一种用于 COVID-19 诊断的卷积神经网络模型设计
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
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
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
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
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
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
提出了一种基于统计分析结果和小型 CNN 的图像诊断方法,该方法在 COVID-19 诊断方面可以达到最先进的性能和可解释性,应用于胸部 X 光照射的人群中的病例筛查。
Apr, 2020
研究针对 COVID-19 的放射学筛查方法,基于深度卷积神经网络设计了 COVID-Net 模型并开源,构建了以公开的 COVID-19 阳性病例最多的 COVIDx 数据集,通过模型的可解释性方法获得与 COVID 病例相关的要素,以提高放射学筛查效率和加速疾病的诊断与治疗。
Mar, 2020
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