使用胸部 CT 扫描的集成深度学习方法进行 COVID-19 严重性预测
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
本文介绍了一个包含约 5,000 个三维 CT 扫描的标注 COVID-19 的数据库(COV19-CT-DB),其中分为训练集、验证集和测试集,并且提供了基于 CNN-RNN 网络的深度学习方法以及其在该数据库上的性能报告。
Jun, 2021
本研究基于三个公开数据集,使用三种现有的 3D 模型和一种可微分神经架构搜索技术,提出了自动搜索 3D DL 模型的方法,称为 CovidNet3D,与人设计的基线模型相比,CovidNet3D 有效减小了模型大小并提高了准确性,CAM 技术可以应用在 CovidNet3D 以提高医学诊断解释性。
Jan, 2021
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
提出一个新的深度学习算法来自动诊断 COVID-19,该算法只需要少量样本进行训练,使用对比学习训练编码器来捕获表达性特征表示,并采用代表性网络进行分类。在两个公开可用的已注释 COVID-19 CT 数据集上,我们的结果表明我们的模型在基于胸部 CT 图像的 COVID-19 精确诊断方面表现出优越性能。
Jun, 2020
介绍了一个新的 COVID-19 CT 扫描数据集 COVID-CT-MD,该数据集不仅包括 COVID-19 病例,而且还包括 CAP 的健康和感染主体,并标有叶片级别,切片级别和病人级别标签,有助于开发先进的基于机器学习和深度神经网络的解决方案。
Sep, 2020
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