVID-19 感染部位和严重程度

    本文旨在通过开发全新的人机协作方法对 X 光片进行地面真实性标注，建设了一种最大的基准数据集，包括 33,920 张 X 光片，其中包括 11,956 个 COVID-19 样本，通过对肺部区域分割、COVID-19 定位和感染定量进行深度学习处理，达到优秀 COVID-19 检测性能。

    Mar, 2021

  • DualAttNet：基于图像级和细粒度疾病注意力的协同融合，用于胸部 X 线多标签病变检测

    本文提出一种名为 “DualAttNet” 的双重注意力监督模块，用于胸部 X 光片的多标签病变检测，并对 VinDr-CXR、ChestX-ray8 和 COVID-19 数据集进行评估。实验结果表明，DualAttNet 在不同检测体系结构下的 mAP 和 AP50 超过基线 by 0.6% to 2.7% 和 1.4% to 4.7%。

    Jun, 2023

  • 利用分层卷积网络从 X - 射线胸片中对潜在 COVID-19 患者进行分类

    本研究使用分层卷积网络构架和 ECOC 编码策略，提出一种通过 CXR 图像准确划分潜在 COVID-19 患者的方法，以增加检测能力并减轻压力。

    Nov, 2020

  • 使用低层胸部 X 光特征语料库的视觉变换器，用于 COVID-19 诊断和严重程度量化

    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

  • 利用 CNN 识别胸部 X 光成像中的 COVID-19 疾病

    研究利用卷积神经网络和胸部 X 射线图像对 COVID-19 进行快速而可靠的诊断，结果表明，使用三层卷积层的 CNN 模型可以高达 96% 的精度进行 COVID-19 的筛查。

    Sep, 2021

  • 基于 Vision Transformer 技术对胸部 X 光图像进行分析以提高 COVID-19 诊断

    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

  • MultiFusionNet：多层次多模态深度神经网络的胸部 X 光图像分类

    通过利用卷积神经网络，提出了一种基于多层多模态融合模型的新型深度学习疾病检测模型，能够从不同层次提取特征并融合它们，在胸部 X 射线图像的疾病分类中取得了高达 97.21% 和 99.60% 的显著准确率，具有准确的疾病分类潜力，并可推广至其他胸部 X 射线图像中的疾病分类。

    Jan, 2024

  • 利用多种知识源的关注机制进行 CT 图像 COVID-19 检测

    利用多个有用的信息来源，将感染区域和特定的热点地图引入深度网络中，以提高新型肺炎的 CT 诊断性能。

    Sep, 2020