利用计算机断层扫描图像的 Swin Transformer 方法进行 COVID-19 检测
COVID-19 检测中，迁移学习结合视觉变换器是一种有效的方法，并且在实验中显示出了优于传统方法和卷积神经网络的表现，这证明了视觉变换器在改进临床筛查和诊断的效率和准确性方面具有潜力。
Jul, 2023
该研究提出了一种同时使用 2-D 和 3-D 模型的方法，通过 Deep Wilcoxon signed-rank test （DWCC）来确定 Chest CT scan 的每一层的重要性，并借助 Convolutional CT scan-Aware Transformer (CCAT) 发现 Chest CT scan 的上下文信息，以判断出其是否为 COVID-19，该方法较之现有方法具有更好的性能。
Jul, 2021
本研究针对 COVID-19 的自动诊断提出了一种基于预训练的 Vision Transformer 模型对胸部 X 光图像进行微调的创新框架，经过鉴定，该模型在二元分类、三元分类和四元分类性能方面均表现出超凡的精度。
Jun, 2023
本文通过建立可解释的视觉 Transformer 深度学习技术，旨在基于胸部 X 线片预测 COVID-19 肺炎的诊断结果，以期进行更快速、准确和规范的人群筛查，通过对病人的三维数据进行二分类的训练，分析和探究了两种深度学习方法，即建立在传统卷积神经网络（CNN）基础上的 DenseNet 和基于关注模型的视觉 Transformer，结果表明视觉 Transformer 表现更佳，F1 分数为 0.76。
Jul, 2021
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
本文提出了一种基于有效 Transformer 模型的肺癌图像分类和分割方法，将计算机视觉技术应用于医学图像分析，可为医务人员提供高效的技术支持。在多个方面对实验结果进行了评估和比较，并证明该算法可以很好地应用于肺癌分类和分割任务。
Jul, 2022
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
介绍了一个新的 COVID-19 CT 扫描数据集 COVID-CT-MD，该数据集不仅包括 COVID-19 病例，而且还包括 CAP 的健康和感染主体，并标有叶片级别，切片级别和病人级别标签，有助于开发先进的基于机器学习和深度神经网络的解决方案。
Sep, 2020
为了提高新型冠状病毒肺炎 CT 成像检测的准确性，我们开发了名为 COVIDCTNet 的一组算法，该算法可将新型冠状病毒肺炎与社区获得性肺炎和其他肺部疾病区分开来，并将 CT 成像检测的准确性提高到 90%，比放射科医生 70% 更高。
May, 2020