Jul, 2023

基于深度卷积神经网络和多头通道注意力的自动化 COVID-19 CT 图像分类

PDF
TL;DR使用改良的 Xception 模型、通道注意机制和加权全局平均池化，提出了一种新型深度学习方法，用于自动化 COVID-19 CT 扫描分类，实验结果表明其在广泛使用的 COVID-19 CT 扫描数据集上的准确率为 96.99％，具有优越性和应用价值。
发现论文，激发创造
  • 使用 EfficientNet 和 Attention 机制从 CT 扫描中检测 Covid-19

    通过深度学习模型和图像分析构建的管道实现对肺部 CT 扫描图像中 COVID-19 的检测，并在竞赛数据集的验证集中表现优于去年的团队。

    Mar, 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

  • 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

  • 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

  • COVID_MTNet：基于多任务深度学习方法的 COVID-19 检测

    该研究提出了一种基于多任务深度学习方法的快速有效的 COVID-19 患者识别方法，同时考虑 X 射线和 CT 扫描图像，使得 COVID-19 检测的测试准确率分别为 84.67％和 98.78％，并提出了一种定量分析策略以确定 X 射线和 CT 图像中的感染区域百分比，为 COVID-19 检测和感染区域定位提供了有前景的结果。

    Apr, 2020

  • TeliNet：用于 COVID-19 诊断的 CT 扫描图像分类

    利用卷积神经网络 TeliNet，我们针对竞赛中提供的 CT 扫描图像，对 COVID-19 患者进行分类，结果优于竞赛基准和 VGGNet 方法，并且相对于其他方法，我们提出的解决方案更轻量级。

    Jul, 2021

  • 基于简单的二维卷积神经网络的新冠病毒检测方法

    该研究探索了使用深度学习技术分析肺部计算机断层扫描（CT）图像的方法。通过提出一种特定于 CT 扫描的先进的空间切片特征学习（SSFL ++）框架和基于核密度的切片采样（KDS）方法，能够选择并分析关键的空间切片特征，降低数据冗余，提高了模型的效果，在 COVID-19-CT-DB 数据集上取得了有希望的结果。

    Mar, 2024

  • 用医学影像进行 COVID-19 病例分类的深度学习模型

    使用胸部计算机断层扫描图像来检测冠状病毒感染已引起广泛关注，本研究利用深度学习模型对感染者进行精确分类，并包含了对不同类型的医学图像进行 Covid-19 分类的工作，以提高 Covid-19 诊断的准确性和速度。

    Oct, 2023

  • 利用切片处理技术和修改后的 Xception 分类器从计算机断层扫描图像中检测 COVID-19

    通过对计算机断层扫描图像进行增强处理，本研究提出了一种改进的方法来检测 COVID-19，结果显示相较于同一数据集上之前的方法和其他替代方案，在切片和患者层面上，所采用的 Xception 迁移学习模型在 COV19-CT 数据库上取得了更高的验证准确性和宏 F1 分数。

    Dec, 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