A Generalizable Artificial Intelligence Model for COVID-19 Classification Task Using Chest X-ray Radiographs: Evaluated Over Four Clinical Datasets with 15,097 Patients
University of Wisconsin（威斯康星大学）；Henry Ford Health（亨利福特医疗集团）
目的：回答一个长期存在的问题，即从单个临床站点训练的模型是否可以推广到外部站点。材料与方法：从一个研究中心收集了来自3，264名COVID-19阳性患者和4，802名COVID-19阴性患者的17，537张胸部X射线照片（CXR），用于AI模型开发。使用来自15，097名患者（3，277名COVID-19阳性患者）的总共26，633份CXR的四个不同的真实世界临床数据集回顾性评估了训练模型的普遍性。使用受试者工作特征曲线下面积（AUC）评估诊断性能。结果如下：当应用于内部时间测试集时，使用单源临床数据集训练的AI模型实现了0.82的AUC（95% CI：0.80，0.84）。当应用于两个外部临床研究中心的数据集时，AUC分别为0.81（95% CI：0.80，0.82）和0.82（95% CI：0.80，0.84）。当应用于医学影像和数据资源中心（MIDRC）收集的多机构COVID-19数据集时，AUC为0.79（95% CI：0.77，0.81）。幂律依赖性N^（k）（根据经验发现k为-0.21至-0.25）指示对训练数据大小的相对弱的性能依赖性。结论：使用来自单个临床站点的精心策划的数据训练的COVID-19分类AI模型可推广到外部临床站点，而性能不会显著下降。
2022-10-04 cs.CV cs.LG eess.IV
An Explainable Two Stage Deep Learning Framework for Pericoronitis Assessment in Panoramic Radiographs Using YOLOv8 and ResNet-50
DiceMed；College of Engineering Trivandrum（工程学院）；S.C.B Dental College and Hospital（S.C.B牙科学院和医院）
本文提出了一种结合YOLOv8和ResNet-50的两阶段深度学习框架，用于可解释性地评估全景X光片中的牙周炎。
2026-01-13 cs.AI cs.CV
Predicting Clinical Outcomes in COVID-19 using Radiomics and Deep Learning on Chest Radiographs: A Multi-Institutional Study
Stony Brook University（石溪大学）；Newark Beth Israel Medical Center（纽瓦克贝丝以色列医疗中心）；University Hospitals Cleveland Medical Center（大学医院克利夫兰医疗中心）
我们使用2019冠状病毒病（COVID-19）患者的胸部X光片（CXR）的计算建模来预测机械通气需求和死亡率。这项双中心回顾性研究分析了2020年3月至8月期间在Stony Brook大学医院和Newark Beth Israel医疗中心接受治疗的515名COVID-19患者的530份去识别CXR。DL和机器学习分类器预测机械通气需求和死亡率进行了训练，并使用患者CXR进行了评估。还探索了一种新的放射组学嵌入框架用于结果预测。将所有结果与放射科医师的CXR分级（分区专家严重程度评分）进行比较。放射组学和DL分类模型的mAUC分别为0.78+/-0.02和0.81+/-0.04，而机械通气需求和死亡率预测的专家评分mAUC分别为0.75+/-0.02和0.79+/-0.05。使用放射组学和专家严重程度评分的组合分类器导致每个预测任务的mAUC为0.79+/-0.04和0.83+/-0.04，表明优于单独的人工智能或放射科医生解释。我们的结果还表明，在DL中包含放射性特征可以改善模型预测，这可能会在其他病理学中进行探索。本研究提出的模型及其提供的预后信息可能有助于医生在COVID-19大流行期间做出决策和分配资源。
2021-07-01 cs.CV cs.LG eess.IV
Common pitfalls and recommendations for using machine learning to detect and prognosticate for COVID-19 using chest radiographs and CT scans
University of Cambridge（剑桥大学）；AstraZeneca（阿斯利康）；University of Manchester（曼彻斯特大学）；Royal Papworth Hospital（皇家帕普沃斯医院）；Cambridge University Hospitals NHS Trust（剑桥大学医院国民医疗服务信托）
机器学习方法为从标准护理胸片（CXR）和计算机断层扫描（CT）图像中快速准确地检测和诊断COVID-19提供了巨大的希望。2020年发表了许多文章，描述了用于这两项任务的基于机器学习的新模型，但尚不清楚哪些具有潜在的临床实用性。在本系统性综述中，我们通过OVID检索EMBASE、通过PubMed检索MEDLINE、bioRxiv、medRxiv和arXiv，检索2020年1月1日至2020年10月3日上传的已发表论文和预印本，这些论文和预印本描述了用于根据CXR或CT图像诊断或预后COVID-19的新机器学习模型。我们的检索识别出2,212项研究，其中415项在初始筛选后被纳入，在质量筛选后，61项研究被纳入本系统评价。我们的审查发现，由于方法缺陷和/或潜在的偏见，所确定的模型都没有潜在的临床用途。鉴于迫切需要经验证的COVID-19模型，这是一个主要弱点。为了解决这个问题，我们给出了许多建议，如果遵循这些建议，将解决这些问题，并导致更高质量的模型开发和有据可查的手稿。
2021-01-05 cs.CV cs.LG eess.IV
Cov3d: Detection of the presence and severity of COVID-19 from CT scans using 3D ResNets
Melbourne Data Analytics Platform（墨尔本数据分析平台）；University of Melbourne（墨尔本大学）
深度学习已被用于辅助医学成像分析。其中一种用途是在检测受试者中的COVID-19时对计算机断层扫描（CT）扫描进行分类。本文介绍了Cov 3d，这是一种三维卷积神经网络，用于从胸部CT扫描中检测COVID 19的存在和严重程度。在具有人类专家注释的COV 19-CT-DB数据集上进行训练，它在检测COVID 19存在的任务的验证集上实现了0.9476的宏f1得分。对于COVID 19严重程度的分类任务，它实现了0.7552的宏观f1评分。这两项结果都比2022年“人工智能医学图像分析研讨会和新冠肺炎诊断竞赛”（MIA-COV 19 D）的基线结果有所改善。
2022-07-05 cs.CV cs.LG eess.IV
COVID-19 Pneumonia and Influenza Pneumonia Detection Using Convolutional Neural Networks
Northwestern University（西北大学）
在研究中，我们开发了一种计算机视觉解决方案，以支持诊断放射学区分COVID-19肺炎，流感病毒肺炎和正常生物标志物。COVID-19肺炎的胸片表现被认为是非特异性的，这对识别卷积神经网络（CNN）的最佳架构提出了挑战，该卷积神经网络将在COVID-19和非COVID-19类型肺炎的肺部炎症特征之间进行高灵敏度分类。Rahman（2021）指出，COVID-19放射成像观察到影响诊断过程和影响深度学习检测模型准确性的不可用性和质量问题。由于COVID-19放射成像图像严重缺乏，导致数据不平衡，促使我们使用过采样技术。在这项研究中，我们包括了一组广泛的人类肺部X射线成像（CXR）与COVID-19肺炎，流感病毒肺炎和正常的生物标志物，以实现可扩展和准确的CNN模型。在研究的实验阶段，我们评估了各种卷积网络架构，选择了具有两个传统卷积层和两个具有最大函数的池化层的顺序卷积网络。在分类性能方面，表现最好的模型验证准确率为93%，F1得分为0.95。我们选择Azure机器学习服务来执行网络实验和解决方案部署。自动缩放计算集群在网络训练中提供了显着的时间减少。我们希望看到人工智能和人类生物学领域的科学家合作并扩展拟议的解决方案，以提供快速和全面的诊断，有效地减轻病毒的传播
2021-12-14 cs.CV cs.LG eess.IV
Was there COVID-19 back in 2012? Challenge for AI in Diagnosis with Similar Indications
Emory School of Medicine（埃默里医学院）；MentorGraphics Indian Pvt. Ltd.（MentorGraphics印度私人有限公司）；K. N. Toosi University of Technology（K.N.托西理工大学）；EMORY Hospital（埃默里医院）
目的：自最近COVID-19爆发以来，有大量研究论文将基于深度学习的图像处理应用于胸部X光片以检测疾病。在外部数据集上测试CXR COVID-19诊断的两个顶级模型的性能，以评估模型的可推广性。方法：在本文中，我们提出了我们关于现有深度学习模型用于COVID-19诊断的效率和适用性的论点。我们提供了两个流行模型的结果- COVID-Net和CoroNet，它们是在三个公开数据集上进行评估的，以及2020年1月至5月期间从EMORY医院收集的额外机构数据集，其中包含使用RT-PCR检测COVID-19感染的患者。结果：在ChexPert（55.3%）和MIMIC-CXR（23.4%）数据集上，COVID-Net都有很大的假阳性率（FPR）。在EMORY数据集上，COVID-Net的灵敏度为61.4%，F1评分为0.54，精确度为0.49。CoroNet模型的FPR在所有数据集中均显著低于COVID-Net - EMORY（9.1%）、ChexPert（1.3%）、ChestX-ray 14（0.02%）和MIMIC-CXR（0.06%）。结论：这些模型在其内部数据集上表现良好，但我们从测试中观察到，它们在外部数据上的表现急剧恶化。这可能有几个原因，包括由于缺乏适当的对照患者和地面真实标签而过度拟合模型。第四个机构数据集使用RT-PCR标记，其可以是阳性而没有放射学发现，反之亦然。因此…
2020-06-23 cs.CV cs.LG eess.IV
Comparative performance analysis of the ResNet backbones of Mask RCNN to segment the signs of COVID-19 in chest CT scans
Ghulam Ishaq Khan Institute of Engineering Sciences and Technology（古拉姆·伊沙克·汗工程科学与技术学院）
COVID-19对全球的死亡人数和危重患者人数的增加造成了不利影响。根据联合国开发计划署（UNDP）针对COVID-19危机的社会经济计划，这场大流行病远远不止是一场健康危机：它正在影响社会和经济的核心。作为COVID-19诊断的一部分，基于胸部X射线的成像技术最近有了更大的发展，特别是使用卷积神经网络（CNN）来识别和分类图像。然而，鉴于监督标记的成像数据的限制，医疗诊断的分类和预测风险建模往往会妥协。本文旨在通过在肺部轴向CT（胸部计算机断层扫描）扫描中使用深度神经网络来识别和监测COVID-19对人类肺部的影响。我们采用Mask RCNN，以ResNet 50和ResNet 101为骨干，对受COVID-19冠状病毒影响的区域进行细分。使用已经出现症状的人类肺部区域，该模型将患者的状况分类为“轻度”或“警报”。此外，该模型被部署在谷歌云平台（GCP）上，以模拟模型的在线使用，以进行性能评估和准确性提高。ResNet 101主干模型产生0.85的F1分数和更快的预测分数，每个推理的平均时间为9.04秒。
2020-08-21 cs.CV cs.LG eess.IV
Semi-supervised Learning for COVID-19 Image Classification via ResNet
Prairie View A&M University, Texas A&M University System（德州农工大学系统草原风光农工大学）
2019冠状病毒病（COVID-19）是一种持续的全球大流行病，在200多个国家和地区肆虐，引起国际社会对公共卫生的极大关注。X射线成像数据分析可在及时准确筛查和抗击COVID-19方面发挥关键作用。监督式深度学习已成功应用于从X射线成像数据集中识别COVID-19病理。然而，它需要大量带注释的X射线图像来训练模型，这通常不适用于新出现的事件（例如COVID-19爆发）的数据分析，特别是在爆发的早期阶段。为了解决这一挑战，本文提出了一种基于残差神经网络（ResNet）的双路径半监督深度学习模型ssResNet，用于COVID-19图像分类，其中两条路径分别指有监督路径和无监督路径。此外，我们设计了一个加权监督损失，在训练过程中为少数类分配更高的权重，以解决数据不平衡问题。在大规模X射线图像数据集COVIDx上的实验结果表明，即使在很少的标记训练图像上训练，该模型也可以实现有希望的性能。
2021-04-01 cs.CV cs.LG eess.IV
Empowering Medical Imaging with Artificial Intelligence: A Review of Machine Learning Approaches for the Detection, and Segmentation of COVID-19 Using Radiographic and Tomographic Images
本文综述了利用机器学习对CT和X射线影像进行COVID-19检测、分类与分割的方法，强调其在辅助放射科医生精准诊断和提升效率方面的作用，并展望该技术在医疗领域持续推动疫情管理的潜力。
2024-01-13 cs.CV eess.IV
Automatic Detection of Coronavirus Disease (COVID-19) Using X-ray Images and Deep Convolutional Neural Networks
Zonguldak Bulent Ecevit University（宗古尔达布伦特·埃杰维特大学）
2019年新型冠状病毒病（COVID-19）以中国为起点，在其他国家的人群中迅速传播，根据欧洲疾病预防控制中心的统计，全球病例数接近34，986，502例。由于每天的病例不断增加，医院提供的COVID-19检测试剂盒数量有限。因此，有必要实施自动检测系统作为快速替代诊断选项，以防止COVID-19在人群中传播。在这项研究中，提出了五种基于预训练卷积神经网络的模型（ResNet 50，ResNet 101，ResNet 152，InceptionV 3和Inception-ResNetV 2），用于使用胸部X射线照片检测冠状病毒肺炎感染的患者。我们使用5重交叉验证实现了三种不同的二元分类，分为四类（COVID-19、正常（健康）、病毒性肺炎和细菌性肺炎）。考虑到所获得的性能结果，可以看到预训练的ResNet 50模型在其他四个使用的模型中提供了最高的分类性能（Dataset-1的96.1%准确率，Dataset-2的99.5%准确率和Dataset-3的99.7%准确率）。
2020-10-05 cs.CV cs.LG eess.IV
A modified deep convolutional neural network for detecting COVID-19 and pneumonia from chest X-ray images based on the concatenation of Xception and ResNet50V2
Iran University of Science and Technology（伊朗科技大学）；Sharif University of Technology（谢里夫理工大学）
在本文中，我们已经训练了几个深度卷积网络，并引入了基于两个开源数据集将X射线图像分类为三类的训练技术：正常，肺炎和COVID-19。我们的数据包含180张属于COVID-19感染者的X射线图像，我们试图应用方法来实现最佳结果。在这项研究中，我们引入了一些训练技术，当我们有一个不平衡的数据集（COVID-19病例较少，其他类别的病例较多）时，这些技术可以帮助网络更好地学习。我们还提出了一个神经网络，它是Xception和ResNet 50 V2网络的串联。该网络通过利用由两个强大的网络提取的多个特征来实现最佳精度。为了评估我们的网络，我们在11302张图像上进行了测试，以报告在实际情况下可实现的实际精度。该网络检测COVID-19病例的平均准确率为99.50%，所有类别的总体平均准确率为91.4%。
2021-05-04 cs.CV cs.LG eess.IV
Multi-Task Driven Explainable Diagnosis of COVID-19 using Chest X-ray Images
IIIT-Delhi（印度德里信息技术学院）；IIT Jodhpur（印度焦特布尔理工学院）；Ashwini Hospital（阿什维尼医院）；Ramakant Heart Care Centre（拉马坎特心脏护理中心）；TeleRadiology Solutions（远程放射学解决方案公司）
随着全球COVID-19病例的增加，所有国家都在增加检测数量。虽然RT-PCR试剂盒在几个国家有足够的数量，但其他国家面临着偏远地区检测试剂盒和处理中心有限的挑战。这促使研究人员寻找可靠、易于获得和更快的替代测试方法。胸部X光检查是一种正在被接受的筛查方式。朝着这个方向，本文有两个主要贡献。首先，我们介绍COVID-19多任务网络，这是一个用于COVID-19筛查的自动化端到端网络。所提出的网络不仅预测CXR是否具有COVID-19特征，还对感兴趣区域进行语义分割，以使模型可解释。其次，在医疗专业人员的帮助下，我们手动注释了从ChestXray-14，CheXpert和合并的COVID-19数据集拍摄的9000张正面胸片的肺部区域。此外，还对200张与COVID-19患者有关的胸片进行了注释，以进行语义分割。该数据库将向研究界公布。
2020-08-03 cs.CV cs.LG eess.IV
Lightweight Combinational Machine Learning Algorithm for Sorting Canine Torso Radiographs
University of Victoria（维多利亚大学）；Concordia University（康考迪亚大学）
与人类医学领域取得的巨大技术进步相比，兽医领域缺乏自动化。实施机器学习技术可以缩短自动化过程的任何步骤。本文探讨了这些核心概念，并开始自动化排序射线照片的犬科动物的看法和解剖。这是通过开发一种新的轻量级算法来实现的，该算法的灵感来自AlexNet，Inception和SqueezeNet。事实证明，该模块比SqueezeNet更轻，同时保持比AlexNet，ResNet，DenseNet和SqueezeNet更高的准确性。
2021-02-22 cs.CV cs.LG
DeepCOVID-Fuse: A Multi-modality Deep Learning Model Fusing Chest X-Radiographs and Clinical Variables to Predict COVID-19 Risk Levels
Northwestern University（西北大学）；Northwestern Memorial Hospital（西北纪念医院）
提议：介绍深度学习融合模型DeepCOVID-19，用于预测确诊的2019冠状病毒病（COVID-19）患者的风险水平，并评估预训练融合模型在胸部X线（CXR）或胸部X线照片和临床变量的全部或部分组合上的性能。材料和方法：初始CXR、临床变量和结局（即，收集2020年2月至2020年4月期间的死亡率、插管情况、住院时间、ICU入院情况），以逆转录聚合酶链反应（RT-PCR）检测结果作为参考标准。风险水平由结果决定。融合模型在来自Northwestern Memorial HealthCare系统的1657名患者（年龄：58.30 +/- 17.74;女性：807）上进行了训练，并在428名患者（56.41 +/- 17.03; 190）上进行了验证，并在来自单一医院的439名患者（56.51 +/- 17.78; 205）上进行了测试。在测试集上，使用DeLong测试的受试者工作特征曲线下面积（AUC）和McNemar测试的准确度，精确度，召回率和F1，比较了预训练融合模型在完整或部分模态上的性能。结果如下：在CXR和临床变量上训练的DeepCOVID-DESIGN的准确度为0.658，AUC为0.842，显著优于（p < 0.05）仅在CXR上训练的模型，准确度为0.621，AUC为0.807，仅在临床变量上训练的模型，准确度为0.440，AUC为0.502。仅使用CXR作为输入…
2023-01-20 cs.CV eess.IV
Detection of COVID19 in Chest X-Ray Images Using Transfer Learning
SUIT
本文研究使用VGG-16和VGG-19迁移学习模型自动检测胸部X光图像中的COVID-19，实验证明该方法能有效应对小规模医学数据集的过拟合问题并实现优异分类性能。
2023-04-09 cs.CV eess.IV
Multi-Channel Transfer Learning of Chest X-ray Images for Screening of COVID-19
Opticho（옵티코（Opticho））
2019年新型冠状病毒（COVID-19）在全球迅速蔓延，正在影响整个社会。目前筛查COVID-19患者的金标准测试是聚合酶链反应测试。然而，COVID-19检测试剂盒并不广泛可用且耗时。因此，作为一种替代方法，正在考虑进行胸部X光检查，以进行快速筛查。由于COVID-19在胸部X光片中的表现在特征上各不相同，并且需要专门阅读COVID-19胸部X光片，因此限制了其用于诊断。为了解决放射科医生快速阅读胸部X光片的挑战，我们提出了一个基于ResNet架构的多通道迁移学习模型，以促进COVID-19胸部X光片的诊断。三种基于ResNet的模型使用Dataset_A重新训练（模型a、b和c）数据集_B（4245例肺炎和1763例非肺炎）和数据集_C（184例COVID-19和5824例非COVID 19），以分类（a）正常或患病，（b）肺炎或非肺炎，以及（c）COVID-19或非COVID 19。最后，使用Dataset_D（1579例正常，4245例肺炎和184例COVID-19）对这三个模型进行了集成和微调，以分类正常，肺炎和COVID-19病例。我们的结果表明，集成模型比单一ResNet模型更准确，后者也使用Dataset_D进行了重新训练，因为它为每个类提取了更多相关的语义特征。我们的方法提供了94%的准确率和100%的召回率。因此，我们的方法可能有助于临床医生筛查患者的COVI…
2020-05-12 cs.CV cs.LG eess.IV
COVID-19 Diagnosis: ULGFBP-ResNet51 approach on the CT and the Chest X-ray Images Classification
University of Tabriz（大不里士大学）；Islamic Azad University（伊斯兰阿扎德大学）
提出ULGFBP-ResNet51方法，结合ULBP、Gabor滤波器和ResNet51，用于CT和胸部X射线图像的COVID-19自动诊断，实现高准确率。
2023-12-20 cs.CV eess.IV
A cascade network for Detecting COVID-19 using chest x-rays
新型冠状病毒肺炎疫情在全球范围内的蔓延，对全球医疗资源和防控措施提出了前所未有的挑战。新型冠状病毒不仅会攻击肺部，使其呼吸困难并危及生命，还会攻击心脏、肾脏、大脑和身体其他重要器官，并可能产生后遗症。目前，COVID-19的检测需要通过逆转录-聚合酶链反应（RT-PCR）来实现。然而，许多国家正处于疫情暴发期，医疗资源十分有限。他们无法提供足够数量的基因序列检测，许多患者可能无法及时隔离和治疗。鉴于这种情况，我们研究了深度学习对胸片的分析和诊断能力，并提出了级联SEME-ResNet 50和SEME-DenseNet 169的级联SEMEnet。Cascade-SEMEnet的两个级联网络都采用大输入尺寸和SE结构，并使用MoEx和直方图均衡来增强数据。我们首先使用SEME-ResNet 50筛查胸部X线片，并诊断出三类：正常、细菌性和病毒性肺炎。然后，我们使用SEME-DenseNet 169对病毒性肺炎进行细粒度分类，并确定它是否由COVID-19引起。为了排除非病理特征对网络的影响，我们在SEME-DenseNet 169的训练过程中使用U-Net对数据进行了预处理。结果表明，我们的网络在确定肺炎感染类型方面的准确率为85.6%，在COVID-19的细粒度分类方面的准确率为97.1%。我们使用Grad-CAM将基于模型的判断可视化，帮助医生理解胸片，同时验证有效性。
2020-05-01 cs.CV cs.LG eess.IV
COVID-19 Detection Based on Self-Supervised Transfer Learning Using Chest X-Ray Images
Hokkaido University（北海道大学）
目的：考虑到由于COVID-19大流行而筛查的几名患者，计算机辅助检测在协助临床工作流程效率和降低放射科医生和医疗保健提供者的感染发生率方面具有强大的潜力。由于许多确诊的COVID-19病例存在肺炎的放射学表现，放射学检查可用于快速检测。因此，胸部X线摄影可用于在患者分诊期间快速筛查COVID-19，从而确定患者护理的优先级，以在大流行情况下帮助饱和的医疗设施。研究方法：在本文中，我们提出了一种新的学习方案，称为自监督迁移学习，用于从胸部X射线（CXR）图像中检测COVID-19。我们比较了六种自监督学习（SSL）方法（Cross，BYOL，SimSiam，Simplified，PIRL-jigsaw和PIRL-rotation）。此外，我们还将六个预训练的DCNN（ResNet 18，ResNet 50，ResNet 101，CheXNet，DenseNet 201和InceptionV 3）与所提出的方法进行了比较。我们对最大的开放COVID-19 CXR数据集进行定量评估，并对目视检查提供定性结果。结果：我们的方法实现了调和平均值（HM）得分为0.985，AUC为0.999，四级准确度为0.953。我们还使用可视化技术Grad-CAM++来生成不同类别的CXR图像的可视化解释，以增加可解释性。结论：我们的方法表明，使用迁移学习从自然图像中学习的知识有利于CXR图像的SSL，并…
2022-12-19 cs.CV cs.LG eess.IV
Transfer Learning from an Artificial Radiograph-landmark Dataset for Registration of the Anatomic Skull Model to Dual Fluoroscopic X-ray Images
Newton-Wellesley Hospital and Harvard Medical School（牛顿-韦尔斯利医院与哈佛医学院）；Massachusetts General Hospital and Harvard Medical School（麻省总医院与哈佛医学院）
将3D解剖结构配准到其2D双荧光透视X射线图像是广泛使用的运动跟踪技术。然而，深度学习的实现往往受到缺乏医学图像和地面实况的阻碍。在这项研究中，我们提出了一种使用从人工数据集训练的深度神经网络进行3D到2D配准的迁移学习策略。根据女性受试者的颅脑CT数据自动创建数字重建X线片（DRR）和放射学颅骨标志。它们被用于训练用于界标检测的残差网络（ResNet）和用于消除DRR与实际X射线之间的风格差异的循环生成对抗网络（GAN）。ResNet检测到经历GAN式平移的X射线上的地标，并将其用于实际双荧光镜图像中颅骨3D到2D配准的三角测量优化（具有非正交设置、点X射线源、图像失真和部分捕获的颅骨区域）。在颅颈运动的多个场景中评价配准精度。在行走中，基于学习的颅骨配准的角度/位置误差为3.9 +- 2.1度/ 4.6 +- 2.2 mm。然而，在功能性颈部活动期间，由于在末端位置的双透视图像上成像的颅骨区域过小，因此准确度较低。策略性地增强人工训练数据的方法可以解决复杂的颅骨配准场景，并且有潜力扩展到广泛的配准场景。
2021-08-14 cs.CV eess.IV
Towards Clinical Practice: Design and Implementation of Convolutional Neural Network-Based Assistive Diagnosis System for COVID-19 Case Detection from Chest X-Ray Images
Carebot s.r.o.（Carebot有限责任公司）
早期发现和随后评估肺部疾病发病率的关键工具之一是胸部X线摄影。这项研究提出了一种基于卷积神经网络（CNN）的Carebot Covid应用程序的真实实现，以从胸部X射线（CXR）图像中检测COVID-19。我们提出的模型采用简单直观的应用程序的形式。所用的CNN可作为STOW-RS预测终点部署，以直接实现DICOM查看器。本研究结果表明，基于DenseNet和ResNet架构的深度学习模型可以从CXR图像中检测出SARS-CoV-2，精确度为0.981，召回率为0.962，AP为0.993。
2022-03-20 cs.CV cs.LG eess.IV
Custom Deep Neural Network for 3D Covid Chest CT-scan Classification
Ho Chi Minh University of Science（胡志明市科学大学）
基于胸部的三维CT扫描是目前研究者争论的热点之一。通过CT扫描图像诊断疾病有许多任务，包括Covid 19。在本文中，我们提出了一种自定义并结合深度神经网络来分类3D CT扫描胸部图像的方法。在我们的方法中，我们使用DenseNet 121和ResNet 101两个主干进行实验。在这个提案中，我们将实验分为两个任务，一个是ResNet和DenseNet的两个骨干组合，一个是DenseNet骨干组合。
2021-07-03 cs.CV eess.IV
Self-Supervision and Multi-Task Learning: Challenges in Fine-Grained COVID-19 Multi-Class Classification from Chest X-rays
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
快速准确的诊断对于减轻COVID-19感染的影响至关重要，特别是对于严重病例。已经投入了巨大的努力来开发深度学习方法，以从胸部X光摄影图像中分类和检测COVID-19感染。然而，最近围绕这些方法的临床可行性和有效性提出了一些问题。在这项工作中，我们研究了多任务学习（分类和分割）对CNN区分肺部COVID-19感染的各种表现的能力的影响。我们还采用了自监督预训练方法，即MoCo和inpainting-CXR，以消除对COVID-19分类的昂贵地面实况注释的依赖。最后，我们对模型进行了严格的评估，以评估其部署准备情况，并深入了解从胸部X光片进行细粒度COVID-19多类分类的困难。
2022-06-26 cs.CV cs.LG eess.IV
Equine radiograph classification using deep convolutional neural networks
City University of Hong Kong（香港城市大学）；Hong Kong Jockey Club（香港赛马会）
目的：评估深度卷积神经网络对赛马肢体的一系列48个标准视图的解剖位置和投影进行分类的能力。材料与方法：使用9504张马进口前X光片来训练、验证和测试六种深度学习架构，这些架构可作为开源机器学习框架PyTorch的一部分。结果：ResNet-34达到了0.8408的top-1准确度，大多数（88%）错误分类是由于错误的偏侧性。类激活图表明，关节形态驱动模型决策。结论：深度卷积神经网络能够将马导入前X光片分类为48个标准视图，包括独立于侧标记存在的偏侧性的中度辨别。
2022-04-29 cs.CV
COVID-19 in CXR: from Detection and Severity Scoring to Patient Disease Monitoring
RADLogics Ltd.（RADLogics有限公司）；Tel-Aviv University（特拉维夫大学）
在这项工作中，我们估计了COVID-19患者肺炎的严重程度，并对疾病进展进行了纵向研究。为了实现这一目标，我们开发了一个深度学习模型，用于在胸部X射线（CXR）图像中同时检测和分割肺炎，并推广到COVID-19肺炎。利用分割来计算指示疾病严重程度的“肺炎比率”。疾病严重程度的测量使得能够建立住院患者随时间推移的疾病程度概况。为了验证模型与患者监测任务的相关性，我们开发了一种验证策略，该策略涉及从连续CT扫描合成数字重建X射线照片（DRR-合成X射线）;然后我们将从DRR生成的疾病进展概况与从CT体积生成的疾病进展概况进行了比较。
2021-03-31 cs.CV cs.LG eess.IV
Checklist for responsible deep learning modeling of medical images based on COVID-19 detection studies
Warsaw University of Technology（华沙理工大学）；Medical University of Warsaw（华沙医科大学）；University of Warsaw（华沙大学）
COVID-19疾病的突然爆发和不受控制的传播是当今最重要的全球问题之一。在很短的时间内，它导致了许多用于COVID-19检测的深度神经网络模型的开发，这些模型具有可解释性模块。在这项工作中，我们提出的模型的各个方面进行了系统的分析。我们的分析揭示了在数据采集、模型开发和解释构建的不同阶段所犯的许多错误。在这项工作中，我们概述了在调查机器学习文章中提出的方法，并指出了由于缺乏对放射摄影领域的深入了解而出现的典型错误。我们提出了两个方面的观点：该领域的专家-放射科医生和处理模型解释的深度学习工程师。最终的结果是一份建议清单，其中包含可靠的COVID-19诊断模型所需满足的最低条件。
2021-04-23 cs.CV cs.LG eess.IV
A Deep Learning Approach for the Detection of COVID-19 from Chest X-Ray Images using Convolutional Neural Networks
Birla Institute of Technology and Science, Pilani, Dubai Campus（比尔拉技术与科学学院皮拉尼分校迪拜校区）
COVID-19（冠状病毒）是由严重急性呼吸道综合征冠状病毒2（SARS-CoV-2）引起的持续大流行病。该病毒于2019年12月中旬在中国湖北省武汉市首次被发现，目前已蔓延至全球各地，确诊病例超过7550万例，死亡人数超过167万。由于医疗设施中可用的COVID-19检测试剂盒数量有限，因此开发和实施自动检测系统作为可用于商业规模的COVID-19检测的替代诊断选项非常重要。胸部X线是第一种在COVID-19疾病诊断中发挥重要作用的成像技术。计算机视觉和深度学习技术可以帮助通过胸部X射线图像确定COVID-19病毒。由于大规模带注释图像数据集的高可用性，使用卷积神经网络进行图像分析和分类已经取得了巨大成功。在这项研究中，我们提出了一个深度卷积神经网络，它在五个开放获取的数据集上训练，并具有二进制输出：Normal和Covid。将该模型的性能与四个预训练的基于卷积神经网络的模型（COVID-Net，ResNet 18，ResNet和MobileNet-V2）进行比较，可以看出，与其他四个预训练模型相比，所提出的模型在验证集上提供了更好的准确性。这项研究工作提供了有前途的结果，可以进一步即兴发挥和实施的商业规模。
2022-01-24 cs.CV cs.LG eess.IV
Deep Learning COVID-19 Features on CXR using Limited Training Data Sets
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
在COVID-19全球大流行的情况下，使用人工智能分析胸部X光（CXR）图像以进行COVID-19诊断和患者分诊变得越来越重要。不幸的是，由于COVID-19大流行的紧急性质，很难系统地收集CXR数据集用于深度神经网络训练。为了解决这个问题，在这里，我们提出了一种基于补丁的卷积神经网络方法，其可训练参数相对较少，用于COVID-19诊断。所提出的方法的灵感来自于我们对CXR射线照片的潜在成像生物标志物的统计分析。实验结果表明，我们的方法达到了最先进的性能，并提供了临床可解释的显着性图，这是有用的COVID-19的诊断和病人分诊。
2020-05-05 cs.CV cs.LG eess.IV
COVID-CT-MD: COVID-19 Computed Tomography (CT) Scan Dataset Applicable in Machine Learning and Deep Learning
Concordia University（康考迪亚大学）；McGill University Health Center-Research Institute（麦吉尔大学健康中心研究所）；Sunnybrook Health Sciences Centre（桑尼布鲁克健康科学中心）；University of Toronto（多伦多大学）；University of Montreal（蒙特利尔大学）；Iran University of Medical Science（伊朗医科大学）
新型冠状病毒（COVID-19）自2019年底出现以来，已严重影响200多个国家，影响数百万人，夺去近100万人的生命。这种高度传染性的疾病很容易传播，如果不及时控制，可能会迅速使医疗系统瘫痪。目前的标准诊断方法，逆转录聚合酶链反应（RT-PCR），是耗时，并受到低灵敏度。胸部X光片（CXR）是第一种使用的成像方式，很容易获得，并立即给出结果。然而，众所周知，它的灵敏度低于计算机断层扫描（CT），后者可以有效地用于补充其他诊断方法。本文介绍了一个新的COVID-19 CT扫描数据集，称为COVID-CT-MD，不仅包括COVID-19病例，还包括健康和社区获得性肺炎（CAP）感染的受试者。COVID-CT-MD数据集带有肺叶级、切片级和患者级标签，有可能促进COVID-19研究，特别是COVID-CT-MD可以帮助开发基于先进机器学习（ML）和深度神经网络（DNN）的解决方案。
2020-09-28 cs.CV cs.LG eess.IV
Automated diagnosis of COVID-19 with limited posteroanterior chest X-ray images using fine-tuned deep neural networks
IIIT Allahabad（阿拉哈巴德印度理工学院）
新型冠状病毒2019（COVID-19）是一种类似肺炎的呼吸道综合征。目前COVID-19的诊断程序遵循基于逆转录酶聚合酶链反应（RT-PCR）的方法，但在初始阶段识别病毒的敏感性较低。因此，需要一种更鲁棒和替代的诊断技术。最近，随着由计算机断层扫描（CT）和胸部X射线（CXR）成像组成的冠状病毒阳性患者公开数据集的发布;科学家、研究人员和医疗保健专家正在通过识别肺部感染来为更快、自动化地诊断COVID-19做出贡献使用深度学习方法实现更好的治愈和治疗。这些数据集与COVID-19阳性病例有关的样本有限，这对无偏见的学习提出了挑战。在此基础上，本文提出了一种基于随机过采样和加权类损失函数的无偏微调学习方法在各种最先进的深度学习方法（如基线ResNet，Inception-v3，Inception ResNet-v2，DenseNet 169和NASNetLarge）中使用迁移学习来执行二进制分类（如正常和COVID-19病例）以及后前CXR图像的多类分类（如COVID-19、肺炎和正常病例）。准确度、精确度、召回率、损失和曲线下面积（AUC）用于评估模型的性能。考虑到实验结果，每个模型的性能是场景依赖的，但是，NASNetLarge显示出更好的分数相比，其他架构，这是进一步与其他最近提出的方法。本文还添加了视觉解释，以说明模型分类的基础和CXR图像中COVID-19的感知。
2020-07-21 cs.CV cs.LG eess.IV
A Practical Framework for ROI Detection in Medical Images -- a case study for hip detection in anteroposterior pelvic radiographs
Compal Electronics（仁宝电脑）；Chang Gung Memorial Hospital（长庚纪念医院）；Chang Gung University（长庚大学）
目的感兴趣区域（ROI）的自动检测是许多医学图像应用的关键步骤，例如灌注MRI图像中的心脏ROI检测、胸部X射线中的肺边界检测和骨盆X射线照片中的股骨头检测。因此，我们提出了一个实用的框架感兴趣区检测医学图像，髋关节检测前后（AP）骨盆X光片的案例研究。材料与方法：我们进行了一项回顾性研究，分析了来自三个不同来源的7，399张AP骨盆X线照片中的髋关节，包括长庚纪念医院骨关节炎的4，290张高分辨率X线照片，骨关节炎倡议的3，008张低至中分辨率X线照片，以及来自谷歌图像搜索引擎的101张异质X线照片。我们提出了一个基于深度学习的感兴趣区域检测框架，该框架利用具有ResNet-101主干的单次多盒检测器（SSD）和基于所获得数据集特征的定制头部结构，其基本事实由非医学注释者在简单的图形界面中标记。结果如下：在独立测试集中，我们的方法实现了平均交集大于并集（IoU）=0.8115，平均置信度=0.9812，平均精度阈值IoU=0.5（AP 50）=0.9901，表明检测到的髋关节区域已适当覆盖髋关节的主要特征。结论：该方法具有低成本标记、数据驱动模型设计和异构数据测试的特点。我们已经证明了训练一个强大的髋关节区域检测器AP骨盆X线片的可行性。这个实用的框架具有广阔的医学图像应用的潜力。
2021-03-02 cs.CV eess.IV
COVID-19 Severity Classification on Chest X-ray Images
National Institute of Technology Delhi（德里国家技术学院）；Indian Institute of Technology, Roorkee（印度理工学院鲁尔基分校）
生物医学成像分析结合人工智能（AI）方法已被证明对于诊断COVID-19非常有价值。到目前为止，各种分类模型已用于诊断COVID-19。然而，尚未分析基于其严重程度的患者分类。在这项工作中，我们根据感染的严重程度对新冠病毒图像进行分类。首先，我们使用中值滤波器和直方图均衡化对X射线图像进行预处理。然后使用SMOTE技术增强增强的X射线图像，以实现平衡的数据集。然后使用预训练的Resnet 50，VGG 16模型和SVM分类器进行特征提取和分类。分类模型的结果证实，与替代方案相比，对于胸部X射线图像，ResNet-50模型在准确率（95%）、召回率（0.94）、F1-Score（0.92）和精确度（0.91）方面产生了显著的分类结果。
2022-05-25 cs.CV eess.IV
Exploration of Interpretability Techniques for Deep COVID-19 Classification using Chest X-ray Images
Otto von Guericke University Magdeburg（马格德堡奥托·冯·格里克大学）；University of Barcelona（巴塞罗那大学）；Universitätsklinikum Erlangen（埃尔兰根大学医院）；Apollo Hospitals（阿波罗医院）；HCG Cancer Centre（HCG癌症中心）；Computer Vision Centre（计算机视觉中心）
本研究探索了五种深度学习模型及其集成在胸部X射线图像上分类COVID-19的可解释性，通过局部和全局技术比较，发现ResNets最可解释，并强调了可解释性方法在模型选择中的重要性。
2024-01-24 cs.CV cs.LG eess.IV
COVID-19 Detection in Computed Tomography Images with 2D and 3D Approaches
Sabanci University（萨班哲大学）；University of Surrey（萨里大学）；Urbanstat；Istanbul University-Cerrahpaşa（伊斯坦布尔大学-切拉赫帕夏）
在计算机断层扫描（CT）或放射摄影图像中检测COVID-19已被提议作为确定性RT-PCR检测的补充。我们提出了一种用于检测COVID-19感染的深度学习集成，结合了基于切片（2D）和基于体积（3D）的方法。2D系统独立检测每个CT切片上的感染，通过不同的方法（平均和长短期记忆网络）将它们组合起来以获得患者级别的决策。3D系统将整个CT体积一步到位，以达到患者级决策。在这项工作中还收集了一个新的高分辨率胸部CT扫描数据集，称为IST-C数据集。所提出的集成，称为IST-CovNet，在正常对照和其他类型的肺部病变中检测COVID-19时，在IST-C数据集上获得了90.80%的准确性和0.95的AUC评分;在公共可用的MosMed数据集上获得了93.69%的准确性和0.99的AUC评分，该数据集仅由COVID-19扫描和正常对照组成。该系统部署在伊斯坦布尔大学塞拉帕萨医学院。
2021-05-20 cs.CV cs.LG eess.IV
Performance or Trust? Why Not Both. Deep AUC Maximization with Self-Supervised Learning for COVID-19 Chest X-ray Classifications
National Research Council Canada（加拿大国家研究委员会）；University of Waterloo（滑铁卢大学）
有效的表示学习是提高医学图像分析模型性能的关键。在训练深度学习模型时，通常必须在性能和信任之间做出妥协，这两者对于医疗应用都是必不可少的。此外，使用交叉熵损失优化的模型往往会在多数类中遭受不必要的过度自信，而在少数类中则会过度谨慎。在这项工作中，我们将新的替代损失与自监督学习相结合，使用放射摄影图像对COVID-19患者进行计算机辅助筛查。此外，我们采用了一种新的量化分数来衡量模型的可信度。对特征学习方法和损失函数的性能和信任度进行了消融研究。比较表明，在自监督模型上利用新的代理损失可以产生高性能和值得信赖的标签效率网络。
2021-12-14 cs.CV cs.LG eess.IV
Fused Deep Convolutional Neural Network for Precision Diagnosis of COVID-19 Using Chest X-Ray Images
Christian Brothers University（基督教兄弟大学）；University of Dayton（代顿大学）
随着全球冠状病毒病（COVID-19）病例数超过1000万，对诊断能力的需求增加。提高诊断能力的主要变量是降低成本、周转或诊断时间以及前期设备成本和可获得性。机器学习COVID-19诊断的两个候选方法是计算机断层扫描（CT）扫描和胸部X光平片。虽然CT扫描的灵敏度更高，但与普通胸部X射线相比，它们具有更高的成本，维护要求和周转时间。美国放射学会（ACR）推荐使用便携式胸部X射线摄影（CXR），因为使用CT会给放射学服务带来巨大负担。因此，X射线图像与机器学习技术相结合被提议作为COVID-19诊断的一线分诊工具。在本文中，我们提出了一种计算机辅助诊断（CAD），通过微调在ImageNet数据集上预训练的几个神经网络（ResNet 18，ResNet 50，DenseNet 201）来准确分类COVID-19和正常受试者的胸部X射线扫描。这些神经网络融合在一个并行的架构和投票标准的候选对象类之间的最终分类决策，其中每个神经网络的输出是代表一个单一的投票。在弱标记COVID-19-CT-CXR数据集上进行了几项实验，该数据集由从PubMed Central Open Access子集中提取的263张COVID-19 CXR图像与25张正常分类CXR图像组成。这些实验显示了一个乐观的结果和能力，该模型优于许多国家的最先进的算法在几个措施。使用k折交叉验证和装袋分类器集成，我们实现了99.…
2020-09-15 cs.CV cs.LG eess.IV
POTHER: Patch-Voted Deep Learning-Based Chest X-ray Bias Analysis for COVID-19 Detection
Warsaw University of Technology（华沙理工大学）；Sano Centre for Computational Medicine（萨诺计算医学中心）；Jagiellonian University（雅盖隆大学）；Tooploox
抗击COVID-19的关键一步是有效筛查出现严重COVID-19症状的诊所患者，COVID-19继续对人们的生活产生灾难性影响。胸部X线摄影是一种很有前途的筛查方法。许多研究报告使用深度学习在胸部X光中准确检测COVID-19。许多已发表的方法的一个严重局限性是对解释深度学习模型所做的决定关注不够。使用可解释的人工智能方法，我们证明了模型决策可能依赖于混杂因素，而不是医学病理学。在分析了胸部X射线图像上发现的潜在混杂因素后，我们提出了一种新的方法来最大限度地减少其负面影响。我们表明，我们提出的方法是更强大的比以前的尝试，以对抗混淆因素，如心电图导联在胸部X射线，往往影响模型的分类决策。除了鲁棒性之外，我们的方法还实现了与最先进技术相当的结果。源代码和预训练的权重可在（https：//github.com/tomek1911/POTHER）公开获得。
2022-08-08 cs.CV cs.LG eess.IV
COVID-19 Detection from Chest X-ray Images using Imprinted Weights Approach
Digital Technologies Research Centre, National Research Council of Canada（加拿大国家研究委员会数字技术研究中心）；University of Waterloo（滑铁卢大学）
COVID-19疫情对全球人口的福祉造成了毁灭性影响。大流行之所以如此突出，部分原因是病毒及其变种的感染率很高。作为应对措施，阻止感染的最有效方法之一是快速诊断。主流的筛选方法，逆转录-聚合酶链反应（RT-PCR），是费时，费力和供不应求。胸部X光检查是COVID-19的替代筛查方法，而计算机辅助诊断（CAD）已被证明是低成本和快速的可行解决方案;然而，训练CAD模型的挑战之一是训练数据数量有限，尤其是在大流行开始时。当迫切需要快速和廉价的诊断方法来消除感染曲线时，这一点就显得尤为突出。为了应对这一挑战，我们建议使用一种名为印记权重的低射击学习方法，利用来自肺炎等已知疾病的丰富样本来提高COVID-19的检测性能。
2021-05-04 cs.CV cs.LG eess.IV
Res-Dense Net for 3D Covid Chest CT-scan classification
Ho Chi Minh University of Science（胡志明市科学大学）
医学图像预处理中最有争议的研究领域之一是3D CT扫描。随着COVID-19的迅速传播，CT扫描在正确和快速诊断疾病方面的作用变得至关重要。它对预防感染有积极的影响。通过CT扫描图像诊断疾病有许多任务，包括COVID-19。在本文中，我们提出了一种使用堆叠深度神经网络通过一系列3D CT扫描图像检测Covid 19的方法。在我们的方法中，我们使用两个主干进行实验，分别是DenseNet 121和ResNet 101。该方法在某些评价指标上取得了较好的效果
2022-08-09 cs.CV cs.LG eess.IV
Diagnosis of COVID-19 based on Chest Radiography
Universiti Malaysia Perlis（马来西亚玻璃市大学）
2019冠状病毒病（COVID-19）于2019年12月初首次在中国武汉发现，目前已成为大流行病。当COVID-19患者接受放射线检查时，放射科医生可以从他们的胸部X光（CXR）图像中观察到放射线异常的存在。在这项研究中，提出了一种深度卷积神经网络（CNN）模型，以帮助放射科医生诊断COVID-19患者。首先，这项工作对修改后的VGG-16，ResNet-50和DenseNet-121的性能进行了比较研究，以将CXR图像分类为正常，COVID-19和病毒性肺炎。然后，图像增强对分类结果的影响进行了评估。在整个研究过程中使用了公开可用的COVID-19放射学数据库。经过比较，ResNet-50的准确率最高，为95.88%。接下来，在使用旋转，平移，水平翻转，强度偏移和缩放增强数据集训练ResNet-50后，准确率下降到80.95%。此外，一项关于图像增强对分类结果影响的消融研究发现，旋转和强度偏移增强方法的组合获得了高于基线的准确度，为96.14%。最后，具有旋转和强度偏移增强的ResNet-50表现最好，并被提议作为这项工作的最终分类模型。这些发现表明，所提出的分类模型可以为COVID-19诊断提供有希望的结果。
2022-12-26 cs.CV cs.LG eess.IV
Medical Image Classification on Imbalanced Data Using ProGAN and SMA-Optimized ResNet: Application to COVID-19
Department of Mechatronics, School of Intelligent Systems College of Interdisciplinary Science and Technology University of Tehran（塔里克大学机械工程系、智能系统学院跨学科科学与技术学院）；School of Science and Technology Faculty of Science, Agriculture, Business and Law University of New England（新英格兰大学科学与技术学院科学、农业、商业与法学院）
本文提出基于ProGAN和SMA优化的ResNet模型，用于解决医学图像分类中的不平衡数据问题，通过生成合成数据和优化超参数，提升新冠肺炎检测的准确率。
2025-12-30 cs.CV cs.LG
Human Gender Prediction Based on Deep Transfer Learning from Panoramic Radiograph Images
Dicle University（迪杰莱大学）
全景牙科X线摄影（PDR）图像处理是法医学中最广泛使用的性别鉴定方法之一。在PDR图像的帮助下，可以通过分析表达两性异形的骨骼结构来执行人的生物性别确定。手动方法需要以公制单位测量广泛的下颌骨参数。除了耗时外，这些方法还需要雇用有经验的专业人员。在这种背景下，深度学习模型由于其高处理速度，准确性和稳定性而广泛用于放射图像的自动分析。在我们的研究中，准备了一个由24，000个牙科全景图像组成的数据集用于二进制分类，并使用迁移学习方法来加速训练并提高我们提出的DenseNet121深度学习模型的性能。使用迁移学习方法，而不是从头开始学习过程，而是使用预先学习的现有模式。使用深度迁移学习（DTL）模型VGG16、ResNet50和EfficientNetB6进行了广泛的比较，以评估所提出的模型在PDR图像中的分类性能。根据比较分析的结果，该模型优于其他方法，实现了97.25%的成功率在性别分类。
2022-08-06 cs.CV eess.IV
Detection of Covid-19 From Chest X-ray Images Using Artificial Intelligence: An Early Review
UOM；UPEC
2019年，由于新出现的冠状病毒（COVID-19），整个世界都面临着卫生紧急情况。近196个国家受到COVID-19的影响，而美国、意大利、中国、西班牙、伊朗和法国的COVID-19活跃病例最多。医疗及保健部门在延迟检测COVID-19方面所面临的问题。设计了几个基于人工智能的系统，用于使用胸部X光自动检测COVID-19。在本文中，我们将讨论用于检测COVID-19的不同方法以及我们面临的挑战。必须开发自动检测系统，以防止通过接触传播病毒。几种深度学习架构被部署用于COVID-19的检测，如ResNet，Inception，Googlenet等。所有这些方法都在检测患有肺炎的受试者，而很难确定肺炎是由COVID-19引起的还是由于任何其他细菌或真菌的攻击。
2020-04-11 cs.CV cs.LG eess.IV
COVID-Net: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest X-Ray Images
University of Waterloo（滑铁卢大学）；Waterloo Artificial Intelligence Institute（滑铁卢人工智能研究所）；DarwinAI Corp.（达尔文人工智能公司）
COVID-19疫情继续对全球人口的健康和福祉造成破坏性影响。抗击COVID-19的关键一步是对感染患者进行有效筛查，其中关键筛查方法之一是使用胸部X光检查进行放射学检查。受此启发，并受到研究界开源努力的启发，在这项研究中，我们介绍了COVID-Net，这是一种深度卷积神经网络设计，专为从胸部X射线（CXR）图像中检测COVID-19病例而量身定制，是开源的，可供公众使用。据作者所知，COVID-Net是最初发布时用于从CXR图像检测COVID-19的首批开源网络设计之一。我们还介绍了COVIDx，这是一个开放获取的基准数据集，我们生成了13，870例患者病例的13，975张CXR图像，据作者所知，其中公开的COVID-19阳性病例数量最多。此外，我们研究了COVID-Net如何使用可解释性方法进行预测，不仅试图更深入地了解与COVID病例相关的关键因素，这可以帮助临床医生改进筛查，而且还以负责任和透明的方式审核COVID-Net，以验证它是根据CXR图像的相关信息做出决策的。这绝不是一个生产就绪的解决方案，希望开放访问COVID-Net以及构建开源COVIDx数据集的描述将被研究人员和公民数据科学家利用和建立，以加速开发高度准确但实用的深度学习解决方案，用于检测COVID-19病例，并加速对最需要的人的治疗。
2020-05-11 cs.CV cs.LG eess.IV
2D and 3D CNN-Based Fusion Approach for COVID-19 Severity Prediction from 3D CT-Scans
University Paris-Est Creteil（巴黎东克雷泰伊大学）；University of the Basque Country UPV/EHU（巴斯克大学（UPV/EHU））
自2019年底COVID-19出现以来，COVID-19已成为人工智能（AI）社区的一个活跃研究课题。最有趣的人工智能主题之一是新冠肺炎医学成像分析。CT扫描成像是关于这种疾病的最有用的工具。这项工作是第三届COV 19 D竞赛的一部分，用于COVID-19严重程度预测。为了解决验证和测试结果之间的巨大差距，我们建议将2D和3D CNN预测相结合。对于2D CNN方法，我们提出了2B-InceptResnet架构，该架构由两条路径组成，分别用于分割肺部和感染输入CT扫描的所有切片。每个路径由ImageNet上的ConvLayer和Inception-ResNet预训练模型组成。对于3D CNN方法，我们提出了混合DeCoVNet架构，该架构由四个模块组成：Stem，四个3D-ResNet层，分类头和决策层。在第三届COV 19 D竞赛的验证数据中，我们提出的方法在Covid-19严重程度预测方面优于基线方法36%。
2023-03-15 cs.CV eess.IV
Sensitivity and Specificity Evaluation of Deep Learning Models for Detection of Pneumoperitoneum on Chest Radiographs
Dartmouth College（达特茅斯学院）；Dartmouth-Hitchcock Medical Center（达特茅斯-希区柯克医疗中心）
背景：深度学习在帮助检测和分类医学图像上的气腹等关键发现方面具有巨大的潜力。为了在临床上有用，该技术的性能仍然需要验证在不同类型的成像系统中的通用性。材料与方法：这项回顾性研究包括2011年至2019年期间在13家不同医院接受初次胸部X线摄影的患者的1，287张胸部X线图像。由四名放射科专家将胸部X线图像独立标记为气腹阳性或阴性。最先进的深度学习模型（ResNet101，InceptionV3，DenseNet161和ResNeXt101）在该数据集的一个子集上进行了训练，并通过测量每个模型的AUC，灵敏度和特异性来评估其余数据集的自动分类性能。此外，通过根据所用成像系统的类型对测试数据集进行分层，评估了这些深度学习模型的可推广性。结果如下：所有深度学习模型在识别具有气腹的X光照片方面表现良好，而DenseNet161实现了最高的AUC 95.7%，特异性89.9%和灵敏度91.6%。DenseNet161模型能够准确地对来自不同成像系统的X光片进行分类（准确率：90.8%），而它是在来自单个机构的特定成像系统捕获的图像上进行训练的。这一结果表明，我们的模型学习胸部X射线图像中的显着特征，以检测气腹，独立的成像系统的推广。
2020-10-17 cs.CV eess.IV
Study of Different Deep Learning Approach with Explainable AI for Screening Patients with COVID-19 Symptoms: Using CT Scan and Chest X-ray Image Dataset
University of Oklahoma（俄克拉荷马大学）；University of Memphis（孟菲斯大学）；Marquette University（马凯特大学）
COVID-19疫情爆发至今仅在美国就造成超过10万人死亡。有必要对有COVID-19疾病症状的患者进行初步筛查，以控制疾病的传播。然而，由于患者数量的增长，使用可用的检测试剂盒进行检测变得费力。一些研究提出CT扫描或胸部X线图像作为替代解决方案。因此，必须利用一切可用资源，而不是CT扫描或胸部X光同时进行大量测试。因此，本研究旨在开发一种基于深度学习的模型，该模型可以在CT扫描和胸部X射线图像数据集上更准确地检测COVID-19患者。在这项工作中，八种不同的深度学习方法，如VGG 16，InceptionResNetV 2，ResNet 50，DenseNet 201，VGG 19，MobilenetV 2，NasNetMobile和ResNet 15 V2，已经在两个数据集上进行了测试-一个数据集包括400张CT扫描图像，另一个数据集包括400张胸部X射线图像。此外，局部可解释模型不可知解释（LIME）被用来解释模型的可解释性。使用LIME，测试结果表明，可以解释本应用于构建信任AI框架的顶级特征，以区分具有COVID-19症状的患者与其他患者。
2020-07-24 cs.CV cs.LG eess.IV
CoVid-19 Detection leveraging Vision Transformers and Explainable AI
IIIT Naya Raipur（印度理工学院奈拉布尔分校）；BMW Group Information Technology Research Center（宝马集团信息技术研究中心）
本文提出基于视觉Transformer的端到端框架，采用紧凑卷积Transformer（CCT）在COVID-19 Radiography Database上检测肺炎、COVID-19等肺部疾病，并取得较好训练与验证准确率。
2024-05-06 cs.CV eess.IV
DeepCOVIDExplainer: Explainable COVID-19 Diagnosis Based on Chest X-ray Images
Fraunhofer FIT（弗劳恩霍夫应用信息技术研究所）；RWTH Aachen University（亚琛工业大学）；German National Library of Medicine（德国国家医学图书馆）；University of Cologne（科隆大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
在冠状病毒病（COVID-19）大流行期间，全球人类感染人数迅速增加。在抗击病毒的斗争中，医院面临的挑战是对新来的病人进行有效的筛查。一种方法是胸部X射线摄影（CXR）图像的评估，这通常需要放射科专家的知识。在本文中，我们提出了一种基于可解释深度神经网络（DNN）的方法，用于从CXR图像中自动检测COVID-19症状，我们称之为DeepCOVIDExplainer。我们使用了15，854名患者的15，959张CXR图像，包括正常，肺炎和COVID-19病例。首先对CXR图像进行全面的预处理，然后使用神经集成方法进行增强和分类，然后使用梯度引导类激活图（Grad-CAM++）和逐层相关传播（LRP）突出显示类区分区域。此外，我们还提供了人类可解释的预测解释。基于保留数据的评估结果表明，我们的方法可以自信地识别COVID-19，阳性预测值（PPV）为91.6%，92.45%和96.12%;对于正常、肺炎和COVID-19病例，准确率、召回率和F1评分分别为94.6%、94.3%和94.6%，使其与最近的方法相比具有可比性或改进的结果。我们希望我们的研究结果将为抗击COVID-19做出有益的贡献，更广泛地说，将有助于在临床实践中越来越多地接受和采用人工智能辅助应用。
2020-06-06 cs.CV cs.LG eess.IV
Deep-COVID: Predicting COVID-19 From Chest X-Ray Images Using Deep Transfer Learning
Snap Inc.（Snap 公司）；Isfahan University of Medical Sciences（伊斯法罕医科大学）；The University of Iowa（爱荷华大学）；Isfahan University of Technology（伊斯法罕理工大学）
COVID-19大流行正在全球150多个国家引发大规模疫情，对全球许多人的健康和生活造成严重影响。抗击COVID-19的关键步骤之一是能够及早发现受感染的患者，并对他们进行特殊护理。从放射学和放射学图像中检测这种疾病可能是诊断患者的最快方法之一。早期的一些研究显示，感染COVID-19的患者的胸部X光片出现了特定的异常。受早期工作的启发，我们研究了深度学习模型在从胸部X光摄影图像中检测COVID-19患者方面的应用。我们首先从公开可用的数据集中准备了5，000个胸部X射线的数据集。显示COVID-19疾病存在的图像由委员会认证的放射科医生识别。对2,000张放射照片的子集进行迁移学习，用于训练四种流行的卷积神经网络，包括ResNet 18、ResNet 50、SqueezeNet和DenseNet-121，以识别分析的胸部X射线图像中的COVID-19疾病。我们在剩下的3,000张图像上评估了这些模型，其中大多数网络的灵敏度达到了98%（$\pm$ 3%），而特异度约为90%。除了敏感度和特异度外，我们还提供了每个模型的受试者工作特征（ROC）曲线，精确度-召回曲线，平均预测值和混淆矩阵。我们还使用了一种技术来生成可能被COVID-19感染的肺部区域的热图，并显示生成的热图包含了我们的委员会认证放射科医生注释的大部分感染区域。虽然取得的表现非常令人鼓舞，但需要对更大的COVID-1…
2020-07-21 cs.CV
Ensemble CNN models for Covid-19 Recognition and Severity Perdition From 3D CT-scan
University of the Basque Country UPV/EHU（巴斯克大学（UPV/EHU））
自2019年底COVID-19出现以来，COVID-19已成为人工智能（AI）社区的一个活跃研究课题。最有趣的人工智能主题之一是新冠肺炎医学成像分析。CT扫描成像是关于这种疾病的最有用的工具。这项工作是第二届COV 19 D竞赛的一部分，其中设置了两个挑战：从CT扫描中检测COVID-19和COVID-19严重程度检测。为了从CT扫描中检测Covid-19，我们提出了一种具有Densenet-161模型的2D卷积块的集成。在这里，每个具有Densenet-161架构的2D卷积块都是单独训练的，在测试阶段，集成模型基于它们的概率平均值。另一方面，我们提出了卷积层与初始模型的集成，用于Covid-19严重程度检测。除了卷积层之外，还使用了三个Inception变体，即Inception-v3，Inception-v4和Inception-Resnet。在第二届COV 19 D竞赛的验证数据中，我们提出的方法在Covid-19检测和Covid-19严重程度检测方面分别优于基线方法11%和16%。
2022-06-29 cs.CV cs.LG eess.IV
Experiments of Federated Learning for COVID-19 Chest X-ray Images
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Hainan University（海南大学）；University of Macau（澳门大学）
AI在COVID-19识别中发挥着重要作用。计算机视觉和深度学习技术可以通过胸部X光图像帮助确定COVID-19感染。但出于对患者隐私的保护和尊重，医院的具体医疗相关数据未经允许不允许泄露和共享。收集此类培训数据是一项重大挑战。在一定程度上，这导致在执行深度学习方法以检测COVID-19时缺乏足够的数据样本。联合学习是解决这个问题的一种有效方法。它可以有效地解决数据孤岛问题，并在不获取本地数据的情况下获得共享模型。在这项工作中，我们提出了使用联邦学习进行COVID-19数据训练，并部署实验来验证其有效性。我们还比较了四种流行模型（MobileNet，ResNet 18，MoblieNet和COVID-Net）在使用联邦学习框架和不使用框架的情况下的性能。这项工作旨在激发更多关于COVID-19联邦学习的研究。
2020-07-05 cs.CV cs.LG eess.IV
Deep Learning for Reliable Classification of COVID-19, MERS, and SARS from Chest X-Ray Images
Qatar University（卡塔尔大学）；Universiti Kebangsaan Malaysia（马来西亚国民大学）
新型冠状病毒病（COVID-19）是一种传染性极强且传播迅速的冠状病毒感染。2002年和2011年爆发的严重急性呼吸系统综合征（SARS）和中东呼吸系统综合征（MERS）以及目前的COVID-19大流行都来自同一个冠状病毒家族。这项工作旨在使用深度卷积神经网络（CNN）对COVID-19，SARS和MERS胸部X射线（CXR）图像进行分类。创建了一个独特的数据库，即所谓的QU-COVID-family，由423张COVID-19，144张MERS和134张SARS CXR图像组成。此外，提出了一种鲁棒的COVID-19识别系统，以使用CNN分割模型（U-Net）识别肺部区域，然后使用预训练的CNN分类器将分割的肺部图像分类为COVID-19、MERS或SARS。此外，Score-CAM可视化方法用于可视化分类输出并理解深度CNN决策背后的推理。几个深度学习分类器进行了训练和测试;报告了四个表现出色的算法。原始图像和预处理图像被单独使用，并一起作为网络的输入。两种识别方案被认为是：平原CXR分类和分段CXR分类。对于普通CXR，观察到InceptionV 3优于其他具有3通道方案的网络，并分别实现了99.5%，93.1%和97%的COVID-19，MERS和SARS图像分类灵敏度。相比之下，对于分割的CXR，InceptionV 3优于使用原始CXR数据集，并分别实现了96.94%，…
2021-06-01 cs.CV cs.LG eess.IV
