利用切片处理技术和修改后的 Xception 分类器从计算机断层扫描图像中检测 COVID-19
该研究探索了使用深度学习技术分析肺部计算机断层扫描(CT)图像的方法。通过提出一种特定于 CT 扫描的先进的空间切片特征学习(SSFL ++)框架和基于核密度的切片采样(KDS)方法,能够选择并分析关键的空间切片特征,降低数据冗余,提高了模型的效果,在 COVID-19-CT-DB 数据集上取得了有希望的结果。
Mar, 2024
使用改良的 Xception 模型、通道注意机制和加权全局平均池化,提出了一种新型深度学习方法,用于自动化 COVID-19 CT 扫描分类,实验结果表明其在广泛使用的 COVID-19 CT 扫描数据集上的准确率为 96.99%,具有优越性和应用价值。
Jul, 2023
利用 Spatial-Slice 特征学习 (SSFL++) 框架和 Kernel-Density-based 切片采样 (KDS) 方法,专门针对 CT 扫描,提高模型的适应性和稳定性,通过减少冗余提取关键空间切片进行分析,实验结果表明即使只使用 1%的训练数据,也能够使用简单的 EfficientNet-2D (E2D) 模型取得良好的性能,该方法在提供的 COVID-19-CT-DB 数据集上进行了验证。
Apr, 2024
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
COVID-19 诊断方法,使用 CT 图像和 Swin Transformer 模型进行病人级别预测,通过多数投票决定患者的整体诊断。
Oct, 2023
提出了一种简单而有效的模型,通过分析 3D CT 扫描的特征并移除非肺部部分,使模型专注于病变相关区域并降低计算成本,使用预训练权重和 COVID-19 特定的先验知识。在第四届 COVID19D 竞赛挑战的验证集上,模型达到了 0.94 的宏 F1 分数,超过基准线 16%,表明其在区分 COVID-19 与非 COVID-19 病例方面的有效性,是一种强大的 COVID-19 检测方法。
Mar, 2024
通过深度学习模型和图像分析构建的管道实现对肺部 CT 扫描图像中 COVID-19 的检测,并在竞赛数据集的验证集中表现优于去年的团队。
Mar, 2024
利用计算机断层扫描技术,通过采用集成学习策略(包括迁移学习和预训练 ResNet34 和 DenseNet121)和 COVID-19 特定的预处理,结合医疗信息(感染 - 肺比率、患者年龄和性别等),该方法实现了对 COVID-19 感染的检测和预测,AUC 分别为 83.7%和 79.0%,其成果可与目前在该领域中存在的其他方法进行比较。
May, 2023
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
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