Jun, 2023

STOIC2021 COVID-19 AI 挑战赛：将可重复使用的训练方法应用于私有数据

PDF
TL;DR本研究实施了 T3 挑战格式，该格式允许在私人数据上训练解决方案并保证可重复的训练方法。研究结果表明，此方法可以有效地预测 COVID-19 感染的严重性，为自动化医学图像分析提供了解决方案。
automated medical image analysistype three challenge formatstoic2021covid-19ct scan
发现论文，激发创造
  • 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

  • 新冠病毒 (COVID-19) 流行病的快速 AI 开发周期：使用深度学习 CT 图像分析进行自动检测和患者监测的初步结果

    本研究开发出基于人工智能的自动 CT 图像分析工具，检测、量化和跟踪冠状病毒，使用多个国际数据集进行测试，证明其可区分冠状病毒患者和非患者，并评估患者疾病进展情况。该研究在检测冠状病毒、量化和跟踪疾病负担方面取得了高度准确的结果，证明了基于人工智能的 CT 图像分析的可行性。

    Mar, 2020

  • AI-MIA: 应用医学影像进行 COVID-19 的检测和严重程度分析

    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

  • 医疗图像 AI 中的领域适应、可解释性与公正性研究：基于 3D 胸部 CT 扫描的 COVID-19 诊断

    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

  • 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

  • 自动化 COVID-19 存在与严重程度分类

    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

  • MIA-COV19D: 基于三维胸部 CT 图像分析的 COVID-19 检测

    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

  • COVID-CT-Dataset：关于 COVID-19 的 CT 扫描数据集

    在 COVID-19 爆发期间，CT 是诊断 COVID-19 患者的有用方法。为了解决隐私问题，我们建立了一个开放的数据集，COVID-CT，其中包含 216 名患者的 349 张 COVID-19 CT 图像和 463 张非 COVID-19 CT 图像。我们研究表明，这个数据集对于开发基于 AI 的 COVID-19 诊断模型是有用的，如多任务学习和自监督学习方法，其 F1 达到 0.90，AUC 为 0.98，准确率为 0.89。

    Mar, 2020

  • 基于 COVID-19 的 AI 诊断方法中的数据多样性和虚拟成像：以病例研究为例

    通过使用临床多样性数据和虚拟生成的医学影像，开发和评估了基于深度学习人工智能模型进行新冠病毒 COVID-19 诊断的人工智能模型，并进行了相关影像试验以评估疾病程度、辐射剂量和影像模态等因素对人工智能性能的影响。研究突出了数据集特征和疾病程度对 COVID 评估的重要影响，以及虚拟影像试验技术在开发有效的人工智能算法评估和促进诊断实践转化中的相关性和潜在作用。

    Aug, 2023

  • COVID-VIT：基于视觉变换模型的 CT 胸部图像 COVID-19 分类

    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