MMMar, 2024

COVID-CT-H-UNet: 一种基于注意力机制和双分类混合损失的新型 COVID-19 CT 分割网络

PDF
TL;DR自 2019 年以来，全球 COVID-19 疫情成为医疗研究的重点。本文提出 COVID-CT-H-UNet，一种 COVID-19 CT 图像分割网络，解决了 CT 图像分割中的挑战，提高了分割效果，可用于识别和研究临床 COVID-19。
covid-19ct imagingsegmentationcovid-ct-h-unetclinical covid-19
发现论文，激发创造
  • 基于 Residual Attention U-Net 的 COVID-19 胸部 CT 图像多类别自动分割

    通过提出的一种基于深度学习的自动分割算法，在公开数据集上展示出该算法对于 COVID-19 对胸部 CT 影像分割的突出表现，为实现对 COVID-19 肺部感染的量化诊断打下了基础。

    Apr, 2020

  • 一种基于一致性的 COVID-19 CT 影像分割弱监督学习方法

    该研究提出一种只需要点注释的一致性损失函数处理新冠病毒肺炎患者的 CT 图像检测，相比传统标记方式更快捷有效。实验结果表明该方法明显优于传统的 point-level 损失函数且接近全监督模型的性能。

    Jul, 2020

  • Inf-Net：自动从 CT 图像中分割 COVID-19 肺部感染

    COVID-19 肺部感染 CT 影像的自动识别是一项挑战性任务，本研究提出了一种新颖的深度网络 Inf-Net，结合了并行部分解码器、隐式反向注意和显式边缘注意，以及基于随机选择传播策略的半监督切割框架，通过实验验证 Inf-Net 能够取得比大部分尖端切割模型更好的性能表现。

    Apr, 2020

  • 利用多种知识源的关注机制进行 CT 图像 COVID-19 检测

    利用多个有用的信息来源，将感染区域和特定的热点地图引入深度网络中，以提高新型肺炎的 CT 诊断性能。

    Sep, 2020

  • CDSE-UNet： 使用 Canny 边缘检测和双通道 SENet 特征融合提升 COVID-19 CT 图像分割

    COVID-19 CT 图像的准确分割对降低与 COVID-19 感染相关的严重程度和死亡率至关重要。我们介绍了 CDSE-UNet，这是一种新颖的基于 UNet 的分割模型，它集成了 Canny 算子边缘检测和双通道 SENet 特征融合机制。该模型通过在样本图像中使用 Canny 算子进行边缘检测，并使用类似的网络结构进行语义特征提取，来增强标准 UNet 架构。关键创新是应用于相应网络层的双重 SENet 特征融合块，有效地组合了来自两个图像路径的特征。此外，我们还开发了一种多尺度卷积方法，用于替代 UNet 中的标准卷积操作，以适应各种不同大小和形状的病变。这个改进不仅有助于准确分类病变边缘像素，还显著改善了通道区分度并扩展了模型的容量。我们在公共数据集上的评估表明，CDSE-UNet 在分割大面积和小面积病变区域、准确勾画病变边缘和有效抑制噪声方面表现出优越性能。

    Mar, 2024

  • 基于 CT 图像的 COVID-19 自动严重程度评估的肺叶分割和层次化多实例分类的协同学习

    本文提出了一种协同学习框架，用于对 COVID-19 在 3D CT 图像中进行自动严重性评估和肺叶分割。经实验证明，相较于其他现有方法，该方法可以更有效地评估 COVID-19 的重症程度。

    May, 2020

  • COVID-19 检测中基于新型强度暗通道先验的自动病变分割

    研究了一种基于 CT 成像的辐射组学框架，用于区分 COVID-19 和其他肺部疾病，并展示了该模型在准确分类 COVID-19 图像上的能力。

    Sep, 2023

  • COVIDNet-CT: 基于深度卷积神经网络的定制设计，用于从胸部 CT 图片中检测 COVID-19 病例

    通过一种基于深度卷积神经网络的设计探索方法，我们提出了 COVIDNet-CT，该模型可通过胸部 CT 图像检测 COVID-19 病例，并引进了 COVIDx-CT 基准 CT 图像数据集。COVIDNet-CT 和 COVIDx-CT 数据集都可在 COVID-Net 倡议的开源和开放访问方式下向公众提供。

    Sep, 2020

  • 基于深度卷积神经网络和多头通道注意力的自动化 COVID-19 CT 图像分类

    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

  • COVID-Net CT-2：通过更大、更多样化的学习增强深度神经网络，以检测胸部 CT 图像中的 COVID-19

    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