Mar, 2024

基于简单的二维卷积神经网络的新冠病毒检测方法

PDF
TL;DR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。
deep learninglung computed tomography (ct) imagesspatial-slice feature learningkernel-density-based slice samplingcovid-19-ct-db datasets
发现论文，激发创造
  • COVID-19 检测中空间切片特征学习的深入研究

    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

  • 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

    通过对计算机断层扫描图像进行增强处理，本研究提出了一种改进的方法来检测 COVID-19，结果显示相较于同一数据集上之前的方法和其他替代方案，在切片和患者层面上，所采用的 Xception 迁移学习模型在 COV19-CT 数据库上取得了更高的验证准确性和宏 F1 分数。

    Dec, 2023

  • 基于胸部 CT 扫描的 COVID-19 检测的 3D 深度学习模型的自动设计与基准评估

    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

  • COVID-19 在 3D CT 扫描中的提升检测

    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

  • 使用 EfficientNet 和 Attention 机制从 CT 扫描中检测 Covid-19

    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

  • MIA-COV19D: 基于三维胸部 CT 图像分析的 COVID-19 检测

    本文介绍了一个包含约 5,000 个三维 CT 扫描的标注 COVID-19 的数据库（COV19-CT-DB），其中分为训练集、验证集和测试集，并且提供了基于 CNN-RNN 网络的深度学习方法以及其在该数据库上的性能报告。

    Jun, 2021

  • 使用深度学习技术检测新冠肺炎与社区获得性肺炎的胸部 CT 影像

    该研究提出一种基于卷积神经网络的两阶段分类框架，用于检测使用胸部计算机断层扫描图像进行 COVID-19 和社区获得性肺炎 (CAP) 的分类。该框架的切片级分类准确率达到 94％以上。在 COVID-19，CAP 和健康分类的更精细的三路分类方面，该框架的验证准确度超过 89.3％。经 IEEE ICASSP 2021 信号处理大挑战 (SPGC) 验证，该框架的总体准确率达到 90％，敏感度分别为.857, .9 和.942，以在评估中排名第一。

    Apr, 2021

  • COVID_MTNet：基于多任务深度学习方法的 COVID-19 检测

    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

  • 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

  • COVID-19 分类的统计测试视觉变换器

    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