Aug, 2023

使用深度神经网络预测肺炎和 COVID-19

PDF
TL;DR本研究通过医学图像分析提出机器学习技术，利用胸部 X 光片图像预测肺炎，研究发现 DenseNet121 模型在 Pneumonia 检测中表现优于其他模型，达到 99.58% 的准确率，该研究展示了机器学习在精确检测肺炎中的重要性并为防止肺炎传播提供了技术支持。
发现论文，激发创造
  • 使用深度卷积神经网络 (CNN) 进行肺炎检测的迁移学习：基于胸部 X 光

    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

  • 使用深度卷积神经网络集合进行胸部 X 射线图像上的肺炎检测

    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

  • 使用 X 射线图像与深度卷积神经网络自动检测冠状病毒疾病（COVID-19）

    本研究提出基于卷积神经网络的五个预训练模型，使用胸部 X 射线放射状图像实现对冠状病毒肺炎感染者的检测，其中 ResNet50 模型表现最佳，对 Dataset-1、Dataset-2 和 Dataset-3 分别达到 96.1%、99.5% 和 99.7% 的准确率，拥有高效的诊断性能。

    Mar, 2020

  • 提高诊断精确度：利用机器学习技术在胸部 X 射线图像中准确检测 Covid-19、肺炎和结核病

    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

  • 一种用于 COVID-19 诊断的卷积神经网络模型设计

    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

  • 使用深度学习和迁移学习算法从 X 光和 CT 图像诊断 COVID-19 肺炎

    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

  • Deep-COVID: 使用深度迁移学习从胸部 X 射线图像预测 COVID-19

    利用深度学习模型对新冠肺炎胸部放射照片进行诊断，在公共数据集中取得了 98% 左右的敏感性。

    Apr, 2020

  • 通过卷积神经网络和视觉变换器的模型级集成来提高肺炎检测的新方法

    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

  • 用于多类胸部感染诊断的深度残差卷积神经网络

    基于深度学习的残差卷积神经网络模型在多类别胸部感染诊断中展示了 93% 的准确率，但对纤维化等不同类别的性能差异表明了自动医学图像诊断的复杂性和挑战，同时为未来的研究提供了方向和改进建议。

    Nov, 2023

  • 深度学习自动检测肺炎

    本研究提出一种使用单镜头探测器、深度卷积神经网络、增强和多任务学习的计算方法，用于肺炎区域的自动检测，并在北美放射学会肺炎检测挑战中实现了最佳结果。

    May, 2020