BIMCV COVID-19 +：来自COVID-19患者的RX和CT图像的大型注释数据集

多任务驱动下基于胸部X线影像的COVID-19可解释性诊断

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。

2020-08-03cs.CVcs.LGeess.IV

迈向数据高效学习：COVID-19 CT肺部和感染分割的基准

Towards Data-Efficient Learning: A Benchmark for COVID-19 CT Lung and Infection Segmentation

Nanjing University of Science and Technology（南京理工大学）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；China Electronics Cloud Brain (Tianjin) Technology CO., LTD（中电云脑（天津）科技有限公司）；Jiangsu University of Technology（江苏理工学院）；Fudan University（复旦大学）；University of Toronto（多伦多大学）；Nanjing Drum Tower Hospital, the Affiliated Hospital of Nanjing University Medical School（南京大学医学院附属鼓楼医院）；Lenovo Ltd.（联想集团）；Nanjing University（南京大学）

目的：在COVID-19 CT扫描中准确分割肺部和感染在患者的量化管理中起着重要作用。大多数现有的研究都是基于大型的私人注释数据集，这些数据集从单个机构获得是不切实际的，特别是当放射科医生忙于对抗冠状病毒疾病时。此外，很难比较当前的COVID-19 CT分割方法，因为它们是在不同的数据集上开发的，在不同的环境中训练，并使用不同的指标进行评估。研究方法：为了促进数据高效的深度学习方法的发展，在本文中，我们基于70个带注释的COVID-19病例构建了三个肺部和感染分割基准，其中包含当前活跃的研究领域，例如，Few-Shot学习、领域泛化和知识转移。为了在不同的分割方法之间进行公平的比较，我们还提供了标准的训练，验证和测试分割，评估指标和相应的代码。结果如下：基于最先进的网络，我们提供了40多个预训练的基线模型，这些模型不仅可以作为开箱即用的分割工具，还可以为对COVID-19肺部和感染分割感兴趣的研究人员节省计算时间。左肺、右肺和感染的平均Dice相似系数（DSC）评分分别为97.3%、97.7%和67.3%，平均归一化表面Dice（NSD）评分分别为90.6%、91.4%和70.0%。结论：据我们所知，这项工作为医学图像分割提供了第一个数据高效的学习基准，以及迄今为止最大数量的预训练模型。所有这些资源都是公开的，我们的工作为促进深度学习方法的发展奠定了基础，以便在有限的数据下有效地进…

2020-12-03cs.CVcs.LGeess.IV

使用卷积神经网络从胸部X射线图像中检测COVID-19的深度学习方法

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。

2022-01-24cs.CVcs.LGeess.IV

基于分层卷积网络的胸部X线图像潜在COVID-19患者分类

Triage of Potential COVID-19 Patients from Chest X-ray Images using Hierarchical Convolutional Networks

CONNECT Centre, Trinity College Dublin（都柏林圣三一大学CONNECT中心）；University of Sindh（信德大学）；Signy Advanced Technologies（西格尼先进技术公司）；Indian Institute of Technology, Dehli（印度理工学院德里分校）；King Faisal University（费萨尔国王大学）

由于测试规模有限，当前的COVID-19大流行促使研究人员使用人工智能技术作为逆转录聚合酶链反应（RT-PCR）的潜在替代品。胸部X射线（CXR）是实现快速诊断的替代方案之一，但大规模注释数据的不可用使得基于机器学习的COVID检测的临床实施变得困难。另一个问题是使用ImageNet预训练的网络，它不能从医学图像中提取可靠的特征表示。在本文中，我们提出使用分层卷积网络（HCN）架构来自然地增强数据以及多样化的特征。HCN使用来自COVIDNet的第一个卷积层，然后是来自已知预训练网络的卷积层来提取特征。使用COVIDNet的卷积层可确保提取与CXR模态相关的表示。我们还建议使用ECOC编码多类问题的二进制分类，以提高识别性能。实验结果表明，HCN架构是能够实现更好的结果相比，现有的研究。所提出的方法可以通过CXR图像准确地对潜在的COVID-19患者进行分诊，以分担测试负载并增加测试容量。

2020-12-15cs.CVcs.LGeess.IV

上下文关系：基于图的医学图像自监督表示学习

Context Matters: Graph-based Self-supervised Representation Learning for Medical Images

University of Pittsburgh（匹兹堡大学）

监督学习方法需要大量的注释数据集。收集这些数据集既耗时又昂贵。到目前为止，很少有带注释的COVID-19成像数据集可用。虽然自监督学习使我们能够通过利用未标记的数据来引导训练，但用于自然图像的通用自监督方法并没有充分结合上下文。对于医学图像，期望的方法应该足够灵敏以检测与每个解剖区域的正常外观组织的偏差;这里，解剖结构是背景。我们介绍了一种新的方法，具有两个层次的自我监督表示学习目标：一个在区域解剖水平上，另一个在患者水平上。我们使用图神经网络来整合不同解剖区域之间的关系。图的结构由每个患者与解剖图谱之间的解剖对应关系来告知。此外，图形表示具有以全分辨率处理任何任意大小的图像的优点。大规模计算机断层扫描（CT）数据集上的肺图像的实验表明，我们的方法相比，不考虑上下文的基线方法。我们使用学习的嵌入来量化COVID-19的临床进展，并表明我们的方法可以很好地推广到来自不同医院的COVID-19患者。定性结果表明，我们的模型可以识别图像中的临床相关区域。

2020-12-11cs.CVcs.LGeess.IV

COVID-Net USPro：一种开源的可解释少样本深度原型网络，用于从点即服务超声图像中监测和检测新冠病毒感染

COVID-Net USPro: An Open-Source Explainable Few-Shot Deep Prototypical Network to Monitor and Detect COVID-19 Infection from Point-of-Care Ultrasound Images

University of Waterloo（滑铁卢大学）；National Research Council Canada（加拿大国家研究委员会）；McGill University（麦吉尔大学）

COVID-Net USPro 是一种基于深度学习的可解释少样本原型网络，用于从点即服务超声图像中高精度检测 COVID-19 阳性病例。

2023-01-04cs.CVcs.LGeess.IV

COV-ELM分类器：基于极限学习机的胸部X射线图像COVID-19识别

COV-ELM classifier: An Extreme Learning Machine based identification of COVID-19 using Chest X-Ray Images

University of Delhi（德里大学）；Hansraj College（汉斯raj学院）；Saral Diagnostics（Saral诊断中心）

冠状病毒是引起呼吸道疾病的病毒家族。由于COVID-19具有高度传染性，因此COVID-19的早期诊断对于有效的治疗策略至关重要。然而，被认为是诊断COVID-19的金标准的RT-PCR测试存在很高的假阴性率。胸部X射线（CXR）图像分析已成为一种可行的和有效的诊断技术，实现这一目标。在这项工作中，我们提出了COVID-19分类问题作为一个三类分类问题，以区分COVID-19，正常和肺炎类。我们提出了一个三阶段的框架，命名为COV-ELM。第一阶段处理预处理和转换，而第二阶段处理特征提取。这些提取的特征在第三阶段作为输入传递到ELM，从而识别COVID-19。在这项工作中选择ELM的动机是其更快的收敛速度，更好的泛化能力，和更短的训练时间相比，传统的基于梯度的学习算法。随着更大和更多样化的数据集变得可用，与基于梯度的竞争对手模型相比，ELM可以快速重新训练。所提出的模型在95%置信区间下实现了0.95的宏观平均F1评分和${0.94 \pm 0.02}的总体灵敏度。与最先进的机器学习算法相比，COV-ELM在这种三类分类场景中的表现优于其竞争对手。此外，LIME已与所提出的COV-ELM模型集成，以生成带注释的CXR图像。注释基于有助于区分不同类别的超像素。据观察，超像素对应于在COVID-19和肺炎病例中临床观察到的人类肺部区域。

2021-09-28cs.CVcs.LGeess.IV

COVID-Rate：用于从胸部CT扫描中分割COVID-19病变的自动化框架

COVID-Rate: An Automated Framework for Segmentation of COVID-19 Lesions from Chest CT Scans

Concordia University（康考迪亚大学）；Sunnybrook Health Sciences Centre（桑尼布鲁克健康科学中心）；University of Toronto（多伦多大学）；McGill University（麦吉尔大学）

新型冠状病毒病（COVID-19）是一种高度传染性的呼吸道感染，对世界产生了毁灭性影响。最近，新的COVID-19变种正在出现，使情况更具挑战性和威胁性。基于胸部计算机断层扫描（CT）对COVID-19肺部异常进行评估和量化，有助于确定疾病阶段，有效分配有限的医疗资源，并做出明智的治疗决策。然而，在大流行时期，由专业放射科医生对COVID-19肺部病变进行视觉评估和量化变得昂贵且容易出错，这迫切需要开发实用的自主解决方案。在这种情况下，首先，本文介绍了一个开放访问的COVID-19 CT分割数据集，其中包含来自82名患者的433张CT图像，这些图像已由放射科专家注释。其次，提出了一个基于深度神经网络（DNN）的框架，称为COVID率，它可以从胸部CT扫描中自动分割与COVID-19相关的肺部异常。所提出的COVID率框架的性能进行了评估，通过几个实验的基础上介绍和外部数据集。结果显示骰子得分为0：802，特异性和灵敏度分别为0：997和0：832。此外，结果表明，COVID-Rate模型可以有效地分割2D CT图像和整个肺部体积中的COVID-19病变。外部数据集上的结果说明了COVID率模型对从不同扫描仪获得的CT图像的泛化能力。

2021-07-04cs.CVeess.IV

基于ViT Transformer方法的计算机断层扫描图像COVID-19检测

COVID-19 detection using ViT transformer-based approach from Computed Tomography Images

Izmir Democracy University（伊兹密尔民主大学）

本文提出基于ViT Transformer的CT图像COVID-19检测方法，通过切片级二分类和患者级多数投票或阈值策略，在COV19-CT-DB验证集上取得0.7宏F1分数。

2023-11-28cs.CVcs.LGeess.IV

PadChest-GR：面向接地放射报告生成的双语胸部X光数据集

PadChest-GR: A Bilingual Chest X-ray Dataset for Grounded Radiology Report Generation

Microsoft Research（微软研究院）；Medbravo；Department of Radiology, University of Cambridge（剑桥大学放射科）；Cambridge University Hospitals NHS Foundation Trust（剑桥大学医院 NHS 基础研究信托）；University Hospital Sant Joan d’Alacant（圣约翰·达·阿尔坎特医院）；Department of Health Informatics, University Hospital Sant Joan d’Alacant（圣约翰·达·阿尔坎特医院健康信息学系）；University Institute for Computing Research, University of Alicante（阿利坎特大学计算研究学院）

针对当前缺乏用于训练接地放射报告生成（GRRG）模型的人工标注胸部X光数据集的问题，研究构建了包含4555项检查、带双语接地报告与多类标注的PadChest-GR数据集，为GRRG模型的开发评估提供资源。

2025-09-03cs.AIcs.CLcs.CV

MosMedData：使用COVID-19的胸部CT扫描相关结果数据集

MosMedData: Chest CT Scans With COVID-19 Related Findings Dataset

Research and Practical Clinical Center of Diagnostics and Telemedicine Technologies, Department of Health Care of Moscow（莫斯科卫生保健部诊断与远程医疗技术研究与实用临床中心）

该数据集包含具有COVID-19相关发现以及没有此类发现的匿名人类肺部计算机断层扫描（CT）扫描。研究的一个小子集已经用描述感兴趣区域的二进制像素掩模进行了注释（毛玻璃混浊和合并）。CT扫描于2020年3月1日至2020年4月25日期间获得，并由俄罗斯莫斯科的市立医院提供。永久链接：https://mosmed.ai/datasets/covid19_1110。本数据集采用Creative Commons Attribution-NonCommercial-NoDerivs 3.0 Unported（CC BY-NC-ND 3.0）许可证进行许可。关键词：人工智能，COVID-19，机器学习，数据集，CT，胸部，成像

2020-05-13cs.CYcs.LGeess.IV

使用逐步调整大小的3D- CNN结合分割、增强和类别重新平衡从容积胸部CT扫描中识别COVID-19

COVID-19 identification from volumetric chest CT scans using a progressively resized 3D-CNN incorporating segmentation, augmentation, and class-rebalancing

Khulna University of Engineering & Technology（库尔纳工程技术大学）；University Health Network（大学健康网络）；University of Toronto（多伦多大学）

新型COVID-19是一种全球性大流行性疾病，在全球范围内蔓延。具有更高灵敏度的计算机辅助筛查工具对于尽早进行疾病诊断和预后至关重要。它也可以成为COVID-19患者检测和临床监督的分诊有用工具。然而，从非侵入性射线照相图像设计这样的自动化工具是具有挑战性的，因为许多手动注释的数据集尚未公开，这是监督学习方案的基本核心要求。本文提出了一种基于3D卷积神经网络（CNN）的分类方法，同时考虑切片间和切片内的空间体素信息。所提出的系统在来自整个体积CT图像的3D贴片上以端到端的方式进行训练，以扩大训练样本的数量，对贴片尺寸确定进行消融研究。我们将渐进式优化、分割、增强和类别重新平衡集成到我们的3D网络中。分割是COVID-19诊断的关键先决步骤，使分类器能够学习突出的肺部特征，同时排除CT扫描的外部肺部区域。我们评估了所有广泛的实验上公开可用的数据集，命名为MosMed，具有二进制和多类胸部CT图像分区。我们的实验结果是非常令人鼓舞的，产生的ROC曲线下面积为0.914和0.893的二进制和多类任务，分别应用5倍交叉验证。我们的方法的有希望的结果代表它作为一个有利的辅助工具，为临床医生和放射科医生评估COVID-19。

2021-04-14cs.CVcs.LGeess.IV

DT：用于迁移学习的自监督超样本分解及其在COVID-19检测中的应用

4S-DT: Self Supervised Super Sample Decomposition for Transfer learning with application to COVID-19 detection

University of Assiut（艾斯尤特大学）；Birmingham City University（伯明翰城市大学）

由于大规模标注图像数据集的高可用性，来自预训练模型的知识转移在医学图像分类中表现出出色的性能。然而，建立一个强大的图像分类模型的数据集与数据不规则或不平衡类可以是一个非常具有挑战性的任务，特别是在医学成像领域。在本文中，我们提出了一种新的深度卷积神经网络，我们称之为自监督超级样本分解迁移学习（4S-DT）模型。4S-DT鼓励使用通用自监督样本分解方法从大规模图像识别任务到特定胸部X射线图像分类任务的粗到细转移学习。我们的主要贡献是一种新的自我监督学习机制的指导下，超样本分解的未标记的胸部X射线图像。4S-DT有助于通过具有类分解层的下游学习策略来提高知识转换的鲁棒性，以简化数据的局部结构。4S-DT可以通过使用下游类分解机制调查其类边界来处理图像数据集中的任何不规则性。我们使用了50，000张未标记的胸部X光图像来实现我们的粗到精迁移学习，并将其应用于COVID-19检测。4S-DT已达到99.8%的高精度（95%CI：99.44%，99.98%），准确率为97.54%（95%$ CI：96.22%，98.91%），其中所有真实的COVID-19病例都被检测到，这是与其它方法相比获得的最高精度。

2020-09-15cs.CVcs.LGeess.IV

CXR-Net：用于快速筛查胸部X射线的人工智能管道

CXR-Net: An Artificial Intelligence Pipeline for Quick Covid-19 Screening of Chest X-Rays

University of Michigan（密歇根大学）；Henry Ford Health System（亨利·福特医疗系统）；Molecular Medicine Institute（分子医学研究所）

CXR-Net是一个双模块人工智能管道，用于从胸部X射线（CXR）中快速检测SARS-CoV-2。模块1在具有放射科医师注释的肺轮廓的6395个CXR的公共数据集上进行训练，以生成与心脏和大血管重叠的肺的掩模。模块2是混合卷积网络，其中具有学习系数的第一卷积层被小波散射变换（WST）提供的具有固定系数的层代替。模块2将患者CXR和模块1计算的相应肺部掩模作为输入，并产生类别分配（Covid与非Covid）和识别SARS相关肺部区域的高分辨率热图作为输出。模块2是在底特律亨利福特卫生系统（HFHS）医院获得的非新冠肺炎和RT-PCR确诊的新冠肺炎患者的CXR数据集上进行训练的。所有非Covid CXR均来自Covid前时期（2018-2019年），包括正常肺部和受非Covid病理影响的肺部的图像。训练集和测试集分别由2265个CXR（1417个Covid阴性，848个Covid阳性）和1532个CXR（945个Covid阴性，587个Covid阳性）组成。将六个不同的交叉验证模型（每个模型在1887张图像上训练，并在378张图像上验证）组合成一个集成模型，用于对测试集的CXR图像进行分类，结果准确度= 0.789，精度= 0.739，召回率= 0.693，F1评分= 0.715，ROC（AUC）= 0.852。

2021-02-26cs.CVeess.IV

COVID-19 CT扫描数据集域移位的在线无监督学习

Online unsupervised Learning for domain shift in COVID-19 CT scan datasets

Ryerson University（瑞尔森大学）

神经网络通常需要大量的专家注释数据来进行训练。当在医学成像的过程中做出改变时，训练的网络可能不能很好地执行，并且针对成像过程中的每个改变获得大量的专家注释可能是耗时且昂贵的。在线无监督学习是一种被提出来处理传入数据中存在域转移并且缺乏注释的情况的方法。这项研究的目的是看看在线无监督学习是否可以帮助COVID-19 CT扫描分类模型在新数据没有可用注释的情况下调整到轻微的域偏移。使用具有不同量的域移位的三个测试数据集进行总共六个实验。这些实验将在线无监督学习策略的性能与基线进行了比较，并比较了该策略在不同领域转换上的表现。在线无监督学习的代码可以在以下链接中找到：https://github.com/Mewtwo/online-unsupervised-learning

2021-07-31cs.CVeess.IV

请不要造谣！COVID虚假推文检测的多语种方法

No Rumours Please! A Multi-Indic-Lingual Approach for COVID Fake-Tweet Detection

Dept. of CSE IIT Kharagpur, India（印度 IIT 卡哈拉格普尔分校计算机科学与工程系）；Dept. of CSE IIIT Delhi, India（印度德里信息技术学院计算机科学与工程系）；IBM Research Bangalore, India（印度班加罗尔 IBM 研究院）

当前全球大流行的COVID-19造成的突然广泛威胁对我们的生活产生了前所未有的影响。人类正在经历前所未有的巨大恐惧和对社交媒体的依赖。恐惧不可避免地导致恐慌、猜测和错误信息的传播。许多政府为了公众的福祉采取了措施来遏制这种错误信息的传播。除了全球措施外，为了有效地推广，人口统计学上的地方语言系统在这一努力中也可发挥重要作用。为此，我们提出了一种方法，可以从社交媒体（如推文）中早期检测出关于COVID-19的假新闻，适用于除英语之外的多种索引语言。此外，我们还创建了印地语和孟加拉语推文的注释数据集，用于假新闻检测。我们提出了一个基于BERT的模型，增加了从Twitter中提取的其他相关特征，以识别假推文。为了将我们的方法扩展到多种印度语言，我们采用了基于mBERT的模型，该模型在印地语和孟加拉语中创建的数据集上进行了微调。我们还提出了一种零样本学习方法来缓解这种低资源语言的数据稀缺问题。通过严格的实验，我们表明，我们的方法在虚假推文检测中达到了89%左右的F-Score，优于最先进的（SOTA）结果。此外，我们还为两种印度语，印地语和孟加拉语建立了第一个基准。使用我们的注释数据，我们的模型在印地语中实现了约79%的F-Score，在孟加拉语推文中实现了81%的F-Score。我们的zero-shot模型在没有任何注释数据的情况下，在印地语中实现了约81%的F-Score，在孟加拉语推…

2020-10-14cs.CLcs.LGcs.SI

BS-Net：在大型胸部X射线数据集上学习COVID-19肺炎严重程度

BS-Net: learning COVID-19 pneumonia severity on a large Chest X-Ray dataset

University of Brescia（布雷西亚大学）

在这项工作中，我们设计了一个端到端的深度学习架构，用于在胸部X射线图像（CXR）上预测传达COVID-19患者肺部受损程度的多区域评分。这种半定量评分系统，即Brixia评分，被应用于连续监测这些患者，显示出显着的预后价值，在一家医院，经历了一个最高的流行高峰在意大利。为了解决这样一个具有挑战性的视觉任务，我们采用了一种弱监督学习策略，用于处理不同的任务（分割，空间对齐和分数估计），这些任务是通过涉及不同数据集的“从部分到整体”过程进行训练的。特别是，我们利用了在同一家医院收集的近5,000张CXR注释图像的临床数据集。我们的BS-Net在所有处理阶段都表现出自我关注的行为和高度的准确性。通过评分者间一致性测试和金标准比较，我们表明我们的解决方案在评分准确性和一致性方面优于单个人类注释者，从而支持在计算机辅助监控环境中使用该工具的可能性。还使用原始技术生成了高分辨率（超像素级）可解释性图，以在视觉上帮助理解肺部区域上的网络活动。我们还考虑了文献中提出的其他分数，并与最近提出的非特异性方法进行了比较。我们最终在一个分类的公共COVID-19数据集上测试了我们模型的性能鲁棒性，我们还为该数据集提供了Brixia~评分注释，观察到良好的直接泛化和微调能力，突出了BS-Net在其他临床环境中的可移植性。CXR数据集以及源代码和训练模型都是公开发布的，用于研究目的。

2021-04-03cs.CVcs.LGeess.IV

从细到粗粒度错误信息的分类--基于COVID-19的实证研究

Categorising Fine-to-Coarse Grained Misinformation: An Empirical Study of COVID-19 Infodemic

University of Sheffield（谢菲尔德大学）；University of Duisburg-Essen（杜伊斯堡-埃森大学）

社交媒体上传播的COVID-19错误信息已经引起了许多研究人员的注意。根据Google Scholar的数据，到目前为止，已经发表了大约26000篇与COVID-19相关的错误信息研究。这些研究大多集中于1）检测和/或2）分析COVID-19相关错误信息的特征。然而，与错误信息相关的社会行为的研究往往被忽视。在本文中，我们介绍了一个细粒度的注释错误信息推文数据集，包括社会行为注释（例如，评论或问题的错误信息）。该数据集不仅允许社会行为分析，而且适合于基于证据或非基于证据的错误信息分类任务。此外，我们在实验中引入了遗漏验证，并证明了错误信息分类性能在应用于现实世界中不可见的错误信息时可能会显着不同。

2021-07-08cs.CYcs.LGcs.SI

基于 CLIP 的 CT 图像鲁棒 COVID-19 检测

Robust COVID-19 Detection in CT Images with CLIP

Purdue University（普渡大学）；Etsy, Inc（Etsy公司）；University at Albany, State University of New York（纽约州立大学奥尔巴尼分校）；University of South Australia（南澳大学）；Sapienza University of Rome（罗马大学）

本文提出基于冻结 CLIP 与可训练 MLP 的轻量 COVID-19 CT 检测器，结合 CVaR、损失景观平坦化及师生半监督框架，在 COV19-CT-DB 上宏 F1 最高提升 10.6%。

2024-09-08cs.CVeess.IV

通过两个U-网络级联量化COVID-19肺炎的肺部受累：使用不同注释标准对多个数据集进行训练和评估

Quantification of pulmonary involvement in COVID-19 pneumonia by means of a cascade oftwo U-nets: training and assessment on multipledatasets using different annotation criteria

Scuola Normale Superiore（比萨高等师范学校）；National Institute of Nuclear Physics (INFN)（国家核物理研究所）；University of Pavia（帕维亚大学）；University of Pisa（比萨大学）；University of Sassari（萨萨里大学）；University of Florence（佛罗伦萨大学）

对受COVID-19肺炎影响的患者的CT扫描自动分配严重程度评分可以减少放射科的工作量。本研究旨在利用人工智能（AI）对COVID-19肺部病变进行识别、分割和量化。我们研究了使用多个数据集的影响，根据不同的标准异质填充和注释。我们开发了一个自动化分析管道，LungQuant系统，基于两个U网的级联。第一个（U-net_1）专门用于识别肺实质，第二个（U-net_2）作用于包围分割的肺的边界框，以识别受COVID-19病变影响的区域。不同的公共数据集被用来训练的U-网络，并评估其分割性能，这已被量化的骰子指数。还评价了LungQuant系统预测CT严重程度评分（CT-SS）的准确性。骰子和准确性都依赖于可用数据样本的注释质量。在一个独立且公开可用的基准数据集上，对于肺部和COVID-19病变的分割，LungQuant系统预测的掩模与参考掩模之间测量的Dice值分别为0.95 $\pm$ 0.01和0.66 $\pm$ 0.13。在此基准数据集上识别CT-SS的准确率达到90%。我们分析了使用具有不同注释标准的数据样本来训练基于AI的量化系统对COVID-19肺炎肺部受累的影响。就Dice指数而言，U形网分割质量在很大程度上取决于病变注释的质量。然而，CT-SS可以在独立验证集上准确预测，证明了LungQuant令人满意的泛化能力。

2021-05-06cs.CVcs.LGeess.IV

越南新冠疫情场景下的嵌套命名实体识别：数据集与实验

Nested Named-Entity Recognition on Vietnamese COVID-19: Dataset and Experiments

School of Applied Mathematics and Informatics, Hanoi University of Science and Technology（1 工程数学与信息学院，河内科学技术大学）；Financial Deep Mind（2 财务深度智能）；National Economics University（3 国家经济大学）；Faculty of Information Technology, Hanoi Open University（4 信息学院，河内开放大学）

针对越南新冠疫情接触者追踪等防控工作依赖人工、效率低的问题，本研究开展助力疫情防控的命名实体识别研究，发布了带新定义实体类型的人工标注越南语新冠嵌套NER数据集。

2025-06-14cs.CLcs.LG

基于深度学习的计算机断层扫描图像自动化 COVID-19 分类

Deep Learning Based Automated COVID-19 Classification from Computed Tomography Images

Izmir Democracy University（伊兹密尔民主大学）

本文提出一种结合解剖相关预处理、超参数调优和多数投票的轻量级 CNN，用于从 CT 二维切片自动诊断 COVID-19，并在 COV-19-CT-DB 上取得优于基线的宏 F1 成绩。

2022-07-09cs.CVcs.LGeess.IV

利用来自计算机断层扫描图像的迁移学习方法进行 COVID-19 检测

COVID-19 Detection Using Transfer Learning Approach from Computed Tomography Images

Izmir Democracy University（伊兹密尔民主大学）；Yildiz Technical University（耶尔德兹技术大学）

本文提出基于 ImageNet 预训练改进 Xception 的迁移学习方法，在 COV19-CT-DB 上以较少参数实现优于 VGG-16 及基线的 CT 图像 COVID-19 检测性能。

2023-12-10cs.CVeess.IV

COVID-19假新闻检测与事实核查的两阶段Transformer模型

Two Stage Transformer Model for COVID-19 Fake News Detection and Fact Checking

通过社交媒体平台进行在线交流的技术的快速发展导致错误信息和假新闻的传播大量增加。假新闻在当前的COVID-19大流行中尤其猖獗，导致人们相信虚假和潜在有害的说法和故事。快速检测假新闻可以缓解恐慌、混乱和潜在健康危害的传播。我们使用最先进的机器学习模型进行自然语言处理，为COVID-19假新闻检测开发了一个两阶段自动化流程。第一个模型利用了一种新颖的事实检查算法，该算法检索与特定COVID-19索赔有关的用户索赔的最相关事实。第二个模型通过计算索赔与从手动策划的COVID-19数据集检索的真实事实之间的文本蕴涵来验证索赔的真实程度。该数据集基于一个公开可用的知识源，包括5000多个COVID-19虚假声明和经验证的解释，其中一个子集经过内部注释和交叉验证，以训练和评估我们的模型。我们评估了一系列基于经典文本特征的模型，以更上下文的Transformer为基础的模型，并观察到基于BERT和ALBERT的模型管道分别为两个阶段产生最好的结果。

2020-11-26cs.CLcs.IRcs.LG

Twitter上关于COVID-19疫苗接种态度的多语言数据集

A Multilingual Dataset of COVID-19 Vaccination Attitudes on Twitter

University of Luxembourg（卢森堡大学）

疫苗供应充足的欧洲及美国，疫苗犹豫被视为COVID-19疫苗接种率停滞不前的主要原因之一。快速准确地掌握公众对疫苗接种的态度对于解决疫苗犹豫问题至关重要，而社交媒体平台已被证明是公众意见的有效来源。在本文中，我们描述了与COVID-19疫苗相关的推文数据集的收集和发布。该数据集包括从西欧收集的2，198，090条推文的ID，其中17，934条带有发起人的疫苗接种立场。我们的注释将有助于使用和开发数据驱动模型，从社交媒体帖子中提取疫苗接种态度，从而进一步证实社交媒体在公共卫生监测中的作用。为了为未来的研究奠定基础，我们不仅对数据集进行统计分析和可视化，还评估和比较了疫苗接种立场提取中基于文本的基准的性能。我们展示了我们的数据在实践中的一个潜在用途，即跟踪公众COVID-19疫苗接种态度的时间变化。

2022-06-27cs.CLcs.CYcs.LG

Deep-COVID：使用深度迁移学习从胸部X射线图像预测COVID-19

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…

2020-07-21cs.CV

POLCOVID：一个多中心多分类胸部X线数据库（波兰，2020-2021年）

POLCOVID: a multicenter multiclass chest X-ray database (Poland, 2020-2021)

Silesian University of Technology（西里西亚理工大学）；Medical University of Silesia（西里西亚医科大学）；Voivodship Specialist Hospital（省专科医院）；Central Clinical Hospital of the Ministry of Internal Affairs and Administration（内务与行政部中央临床医院）；Jagiellonian University Medical College（雅盖隆大学医学院）；Kujawsko-Pomorskie Pulmonology Center（库亚维-波美拉尼亚肺病中心）；Silesian Hospital（西里西亚医院）；Medical University of Warsaw（华沙医科大学）；Nicolaus Copernicus University（尼古拉斯·哥白尼大学）；Medical University of Bialystok（比亚韦斯托克医科大学）；Wroclaw Medical University（弗罗茨瓦夫医科大学）；Czerniakowski Hospital（切尔尼亚科夫斯基医院）；MEGREZ Hospital（MEGREZ医院）；Medical University of Gdansk（格但斯克医科大学）；Yale School of Medicine（耶鲁大学医学院）；The Maria Sklodowska-Curie National Research Institute of Oncology（玛丽·斯克沃多夫斯卡-居里国家肿瘤研究所）

SARS-CoV-2大流行的爆发使全球医疗保健系统达到极限，导致诊断和所需医疗援助的等待时间增加。由于胸片（CXR）是最常见的COVID-19诊断方法之一，因此开发了许多用于基于图像的COVID-19检测的人工智能工具，这些工具通常在COVID-19阳性患者的少量图像上进行训练。因此，对高质量和注释良好的CXR图像数据库的需求增加。本文介绍了POLCOVID数据集，包含COVID-19或其他类型肺炎患者的胸部X射线（CXR）图像，以及从15家波兰医院收集的健康个体。原始射线照片伴随有限于肺部区域的预处理图像和利用分割模型获得的相应肺部掩模。此外，为POLCOVID数据集的一部分和其他四个公开可用的CXR图像集合提供手动创建的肺部掩模。POLCOVID数据集可以帮助肺炎或COVID-19诊断，而匹配的图像和肺部掩模集可以用于开发肺部分割解决方案。

2022-12-15cs.CVeess.IV

基于不平衡数据的COVID-19胸部X光分类的小样本学习：跨域与同域研究

Few-shot learning for COVID-19 Chest X-Ray Classification with Imbalanced Data: An Inter vs. Intra Domain Study

University Institute for Computer Research（计算机研究大学研究所）

研究在数据不平衡的小样本学习场景下医学图像数据集面临的挑战，提出基于Siamese神经网络的方法，集成多种技术缓解数据稀缺和分布不平衡，引入四种处理不平衡数据的方案并评估四种分类器，在三个胸部X光数据集上验证有效性。

2024-01-18cs.CVeess.IV

分类器解释通过端到端预训练增强医学图像分割

Explanations of Classifiers Enhance Medical Image Segmentation via End-to-end Pre-training

Baidu Inc（百度公司）；South China University of Technology（华南理工大学）；New Jersey Institute of Technology（新泽西理工学院）

本文提出利用分类器的积分梯度解释生成大规模诊断定位伪标签DoLL，对分割模型进行端到端预训练，在胸片多器官及COVID-19感染区域分割任务中显著提升性能与训练效率。

2024-01-16cs.CVcs.LGeess.IV

零样本学习及其在自主车辆COVID-19诊断中的应用

Zero-Shot Learning and its Applications from Autonomous Vehicles to COVID-19 Diagnosis: A Review

The University of Leeds（利兹大学）；Qazvin Azad University（加兹温伊斯兰阿扎德大学）

在没有预先接收任何示例的情况下学习新概念、对象或新医学疾病识别的挑战被称为零样本学习（Zero-Shot Learning，简称ZRL）。基于深度学习的方法（例如医学成像和其他现实世界应用）中的主要问题之一是需要由临床医生或专家准备的大型注释数据集来训练模型。众所周知，通过仅依赖于先前已知或训练的概念加上当前存在的辅助信息，CAML具有最小的人为干预。这使得CPDL适用于许多现实世界的场景，从自动驾驶汽车中的未知目标检测到医学成像和不可预见的疾病，例如基于COVID-19胸部X射线（CXR）的诊断。我们介绍了一种新的和扩大的解决方案，称为少/单次学习，并提出了作为少样本学习的一个极端情况下的学习问题的定义。我们回顾了零样本学习的基本原理和具有挑战性的步骤，包括最先进的解决方案类别，以及我们推荐的解决方案，每种方法背后的动机，它们相对于每种类别的优势，以指导临床医生和人工智能研究人员根据其应用程序继续使用最佳技术和实践。然后，我们通过不同的数据集，包括医学和非医学图像，各种分裂，以及到目前为止提出的评估协议进行审查。最后，我们讨论了最近的应用和未来的发展方向。我们的目标是通过本文传达一种有用的直觉，以实现处理更类似于人类学习方式的复杂学习任务的目标。我们主要关注当前现代但具有挑战性的时代的两个应用：应对COVID-19病例的早期和快速诊断，并鼓励读者使用EML开发其他类似的基于AI的…

2020-11-29cs.CVcs.LGstat.ML

当代网络反犹太主义和阴谋叙事的代码、模式和解释--COVID-19背景下的注释指南和标记德语数据集

Codes, Patterns and Shapes of Contemporary Online Antisemitism and Conspiracy Narratives -- an Annotation Guide and Labeled German-Language Dataset in the Context of COVID-19

Hochschule für Technik und Wirtschaft Berlin（柏林工程与经济应用技术大学）；Alice Salomon Hochschule Berlin（柏林爱丽丝·萨洛蒙应用科学大学）

在COVID-19大流行的过程中，现有的阴谋论被刷新，新的阴谋论被创造出来，往往与反犹太主义的叙述、刻板印象和代码交织在一起。互联网上大量的反犹太主义和阴谋论内容使得数据驱动的算法方法对反歧视组织和研究人员至关重要。然而，这两个相互关联的现象的表现和传播，在大型文本语料库的学术实证研究中仍然相当不足。用于特定内容的检测和分类的数学方法通常需要标记的数据集，基于概念上合理的指导方针进行注释。虽然越来越多的数据集用于更普遍的仇恨言论现象，但反犹太主义和阴谋内容的语料库和注释指南的开发仍处于起步阶段，特别是对于英语以外的语言。我们在COVID-19大流行的背景下为反犹太主义和阴谋论在线内容制定注释指南，以缩小这一差距。我们提供工作定义，包括反犹太主义的具体形式，如编码和大屠杀后的反犹太主义。我们使用这些来注释德语数据集，该数据集由2020年3月至2021年12月之间发送的约3，700条Telegram消息组成。

2022-10-13cs.CLcs.IRcs.LG

研究疫苗购买后悔现象：利用政治多样性的人类注释分析新冠社交媒体中的接种决策后悔

Investigating Vaccine Buyer's Remorse: Post-Vaccination Decision Regret in COVID-19 Social Media Using Politically Diverse Human Annotation

University of Washington, Seattle（华盛顿大学西雅图分校）；Rochester Institute of Technology（罗切斯特理工学院）

本文通过构建新冠接种经历数据集，分析疫苗后悔现象的普遍性、原因及第一人称与 vicarious 经历差异，评估 LLMs 引入的潜在偏见。

2026-03-18cs.CYcs.LGcs.SI

误传具有高度迷惑性

Misinformation Has High Perplexity

Center for Artificial Intelligence Research (CAiRE)（人工智能研究中心（CAiRE））；Hong Kong University of Science and Technology（香港科技大学）

揭穿错误信息是一项重要和时间紧迫的任务，因为如果错误信息不及时消除，可能会产生不利后果。然而，通常通过错误信息分类进行揭穿的监督方法需要人工注释的数据，并且不适合新出现的事件（如COVID-19爆发）的快速时间框架。在本文中，我们假设错误信息本身具有更高的困惑相比，真实的陈述，并建议利用困惑揭穿虚假索赔在无监督的方式。首先，我们从科学和新闻来源中提取可靠的证据，根据句子的相似性索赔。其次，我们用提取的证据来填充一个语言模型，最后根据揭穿时的困惑分数来评估给定声明的正确性。我们构建了两个新的COVID-19相关测试集，一个是科学的，另一个是政治的内容，并实证验证了我们的系统与现有系统相比表现良好。我们公开发布这些数据集，以鼓励更多的研究来揭穿有关COVID-19和其他主题的错误信息。

2020-06-10cs.AIcs.CLcs.LG

MIA-COV19D：通过三维胸部CT图像分析检测COVID-19

MIA-COV19D: COVID-19 Detection through 3-D Chest CT Image Analysis

University of Greenwich（格林威治大学）

基于胸部三维CT扫描的早期可靠的COVID-19诊断可以在重要情况下为医疗专家提供帮助。深度学习方法是胸部CT扫描分析和疾病预测的主要方法。然而，大型注释数据库对于开发能够在不同国家的各种医疗环境中提供COVID-19诊断的深度学习模型是必要的。由于隐私问题，公开可用的COVID-19 CT数据集非常难以获得，这阻碍了基于CT扫描的COVID-19人工智能诊断方法的研究和开发。在本文中，我们介绍了COV 19-CT-DB数据库，该数据库针对COVID-19进行了注释，由大约5，000个三维CT扫描组成，我们将数据库分为训练，验证和测试数据集。前两个数据集可用于机器学习模型的训练和验证，而后者将用于评估开发的模型。我们还提出了一种基于CNN-RNN网络的深度学习方法，并报告了其在COVID 19-CT-DB数据库上的性能。

2021-06-21cs.CVcs.LGeess.IV

用于协调医学成像中的3-D输入数据分析和决策的深度神经架构

A Deep Neural Architecture for Harmonizing 3-D Input Data Analysis and Decision Making in Medical Imaging

Queen Mary University London（伦敦玛丽女王大学）；National Technical University Athens（雅典国立技术大学）

协调数据的分析，特别是由不同数量的切片组成并按体积进行注释的3D图像体积的分析，是在包括医学成像在内的各种应用中训练和使用深度神经网络的一个重要问题。此外，统一网络对不同输入数据集的决策对于生成丰富的数据驱动知识和在应用程序中的可信使用至关重要。本文提出了一种新的深度神经架构，名为RACNet，它包括路由和特征对齐步骤，并有效地处理不同的输入长度和3D图像输入的单个注释，同时提供高度准确的决策。此外，通过从训练的RACNet中提取潜在变量，生成一组锚点，进一步了解网络的决策。这些可以用来丰富和统一从不同数据集中提取的数据驱动的知识。一项广泛的实验研究说明了上述发展，重点是通过分析来自不同国家和医疗中心的数据库的3D胸部CT扫描来诊断COVID-19。

2023-03-02cs.CVcs.LGeess.IV

M-VAAL：面向下游医学图像分析任务的多模态变分对抗主动学习

M-VAAL: Multimodal Variational Adversarial Active Learning for Downstream Medical Image Analysis Tasks

RIT（罗切斯特理工学院）；University of Aberdeen（阿伯丁大学）；NepAl Applied Mathematics and Informatics Institute for Research (NAAMII)（尼泊尔应用数学与信息学研究所（NAAMII））；University College London（伦敦大学学院）

提出多模态变分对抗主动学习（M-VAAL），利用额外模态辅助信息增强采样，在BraTS2018和COVID-QU-Ex数据集上验证，实现有限标注下的数据高效学习。

2023-06-21cs.CVeess.IV

基于动量对比学习的胸部CT图像Few-Shot COVID-19诊断

Momentum Contrastive Learning for Few-Shot COVID-19 Diagnosis from Chest CT Images

University of New South Wales（新南威尔士大学）；Inception Institute of Artificial Intelligence（Inception人工智能研究院）；Stanford University（斯坦福大学）

由二零一九年十二月爆发的新型冠状病毒（COVID-19）引起的当前大流行导致全球紧急情况，对全球经济、医疗保健系统和个人福祉造成重大影响。控制这种快速发展的疾病需要高度敏感和特异性的诊断。虽然实时RT-PCR是最常用的方法，但这些方法可能需要长达8小时，并且需要医疗保健专业人员的大量努力。因此，迫切需要一种快速和自动的诊断系统。从胸部CT图像诊断是一个很有前途的方向。然而，目前的研究受到缺乏足够的训练样本的限制，因为获取注释的CT图像是耗时的。为此，我们提出了一种新的深度学习算法，用于COVID-19的自动诊断，该算法只需要少量样本进行训练。具体来说，我们使用对比学习来训练编码器，该编码器可以捕获大型和公开可用的肺数据集上的表达特征表示，并采用原型网络进行分类。我们验证了所提出的模型与其他竞争方法相比，在两个公开的和注释的COVID-19 CT数据集的有效性。我们的结果证明了我们的模型在基于胸部CT图像的COVID-19准确诊断方面的优越性能。

2020-06-16cs.CVcs.LGeess.IV

CNN滤波器从绘制标记学习用于检测CT图像中的COVID-19暗示性信号

CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images

University of Campinas（坎皮纳斯州立大学）；Federal University of Rio Grande do Sul（南里奥格兰德州联邦大学）

早期发现COVID-19对于控制其传播至关重要。已经提出了深度学习方法来从胸部CT图像中检测COVID-19的暗示性体征。然而，由于疾病的新颖性，注释的体积数据是稀缺的。在这里，我们提出了一种方法，不需要大型注释数据集或反向传播来估计卷积神经网络（CNN）的滤波器。对于一些CT图像，用户在代表性正常和异常区域处绘制标记。该方法生成一个由卷积层序列组成的特征提取器，其内核专门用于增强与标记区域相似的区域，而我们的CNN的决策层是一个支持向量机。由于我们无法控制CT图像采集，我们还提出了一种强度标准化方法。我们的方法可以实现平均精度和kappa值的$0.97$和$0.93$，分别与117 CT图像从不同的网站上提取的数据集，超过了它的对手在所有情况下。

2021-11-16cs.CVcs.LGeess.IV

covEcho资源受限的肺部超声图像分析工具，用于更快的分类和主动学习

covEcho Resource constrained lung ultrasound image analysis tool for faster triaging and active learning

Indian Institute of Technology Palakkad（印度理工学院帕拉卡德分校）；Hospital Universitario Puerta de Hierro（普埃尔塔·德·耶罗大学医院）；Sree Chitra Tirunal Institute for Medical Sciences & Technology（斯里·奇特拉·蒂鲁纳尔医学科学与技术研究所）；Government Medical College Thiruvananthapuram（特里凡得琅政府医学院）

肺部超声（LUS）可能是唯一的医学成像模式，可用于连续和定期监测肺部。这对于追踪肺部感染发作期间的肺部表现或追踪疫苗接种对肺部的影响（如COVID-19等大流行病）非常有用。在将肺的严重程度自动分类为各种类别或自动分割各种LUS标志和表现方面已经有许多尝试。然而，所有这些方法都是基于训练静态机器学习模型，这些模型需要大量的临床注释的大型数据集，并且计算量很大，而且大多数时候是非实时的。在这项工作中，提出了一种基于实时轻量级主动学习的方法，用于在资源受限的情况下更快地对COVID-19受试者进行分诊。该工具基于"你只看一次“（YOLO）网络，能够根据对各种LUS标志、伪影和表现的识别、肺部感染严重程度的预测，基于临床医生的反馈或图像质量以及具有高感染严重度和高图像质量的重要帧的总结的主动学习的可能性做进一步分析结果表明，该工具具有平均平均精度（mAP）为66%的交集超过联盟（IoU）阈值为0.5的LUS地标的预测。14 MB轻量级YOLOv 5s网络在Quadro P4000 GPU中运行时可达到123 FPS。该工具可应作者的要求提供使用和分析。

2022-06-21cs.CVeess.IV

使用伪标签进行域自适应以检测COVID-19

Domain Adaptation Using Pseudo Labels for COVID-19 Detection

Fudan University（复旦大学）；The Hong Kong University of Science and Technology（香港科技大学）

本文提出一种利用伪标签进行域自适应的两阶段框架，从CT扫描中检测COVID-19，在COV19-CT-DB数据库上达到0.92宏F1分数，缓解数据稀缺问题。

2024-03-18cs.CVeess.IV

现实生活中的Few-Shot目标检测：自动捕获案例研究

Few-Shot Object Detection in Real Life: Case Study on Auto-Harvest

University of Nantes（南特大学）；Capacites SAS（Capacites公司）；CTIFL

COVID-19期间的限制对全球农业造成严重影响。基于目标检测和机器人收割机的机械收割/自动收割作为有效的解决方案之一，成为迫切需要。在自动收获系统中，鲁棒的Few-Shot目标检测模型是瓶颈之一，因为系统需要处理新的蔬菜/水果类别，并且收集所有新类别的大规模注释数据集是昂贵的。社区开发了许多Few-Shot目标检测模型。然而，它们是否可以直接用于现实生活中的农业应用仍然值得怀疑，因为在常用的训练数据集和现实生活中的农业场景中收集的图像之间存在背景差距。为此，在这项研究中，我们提出了一个新的黄瓜数据集，并提出了两个数据增强策略，有助于弥合上下文差距。实验结果表明：1）最先进的Few-Shot目标检测模型在新的“黄瓜”类别上表现不佳; 2）所提出的增强策略优于常用的增强策略。

2020-11-05cs.CVcs.LG

利用自监督学习和批量知识集成提高自动COVID-19检测性能

Boosting Automatic COVID-19 Detection Performance with Self-Supervised Learning and Batch Knowledge Ensembling

Hokkaido University（北海道大学）

问题：从胸部X射线（CXR）图像中检测COVID-19已成为检测COVID-19最快、最简单的方法之一。然而，现有的方法通常使用来自自然图像的监督迁移学习作为预训练过程。这些方法没有考虑COVID-19的独特特征以及COVID-19与其他肺炎之间的相似特征。目的：在本文中，我们希望设计一种新的使用CXR图像的高精度COVID-19检测方法，该方法可以考虑COVID-19的独特特征以及COVID-19与其他肺炎之间的相似特征。方法：我们的方法包括两个阶段。一种是基于自监督学习的从属关系;另一种是基于批量知识集成的微调。基于自监督学习的预训练可以从CXR图像中学习区分表示，而无需手动注释标签。另一方面，基于批量知识集成的微调可以根据图像的视觉特征相似性利用批次中图像的类别知识来提高检测性能。与我们之前的实现不同，我们将批量知识集成引入微调阶段，减少了自监督学习中使用的内存，提高了COVID-19检测的准确性。结果如下：在两个公开的COVID-19 CXR数据集上，即大数据集和不平衡数据集，我们的方法表现出了良好的COVID-19检测性能。我们的方法即使在注释的CXR训练图像显著减少（例如，仅使用原始数据集的10%）。此外，我们的方法对超参数的变化不敏感。

2023-03-30cs.CVeess.IV

ELLMob: 基于自对齐LLM框架的事件驱动人类移动生成

ELLMob: Event-Driven Human Mobility Generation with Self-Aligned LLM Framework

Institute of Science Tokyo（东京科学研究所）；The University of Tokyo（东京大学）；The University of Osaka（大阪大学）

ELLMob 基于自对齐LLM框架，通过提取习惯模式与事件约束的竞争性理由并迭代对齐，生成既符合习惯又响应事件的轨迹，有效解决大规模社会事件中的移动模式生成问题。

2026-03-09cs.AIcs.LG

SciFix：在科学事实错误纠正上超越GPT3

SciFix: Outperforming GPT3 on Scientific Factual Error Correction

Carnegie Mellon University（卡内基梅隆大学）

SciFix无需验证器，利用LLM提示生成注释数据并采用主张感知解码，在科学事实纠正上以84%、77%、72%准确率大幅超越现有方法及GPT3.5。

2023-10-12cs.AIcs.CLcs.LG

学习人类选择：用于医学影像的可解释主动学习

Learning to Select Like Humans: Explainable Active Learning for Medical Imaging

AI Research, Department of Computer Science, University of South Dakota（人工智能研究，计算机科学系，南达科他大学）；Department of Computer Science and Software Engineering, Auburn University（计算机科学与软件工程系，阿伯丁大学）

本文提出了一种结合分类不确定性与注意力错位的可解释性引导主动学习方法，通过提升医学影像模型的预测性能和空间可解释性，实现更高效的样本选择。

2026-03-05cs.AIcs.CVeess.IV

一种新的基于肺组织识别的无监督COVID肺部病变分割方法

A novel unsupervised covid lung lesion segmentation based on the lung tissue identification

Shahid Sadoughi University of Medical Sciences（沙希德·萨杜吉医科大学）；Mashhad University of Medical Sciences（马什哈德医科大学）；Geneva University Hospital（日内瓦大学医院）

本研究旨在评估一种新的基于无监督深度学习的框架的性能，用于从Covid患者的CT图像中自动分割感染病变。在第一步中，两个残差网络被独立训练，以监督的方式识别正常和新冠肺炎患者的肺组织。这两个模型分别被称为DL-Covid和DL-Norm，用于Covid-19和正常患者，生成用于肺组织识别的逐体素概率图。为了检测Covid病变，通过DL-Covid和DL-Norm模型处理Covid患者的CT图像，以获得两个肺部概率图。由于DL-Norm模型不熟悉肺部内的Covid感染，因此该模型为病变分配的概率低于DL-Covid模型。因此，新冠病毒感染的概率图可以通过从DL-Covid和DL-Norm模型获得的两个肺部概率图相减来生成。使用50张Covid-19 CT图像的手动病变分割来评估无监督病变分割方法的准确性。在外部验证数据集中，正常和Covid患者的肺部分割分别获得了0.985和0.978的Dice系数。通过所提出的无监督方法进行感染分割的定量结果显示，Dice系数和Jaccard指数分别为0.67和0.60。对所提出的用于Covid-19感染性病变分割的无监督方法的定量评估显示出相对令人满意的结果。由于该框架不需要任何注释数据集，因此可以用于为专用于噪声和/或弱注释数据集的监督机器学习算法生成非常大的训练样本。

2022-02-24cs.CVeess.IVphysics.med-ph

肺CT中COVID-19病变的无标记分割

Label-Free Segmentation of COVID-19 Lesions in Lung CT

Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；Beijing University of Posts and Telecommunications（北京邮电大学）

注释图像的稀缺阻碍了建立可靠的COVID-19诊断和CT评估的自动化解决方案。为了减轻数据注释的负担，我们在此提出了一种无标签的方法，用于通过像素级异常建模来分割CT中的COVID-19病变，该异常建模从正常CT肺部扫描中挖掘出相关知识。我们的建模灵感来自于观察到的气管和血管的部分，其中位于病变所属的高强度范围内，表现出强烈的模式。为了便于在像素级学习这种模式，我们使用一组令人惊讶的简单操作合成“病变”，并将合成的“病变”插入正常CT肺部扫描以形成训练对，从中我们学习正常转换网络（NormNet），将“异常”图像恢复正常。我们在三个不同数据集上的实验验证了NormNet的有效性，它明显优于各种无监督异常检测（UAD）方法。

2021-03-12cs.CVcs.LGeess.IV

通过对医学图像和报告的交叉注意来改进肺炎定位

Improving Pneumonia Localization via Cross-Attention on Medical Images and Reports

School of Computing, University of Utah（犹他大学计算机学院）；NVIDIA Corporation（英伟达公司）；Department of Radiology and Imaging Sciences, National Institutes of Health Clinical Center（美国国立卫生研究院临床中心放射科与影像科学部）；National Institutes of Health Clinical Center（美国国立卫生研究院临床中心）；National Institutes of Health（美国国立卫生研究院）

肺炎等疾病的定位和表征是临床管道中的主要步骤，有助于详细的临床诊断和后续治疗计划。此外，这样的位置注释数据集可以为深度学习模型提供用于下游任务的途径。然而，获取高质量的注释在人力资源上是昂贵的，并且通常需要领域专业知识。另一方面，医疗报告包含大量关于肺炎特征和位置的信息。在本文中，我们提出了一种新的弱监督注意力驱动的深度学习模型，该模型在训练期间利用医疗报告中的编码信息来促进更好的定位。我们的模型还对与肺炎相关的属性进行分类，并从医疗报告中提取以进行监督。分类和定位两者被联合训练，并且一旦被训练，该模型可以仅使用输入图像用于肺炎的定位和表征两者。在本文中，我们使用胸部X射线数据集探索和分析该模型，并定性和定量地证明，文本信息的引入提高了肺炎定位。我们展示了两个数据集的定量结果，MIMIC-CXR和胸部X射线-8，我们还展示了COVID-19数据集的严重程度表征。

2021-10-06cs.CVeess.IV

基于傅立叶增强的师生框架在CT图像中进行COVID-19感染分割

A Teacher-Student Framework with Fourier Augmentation for COVID-19 Infection Segmentation in CT Images

计算机断层扫描（CT）图像中感染区域的自动分割对于COVID-19的初步诊断是必要的。基于深度学习的方法有可能自动化这项任务，但需要大量带有像素级注释的数据。用更容易获得的带注释的肺癌CT图像训练深度网络，可以在一定程度上缓解这个问题。然而，当在测试阶段期间应用于不可见的COVID-19图像时，由于域偏移，这种方法可能会降低性能。在本文中，我们提出了一种新的用于COVID-19感染分割的无监督方法，旨在从肺癌和COVID-19图像中学习域不变特征，以提高用于COVID-19 CT图像的分割网络的泛化能力。为了克服强度偏移，我们的方法首先通过傅里叶变换使用有效的增强方法将注释的肺癌数据转换为未标记的COVID-19数据的风格。此外，为了减少分布偏移，我们设计了一个教师-学生网络来学习用于分割的旋转不变特征。实验表明，即使在训练期间没有访问COVID-19 CT的注释，所提出的网络也可以在COVID-19图像上实现最先进的分割性能。

2022-09-26eess.IV

熵引导的自监督学习用于医学图像分类

Entropy-Guided Self-Supervised Learning for Medical Image Classification

Institute of Mathematics, Statistics and Scientific Computing（数学、统计与科学计算研究所）；Department of Applied Mathematics, University of Campinas（应用数学系，坎皮纳斯大学）

本文提出了一种结合自监督学习和迁移学习的深度学习框架，通过使用熵引导的掩码自动编码器和ImageNet预训练模型，提升医学图像分类的性能和鲁棒性。

2026-05-21cs.CVeess.IV

Vax-Culture：用于研究Twitter上疫苗讨论的数据集

Vax-Culture: A Dataset for Studying Vaccine Discourse on Twitter

Carleton University（卡尔顿大学）

本研究针对社交媒体上反疫苗错误信息传播问题，构建了含6373条推文及多维度人工标注的Vax-Culture数据集，定义五项基线任务并给出基于transformer模型的实验结果，助力公共卫生传播策略制定与错误信息自动检测。

2023-06-11cs.CLcs.LGcs.SI

构建CORD-19疫苗数据集

Constructing the CORD-19 Vaccine Dataset

University of Washington（华盛顿大学）

本文构建了包含3万篇论文的CORD-19-Vaccination数据集，通过fastText、Yake和LDA等技术增加语言、作者人口统计、关键词与主题信息，并经问答和句子分类任务验证其在COVID-19疫苗NLP研究中的价值。

2024-07-26cs.CLcs.IRcs.LG

用于COVID-19检测中领域自适应的高置信度伪标签

High-confidence pseudo-labels for domain adaptation in COVID-19 detection

Melbourne Data analytics Platform（墨尔本数据分析平台）；The University of Melbourne（墨尔本大学）

本文提出一种用于COVID-19检测的高置信度伪标签领域自适应方法，通过预处理CT扫描分割肺部并训练3D ResNet与Swin Transformer集成模型，利用高置信度预测作为伪标签微调，在COV19D竞赛两项挑战中分别取得93.39%和92.15%的F1分数。

2024-03-20cs.CVeess.IV

COVID-19胸部CT图像分割--一种深度卷积神经网络算法

COVID-19 Chest CT Image Segmentation -- A Deep Convolutional Neural Network Solution

Beijing Jingzhen Medical Technology Ltd.（北京精诊医疗科技有限公司）；Tsinghua University（清华大学）；Australian Institute for Machine Learning, The University of Adelaide（阿德莱德大学澳大利亚机器学习研究所）；Xidian University（西安电子科技大学）

自2019年年底以来，新型冠状病毒病2019（COVID-19）被发现并在全球多个国家迅速蔓延，计算机断层扫描（CT）图像已被用作耗时的RT-PCR测试的重要替代方案。然而，随着疑似病例的增加，CT图像的纯手动分割面临着严峻的挑战，从而迫切需要对COVID-19感染进行准确和自动的分割。不幸的是，由于COVID-19感染的成像特征是多样的并且与背景相似，现有的医学图像分割方法不能达到令人满意的性能。在这项工作中，我们尝试建立一个新的深度卷积神经网络，用于分割具有COVID-19感染的胸部CT图像。我们首先维护了一个新的大型胸部CT图像数据集，该数据集由来自861名确诊COVID-19患者的165，667张带注释的胸部CT图像组成。受感染肺的边界可以通过调整全局强度来增强的观察结果的启发，在所提出的深度CNN中，我们引入了一个特征变化块，该特征变化块自适应地调整用于分割COVID-19感染的特征的全局属性。所提出的FV块可以有效地增强特征表示的能力，并适应于不同的情况。我们融合不同尺度的特征，提出渐进式Atrous空间金字塔池处理复杂的感染区域，具有不同的外观和形状。我们在中国和德国收集的数据上进行了实验，结果表明，所提出的深度CNN可以有效地产生令人印象深刻的性能。

2020-04-26cs.CVcs.LGeess.IV