COVID-Net CXR-2 是一种新型深度卷积神经网络，可用于从 CXR 图像中检测 COVID-19。该研究建立了拥有多个国家的 16656 名患者的 19203 幅 CXR 图像的基准数据集，成为最大且最多样化的开放获取的 COVID-19 CXR 数据集。该网络可实现 95.5% 的灵敏度和 97.0% 的阳性预测值，并得到透明和负责任的审核。

May, 2021

本文描述了首个 COVID-19 公共图像数据集合并对其可能用例进行的初步探索，该数据集包含数百张胸部 X 射线图像和相关数据，最大程度地促进了 COVID-19 的治疗。

Jun, 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

在 COVID-19 爆发期间，CT 是诊断 COVID-19 患者的有用方法。为了解决隐私问题，我们建立了一个开放的数据集，COVID-CT，其中包含 216 名患者的 349 张 COVID-19 CT 图像和 463 张非 COVID-19 CT 图像。我们研究表明，这个数据集对于开发基于 AI 的 COVID-19 诊断模型是有用的，如多任务学习和自监督学习方法，其 F1 达到 0.90，AUC 为 0.98，准确率为 0.89。

Mar, 2020

本文描述了 Valencian 地区医疗图像库（BIMCV）中的 BIMCV COVID-19 +，这是一个大型数据集，其中包含 1,311 名 COVID-19 阳性患者的胸部 X 线和计算机断层扫描（CT）图像以及其放射学结果，病理位置，放射学报告，DICOM 元数据，PCR，IgG 和 IgM 诊断抗体检测。 数据集中的图像以高分辨率存储，并以解剖学标签本地化实体。此外，还有一个团队的放射科医师对 10 张图像进行了注释，包括放射学结果的语义分割。

Jun, 2020

利用人工智能从胸部放射影像中预测 COVID-19 病情结果是当前对抗 COVID-19 大流行的一个重要科学目标。本研究提出了一种新的多数据集多任务训练框架，通过整合来自不同来源、与常规多任务学习方法不同的相关数据集，预测 COVID-19 胸部 X 光片的预后结果，该框架假设评估严重程度有助于模型对预后严重程度组进行分类，从而提高其鲁棒性和预测能力。通过对 18 种不同的卷积神经网络骨干进行不同的评估策略，在预后分类任务中显著改进了性能，这是显而易见的，相比于单一任务基准和标准迁移学习策略，在广泛的统计分析支持下，显示出巨大的应用潜力。

May, 2024

本文旨在通过开发全新的人机协作方法对 X 光片进行地面真实性标注，建设了一种最大的基准数据集，包括 33,920 张 X 光片，其中包括 11,956 个 COVID-19 样本，通过对肺部区域分割、COVID-19 定位和感染定量进行深度学习处理，达到优秀 COVID-19 检测性能。

Mar, 2021

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

本研究介绍了一个包含超过 10 万张胸部 X 射线扫描的数据集，其中 18000 张图像被 17 名经验丰富的放射科医生手动标注，包括 22 个异常部位的局部标签和 6 个可疑疾病的全局标签，该数据集的发布将为胸部异常的检测和定位的机器学习算法的发展提供帮助。

Dec, 2020

本文介绍了使用 MIMIC-CXR 数据集训练并评估深度卷积神经网络来识别多种常见胸部疾病的结果，提出了一种可以同时处理前后位胸透图像的新型 DualNet 体系结构，并通过与使用单独基准前位和侧位分类器进行比较来展示 DualNet 体系结构的性能提升。

Apr, 2018