基于视觉变换器和可解释人工智能的 CoVid-19 检测
使用 19 层 CNN 网络结构对 COVID-19 在胸部 X 光图像中的识别进行了研究,实验结果表明该方法优于现有的方法,可作为临床医生正确判断 COVID-19 的工具。
Nov, 2023
通过深度学习技术,本研究旨在将不同的肺部疾病分为五类,并以 96.21% 的准确率通过 Xception 模型进行分类和诊断。
Apr, 2024
通过对基于视觉转换器的人工智能方法在肺癌成像应用方面的最新发展进行综述,本文提供了对视觉转换器如何提高肺癌的人工智能和深度学习方法的性能的关键洞察。此外,该综述还确定了推动该领域发展的数据集。视觉转换器是研究人员的首选之一,然而也报告了许多其他结构,其中将视觉转换器与卷积神经网络或 UNet 模型相结合。视觉转换器模型在发展肺癌应用的人工智能方法方面越来越受欢迎,但计算复杂性和临床相关性是未来研究的重要因素。该综述为人工智能和医疗保健领域的研究人员提供了宝贵的见解,以推进肺癌诊断和预后的最新技术。请访问 lung-cancer.onrender.com/ 获取交互式仪表盘。
Sep, 2023
通过模型融合的方式,将卷积神经网络和视觉 Transformer 网络结合起来,以提高基于胸部 X 射线图像的肺炎诊断的准确性。融合模型在 Kaggle 小儿肺炎数据集上取得了 94.87% 的准确率,比基准模型表现更好。
Jan, 2024
通过深度学习和图像处理,研究提出了一种多类别分类方法来增加胸部疾病的诊断精确性,通过与多个经过预训练的迁移学习模型进行比较,该方法在 COVID-19、肺结核和肺炎的诊断上表现出了高准确度。
Oct, 2023
通过对深度学习算法在新型冠状病毒 COVID-19 检测中的应用进行全面探讨,研究人员指出,基于胸部 CT 和 X 射线图像的深度学习算法可以有效地检测肺炎,从而实现对 COVID-19 的早期诊断和预防传播。同时,文章还简要讨论了最新的咳嗽分析应用和人类移动估计技术,以限制 COVID-19 的传播。
Dec, 2020
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
使用数字 X 光图像自动检测细菌性和病毒性肺炎,最高分类精度为 98%,95%,和 93.3%,结果表明该方法可以在医疗检测和机场检测中用于快速诊断肺炎。
Apr, 2020
使用深度学习算法中的卷积神经网络技术和迁移学习技术,对 1427 张通过公共医疗库获得的 X 光片中的 Covid-19 病人,普通肺炎和正常情况的病人进行自动检测,最终在 Covid-19 的检测准确率为 97.82%。
Mar, 2020
通过集成学习技术,本研究提出了一种基于预训练卷积神经网络的计算机辅助肺炎诊断方法,通过联合提取来自三种模型的特征,提高了肺炎检测的准确性。该方法在测试阶段取得了 93.91% 的准确率和 93.88% 的 F1 值。
Dec, 2023