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

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

本文提出使用 MobileNetV2 模型的轻量级深度学习技术进行 COVID-19 检测的开发和性能评估，该模型与重量级模型相比性能相当且可大幅降低计算资源的成本和内存需求，为中低收入国家提供低成本和移动的点‑of‑care 检测系统提供了有效的解决方案。

May, 2023

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

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

本研究基于三个公开数据集，使用三种现有的 3D 模型和一种可微分神经架构搜索技术，提出了自动搜索 3D DL 模型的方法，称为 CovidNet3D，与人设计的基线模型相比，CovidNet3D 有效减小了模型大小并提高了准确性，CAM 技术可以应用在 CovidNet3D 以提高医学诊断解释性。

Jan, 2021

通过对深度学习算法在新型冠状病毒 COVID-19 检测中的应用进行全面探讨，研究人员指出，基于胸部 CT 和 X 射线图像的深度学习算法可以有效地检测肺炎，从而实现对 COVID-19 的早期诊断和预防传播。同时，文章还简要讨论了最新的咳嗽分析应用和人类移动估计技术，以限制 COVID-19 的传播。

Dec, 2020

本文提出了一种基于深度学习及计算机断层扫描（CT）图像的自动化 COVID-19 诊断框架 MEDNC，该方法能够以高精度（达到 98.79% 和 99.82%）快速识别 COVID-19 病例，为优化医疗资源和减轻临床医生的工作负担提供了一种有力的工具。

Apr, 2023

该研究介绍了 COVID-Net CT-2，一种增强的神经网络，可通过胸部 CT 图像从数量和多样性最大的跨国患者病例进行培训，以便于实现 COVID-19 的诊断。 COVID-Net CT-2 表现良好，是计算机辅助 COVID-19 评估的有效工具。

Jan, 2021

本文介绍了一种新的深度学习框架 COVIDX-Net，用于协助放射科医师在 X 射线图像中自动诊断 COVID-19，该框架表现出很好的分类性能。

Mar, 2020