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
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
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
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
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
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
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
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
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
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