Mar, 2024

COVID-19 检测中的领域适应高置信度伪标签

PDF
TL;DR这篇论文概述了我们在 “计算机视觉与模式识别会议（CVPR）” 的 “医学图像分析中的领域适应、可解释性和公平性 AI（DEF-AI-MIA）” 研讨会上，参加第四届 COV19D 竞赛的提交内容。竞赛包括两个挑战，第一个是从 COV19-CT-DB 数据库的一千多个 CT 扫描中训练一个分类器来检测 COVID-19 的存在。第二个挑战是通过获取来自挑战 1 的数据集并添加一小部分扫描（有些注释有些没有）来执行领域适应。我们对 CT 扫描进行了预处理以分割肺部，并输出了包含单独和整体肺部的体积。然后我们在这些输入上训练了 3D ResNet 和 Swin Transformer 模型。我们使用这些模型的整合对未标记的 CT 扫描进行了注释，并选择高置信度的预测结果作为微调的伪标签。结果竞赛 1 的最佳交叉验证 F1 得分为 93.39％，竞赛 2 的平均 F1 得分为 92.15。
cov19d competitionai for medical image analysisclassifiercovid-19 detectiondomain adaptation
发现论文，激发创造
  • 使用伪标签进行 COVID-19 检测的领域自适应

    我们提出了一个两阶段框架，利用伪标签进行领域自适应，以提高从 CT 扫描中检测 COVID-19 的速度和准确性。通过利用一个领域的注释数据和另一个领域的非注释数据，该模型克服了在新兴健康危机中普遍存在的数据稀缺和变异挑战。生成伪标签的创新方法使得模型能够迭代地改进学习过程，从而提高其在不同医院和医疗中心的适应性和精度。在 COV19-CT-DB 数据库上的实验结果展示了该模型在高诊断精度方面的潜力，极大地促进了高效的患者管理，并减轻了医疗系统的压力。我们的方法在 COVID-19 领域适应挑战的验证集上取得了 0.92 的宏 F1 得分。

    Mar, 2024

  • 医疗图像 AI 中的领域适应、可解释性与公正性研究：基于 3D 胸部 CT 扫描的 COVID-19 诊断

    该研究报告介绍了 2024 年计算机视觉与模式识别会议的 “Domain adaptation, Explainability, Fairness in AI for Medical Image Analysis (DEF-AI-MIA)” 研讨会中组织的 DEF-AI-MIA COV19D 竞赛，该竞赛包括 Covid-19 检测和 Covid-19 领域适应两项挑战，并使用来自 COV19-CT-DB 数据库的数据进行训练和测试，展示了基线模型的性能。

    Mar, 2024

  • COVID-19 检测的集成和测试增强以及基于 3D CT 扫描的 COVID-19 领域适应

    这篇论文通过使用人工智能技术进行医学图像分析，特别是利用 CT 扫描图像进行疾病诊断，探讨了准确的 Covid-19 检测和适应问题，并提出了基于 CNN 的分割方法来分割肺部区域和感染部位。研究结果表明，该方法在 F1-score 方面表现出高效率和显著改进。

    Mar, 2024

  • 跨数据集领域自适应用于使用胸部计算机断层扫描图像进行 COVID-19 分类

    基于深度学习的领域自适应 (Domain Adaptation) 方法 COVID19-DANet 能够在不同数据集下有效检测使用计算机断层扫描 (CT) 影像的 COVID-19 患者，并取得了令人鼓舞的结果。

    Nov, 2023

  • COVID-DA：从典型肺炎到 COVID-19 的深度域自适应

    提出一种名为 COVID-DA 的深度域适应方法，通过特征敌对适应和分类器分离机制解决数据分布和任务区别两种主要困难，以提高 COVID-19 的诊断效率，并证明其在现实世界中具有巨大的潜力。

    Apr, 2020

  • 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

  • 使用深度学习和迁移学习算法从 X 光和 CT 图像诊断 COVID-19 肺炎

    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

  • AI-MIA: 应用医学影像进行 COVID-19 的检测和严重程度分析

    本文介绍在欧洲计算机视觉会议（ECCV 2022）AIMIA 研讨会框架下组织的第二次 COVID-19 竞赛的基线方法，并介绍了 COV19-CT-DB 数据库和基于 CNN-RNN 网络的深度学习方法的性能表现。

    Jun, 2022

  • COVID-19 预测的多数据集多任务学习

    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

  • 基于对抗训练的鲁棒可解释性胸部 X 射线 COVID-19 诊断

    通过 21 个卷积神经网络模型在多样化的 33,000 + 胸部 X 射线图像上进行训练和评估，我们的研究旨在解决人工智能在 COVID-19 检测中的可解释性和鲁棒性问题，通过对抗训练提高了模型的鲁棒性，并生成了与专业放射科医生发现相一致的突出热力图。

    Nov, 2023