Apr, 2024

COVID-19 检测中空间切片特征学习的深入研究

PDF
TL;DR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。
computed tomographyct scanspatial-slice feature learningkernel-density-based slice samplingcovid-19-ct-db
发现论文，激发创造
  • 基于简单的二维卷积神经网络的新冠病毒检测方法

    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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 时空建模遭遇 3D 医学图像分析：Slice-Shift UNet 与多视图融合

    基于视频动作识别领域的灵感，我们提出了一种名为 Slice Shift UNet (SSH-UNet) 的新型二维模型，以 2D 卷积神经网络的复杂度编码三维特征，通过沿切片轴移动部分特征图重新融合被 2D 卷积忽视的第三个维度。在多模态腹部多器官分割（AMOS）和除颅骨外多图谱标记（BTCV）数据集中验证了我们方法的有效性，表明 SSH-UNet 在性能上与最先进的架构相媲美，且更高效。

    Jul, 2023

  • COVID-CT-MD: COVID-19 计算机断层扫描数据集，可应用于机器学习和深度学习

    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

  • 使用胸部 CT 扫描的集成深度学习方法进行 COVID-19 严重性预测

    利用深度学习的集成模型和强大的测试时间数据增强技术，从胸部 CT 扫描中预测 COVID-19 的严重程度，并在 STOIC2021 COVID-19 AI Challenge 中获得第四名。

    May, 2023

  • 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