Oct, 2023

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

PDF
TL;DR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。
发现论文，激发创造
  • 使用深度神经网络预测肺炎和 COVID-19

    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。

    Aug, 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

  • 人工智能在筛查病毒性和 COVID-19 肺炎中的作用

    本研究旨在研究利用深度学习技术对 X 光胸片进行 COVID-19 肺炎自动检测的实用性，该网络训练的准确率、精确率、敏感性和特异性均较高，可作为 COVID-19 快速筛查工具的一种替代方案。

    Mar, 2020

  • 使用深度学习在小数据集上从胸部 X 光中检测 Covid-19

    本文探讨使用胸部 X 光影像诊断 COVID-19 疾病的实用性，经深度卷积神经网络调整后，在十折交叉验证中，102 例 COVID-19 病例全部正确分类，AUC 为 0.997；在一组测试集上，20 例未见过的 COVID-19 病例全部正确分类。

    Apr, 2020

  • 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

  • 使用迁移学习检测胸部 X 光图像中的 COVID19

    本文研究了使用迁移学习的方法，通过根据 VGG-16 和 VGG-19 的经典体系结构进行分类器块与超参数调整，以自动检测胸部 X 光图像中的 COVID-19。实验结果展示了迁移学习在医学成像领域中的实用性，不仅可以防止过拟合和收敛问题，还可以获得最优的分类性能。

    Apr, 2023

  • 利用 CNN 识别胸部 X 光成像中的 COVID-19 疾病

    研究利用卷积神经网络和胸部 X 射线图像对 COVID-19 进行快速而可靠的诊断，结果表明，使用三层卷积层的 CNN 模型可以高达 96% 的精度进行 COVID-19 的筛查。

    Sep, 2021

  • 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

  • 通过精细调整的 EfficientNet 深度学习架构优化性能，提升 COVID-19 检测能力

    使用深度学习算法和经过微调的 EfficientNetB4 模型，结合放射学影像技术（尤其是胸部 X 射线）快速准确地识别 COVID-19 患者，并提供了有效的肺部疾病检测方法，为医疗图像诊断领域带来了有益的研究。

    Nov, 2023

  • 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