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
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
TeliNet: Classifying CT scan images for COVID-19 diagnosis
University of Maryland（马里兰大学）
COVID-19自发病以来已导致全球数亿病例和数百万人死亡。防治这一流行病的斗争正在多条战线上进行。虽然疫苗接种速度加快，但仍有数十亿人未接种疫苗。在这场与病毒的斗争中，疾病的诊断和患者的隔离，以防止任何传播发挥了巨大的作用。机器学习方法通过分析患者的胸部X光和CT扫描图像来帮助诊断COVID-19病例。为了推动放射诊断方向的算法开发和研究，与ICCV，2021联合组织了一项对CT扫描系列进行分类的挑战。在这项研究中，我们提出了一种简单而浅层的基于卷积神经网络的方法TeliNet，用于对COVID-19患者的CT扫描图像进行分类，作为此次比赛的一部分。我们的结果优于竞争基准和VGGNet方法的F1“宏观”分数。与其他方法相比，我们提出的解决方案也更轻量级。
2021-08-17 cs.CV eess.IV
Targeted Self Supervision for Classification on a Small COVID-19 CT Scan Dataset
Ryerson University（瑞尔森大学）
传统上，卷积神经网络需要人类标记的大量数据来进行训练。自我监督已被提出作为处理少量标记数据的方法。本研究的目的是确定自我监督是否可以提高小型COVID-19 CT扫描数据集的分类性能。本研究还旨在确定所提出的自我监督策略（有针对性的自我监督）是否是COVID-19成像数据集的可行选择。共有10个实验进行比较所提出的方法的分类性能的自我监督与不同的数据量。实验运行建议的自我监督策略执行显着优于他们的非自我监督的同行。与没有自我监督相比，完全自我监督的准确性提高了近8%。结果表明，自我监督可以提高小型COVID-19 CT扫描数据集的分类性能。有针对性的自我监督代码可以在以下链接中找到：https://github.com/Mewtwo/Targeted-Self-Supervision/tree/main/COVID-CT
2020-11-20 cs.CV eess.IV
Enhanced detection of the presence and severity of COVID-19 from CT scans using lung segmentation
Melbourne Data Analytics Platform（墨尔本数据分析平台）；University of Melbourne（墨尔本大学）
改进医学成像的自动化分析将为临床医生提供更多的选择，为患者提供护理。2023年人工智能医学图像分析研讨会和COVID-19诊断竞赛（AI-MIA-COV 19 D）提供了一个测试和改进机器学习方法的机会，用于通过CT扫描检测患者中COVID-19的存在和严重程度。本文介绍了Cov 3d的第2版，这是一个在2022年竞赛中提交的深度学习模型。该模型通过预处理步骤进行了改进，该预处理步骤在CT扫描中分割肺部并将输入裁剪到该区域。它导致预测CT扫描中COVID-19存在的验证宏观F1评分为93.2%，显著高于74%的基线。它给出了任务2验证集上预测COVID-19严重程度的宏观F1评分为72.8%，高于基线38%。
2023-03-19 cs.CV cs.LG eess.IV
Classification of COVID-19 Patients with their Severity Level from Chest CT Scans using Transfer Learning
National Institute of Technology Delhi（德里国家理工学院）；Indian Institute of Technology, Roorkee（鲁尔基印度理工学院）
背景和目的：在大流行期间，人工智能（AI）方法与生物医学科学相结合的使用在减轻医疗保健系统和医生的负担方面发挥了重要作用。COVID-19病例的快速增加导致对医院病床和其他医疗设备的需求增加。但是，由于医疗设施有限，建议根据感染的严重程度对患者进行诊断。考虑到这一点，我们分享了我们在检测COVID-19以及使用胸部CT扫描和深度学习预训练模型评估其严重程度方面的研究。数据集：我们已收集三个不同类别标签（即非COVID、严重COVID及非严重COVID）的合共1，966张CT扫描图像，其中714张CT图像属于非COVID类别、713张CT图像属于非严重COVID类别及539张CT图像属于严重COVID类别。方法：所有的图像进行初步预处理，使用对比度有限直方图均衡化（CLAHE）的方法。然后将预处理后的图像送入VGG-16网络进行特征提取。最后，检索到的特征进行分类，并使用支持向量机（SVM）与10倍交叉验证（CV）的准确性进行评估。结果与结论：在我们的研究中，我们结合了众所周知的预处理、特征提取和分类策略，使我们获得了显著的疾病成功率及其严重程度识别，准确率为96.05%（非严重COVID-19图像为97.7%，严重COVID-19图像为93%）。因此，我们的模型可以帮助放射科医生检测COVID-19及其严重程度。
2022-05-27 cs.CV eess.IV
Screening COVID-19 Based on CT/CXR Images & Building a Publicly Available CT-scan Dataset of COVID-19
Shiraz University（设拉子大学）；Lancaster University（兰卡斯特大学）；Tehran University of Medical Sciences（德黑兰医科大学）；Bushehr University of Medical Sciences（布什尔医科大学）
COVID-19的迅速爆发威胁着全世界人类的生命。由于诊断基础设施不足，开发准确、高效、廉价和快速的诊断工具非常重要。由于胸部X射线摄影（如胸部X射线（CXR）和CT计算机断层扫描（CT））是筛查COVID-19的一种可能方法，因此开发自动图像分类工具对检测COVID-19患者非常有帮助。迄今为止，研究人员已经提出了几种不同的筛选方法;然而，它们中没有一种可以实现可靠和高度灵敏的性能。现有方法的主要缺点是缺乏足够的训练数据，泛化性能低，误报率高。为了解决这些限制，本研究首先构建了一个大规模的公开可用的CT扫描数据集，由超过1000个个体的超过13 k张CT图像组成，其中8 k张图像来自500名感染COVID-19的患者。其次，我们提出了一个使用我们提出的CT数据集筛查COVID-19的深度学习模型，并报告了基线结果。最后，我们使用迁移学习方法扩展了所提出的CT模型，用于从CXR图像中筛选COVID-19。实验结果表明，所提出的CT和CXR方法分别达到0.886和0.984的AUC分数。
2020-12-29 cs.CV 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
Explainable COVID-19 Detection Using Chest CT Scans and Deep Learning
Institute for Neuro- and Bioinformatics, University of Lübeck（吕贝克大学神经与生物信息学研究所）；Department of Mathematics, Faculty of Science, South Valley University（南谷大学理学院数学系）
本文探讨了在胸部CT图像上训练的深度学习模型如何在快速和自动化的过程中诊断COVID-19感染者。为此，我们采用了先进的深度网络架构，并提出了一种迁移学习策略，使用为每个深度架构量身定制的自定义大小的输入，以实现最佳性能。我们在两个CT图像数据集上进行了大量的实验，即SARS-CoV-2 CT扫描和COVID 19-CT。结果表明，与以往的研究相比，我们的模型具有更好的性能，其中我们最好的模型在SARS-CoV-2数据集上的平均准确度，精确度，灵敏度，特异性和F1得分分别为99.4%，99.6%，99.8%，99.6%和99.4%;在COVID 19-CT数据集上分别为92.9%、91.3%、93.7%、92.2%和92.5%。此外，我们应用两种可视化技术来为模型的预测提供可视化解释。可视化显示了COVID-19与其他肺部疾病的CT图像的良好分离的聚类，以及COVID-19相关区域的准确定位。
2020-11-09 cs.CV eess.IV
Detecting COVID-19 from Chest Computed Tomography Scans using AI-Driven Android Application
National Institute of Technology, Hamirpur（国家理工学院哈米尔布尔分校）；Emory University School of Medicine（埃默里大学医学院）
截至二零二一年六月，COVID-19（二零一九年冠状病毒病）疫情影响全球逾1. 86亿人，逾400万人死亡。其规模已使全球医疗保健系统紧张。胸部计算机断层扫描（CT）扫描在COVID-19的诊断和确诊中具有潜在作用。设计一种具有成本效益且便于在移动电话等资源受限设备上操作的诊断系统将增强胸部CT扫描的临床使用，并提供快速，移动和可访问的诊断功能。这项工作提出开发一种新型的Android应用程序，使用高效准确的深度学习算法从胸部CT扫描中检测COVID-19感染。它还创建了一个注意力热图，通过作为这项工作的一部分开发的算法在CT扫描中分割的肺实质区域上增强，该算法显示了肺部的感染区域。我们提出了一种结合多线程的选择方法，用于在Android设备上更快地生成热图，从而将处理时间减少了约93%。在这项工作中训练用于检测COVID-19的神经网络的F1得分和准确率均为99.58%，灵敏度为99.69%，优于CT扫描COVID诊断领域的大多数结果。这项工作将有益于高容量的实践，并帮助医生在COVID-19的早期诊断中快速有效地对患者进行分流。
2021-11-06 cs.CV cs.LG eess.IV
An Explainable AI System for Automated COVID-19 Assessment and Lesion Categorization from CT-scans
University of Catania（卡塔尼亚大学）；STMicroelectronics（意法半导体）；University of Messina（墨西拿大学）
由SARS-CoV-2病原体引起的COVID-19感染是全球范围内的灾难性大流行疫情，确诊病例呈指数级增长，不幸的是，死亡人数也呈指数级增长。在这项工作中，我们提出了一个基于深度学习范式的人工智能驱动的管道，用于从CT扫描中自动检测COVID-19和病变分类。我们首先提出了一个新的分割模块，旨在自动识别肺实质和肺叶。接下来，我们将这种分割网络与分类网络相结合，用于COVID-19识别和病变分类。我们比较所获得的分类结果与由三位放射科专家在由162个CT扫描组成的数据集上获得的结果。结果显示，COVID-19检测的灵敏度为90%，特异性为93.5%，优于放射科专家的结果，平均病变分类准确率超过84%。结果还表明，先前的肺和肺叶分割发挥了重要作用，使我们能够将性能提高20%以上。此外，对经过训练的人工智能模型的解释表明，支持COVID-19识别决策的最重要区域与临床上与病毒相关的病变一致，即，疯狂的铺路，加固和磨砂玻璃这意味着人工模型能够通过评估CT扫描中这些病变的存在来区分阳性患者和阴性患者（对照组和对COVID检测呈阴性的间质性肺炎患者）。最后，AI模型被集成到用户友好的GUI中，以支持放射科医生的AI可解释性，该模型可在http://perceivelab.com/covid-ai上公开获得。
2021-01-28 cs.CV 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
TDA-Net: Fusion of Persistent Homology and Deep Learning Features for COVID-19 Detection in Chest X-Ray Images
Santa Clara University（圣克拉拉大学）；University of South Florida（南佛罗里达大学）；University of Queensland（昆士兰大学）
拓扑数据分析（TDA）是近年来出现的一种提取和比较数据集结构的强大工具。TDA识别数据中的特征，如连接的元件和孔，并为这些特征分配定量测量。一些研究报告说，TDA工具提取的拓扑特征提供了关于数据的独特信息，发现了新的见解，并确定了哪个特征与结果更相关。另一方面，深度神经网络在学习模式和关系方面的巨大成功已经在大量的数据应用中得到了证明，特别是图像。为了捕捉这两个强大的工具的特点，我们提出了\textit{TDA-Net}，一种新的集成网络，融合了拓扑和深度功能，以提高模型的泛化能力和准确性。我们将所提出的\textit{TDA-Net}应用于一个关键应用，即从CXR图像中自动检测COVID-19。实验结果表明，该网络取得了良好的性能，并表明我们的方法在实践中的适用性。
2021-08-03 cs.CV cs.LG eess.IV
Detecting COVID-19 and Community Acquired Pneumonia using Chest CT scan images with Deep Learning
Indian Institute of Technology, Jammu（印度理工学院贾姆姆分校）；University of Pennsylvania（宾夕法尼亚大学）
我们提出了一个基于两阶段卷积神经网络（CNN）的分类框架，用于使用胸部计算机断层扫描（CT）扫描图像检测COVID-19和社区获得性肺炎（CAP）。在第一阶段，使用预先训练的DenseNet架构检测感染- COVID-19或CAP。然后，在第二阶段，使用EfficientNet架构进行细粒度的三向分类。拟议的COVID+CAP-CNN框架在识别COVID-19和CAP时实现了超过94%的切片级分类准确率。此外，拟议的框架有可能成为COVID-19和CAP鉴别诊断的初始筛查工具，在更精细的COVID-19、CAP和健康三方面分类中，验证准确率超过89.3%。在IEEE ICASSP 2021关于COVID-19诊断的信号处理大挑战（SPGC）中，我们提出的两阶段分类框架在区分COVID-19、CAP和正常个体方面分别实现了90%的总体准确率和.857、.9和.942的灵敏度，在评估中排名第一。代码和型号重量可在https://github.com/shubhamchaudhary2015/ct_covid19_cap_cnn上获得
2021-04-11 cs.CV cs.LG eess.IV
COVID-FACT: A Fully-Automated Capsule Network-based Framework for Identification of COVID-19 Cases from Chest CT scans
Concordia University（康考迪亚大学）；Concordia Institute for Information Systems Engineering (CIISE)（康考迪亚信息系统工程研究所）；Sunnybrook Health Sciences Centre（桑尼布鲁克健康科学中心）；University of Toronto（多伦多大学）；New York University（纽约大学）；University of Montreal（蒙特利尔大学）；Iran university of medical science（伊朗医科大学）；McGill University Health Center-Research Institute（麦吉尔大学健康中心研究所）
新发现的2019冠状病毒病（COVID-19）自2019年底首次出现以来，已在全球蔓延，并导致全球数十万人死亡。与其他诊断测试相比，计算机断层扫描（CT）扫描显示出独特的特征和更高的灵敏度，特别是当前的金标准，即，逆转录聚合酶链反应（RT-PCR）检测。目前基于深度学习的算法主要是基于卷积神经网络（CNN）开发的，用于识别COVID-19肺炎病例。然而，CNN需要大量的数据增强和大型数据集来识别图像实例之间的详细空间关系。此外，利用CT扫描的现有算法使用简单的阈值机制将切片级预测扩展到患者级预测，或者依赖于复杂的感染分割来识别疾病。在本文中，我们提出了一种基于CT的两阶段全自动框架，用于识别COVID-19阳性病例，称为“COVID-FACT”。COVID-FACT利用胶囊网络作为其主要构建模块，因此能够捕获空间信息。特别是，为了使所提出的COVID-FACT独立于感染区域的复杂分割，在第一阶段检测证明感染的切片，第二阶段负责将患者分类为COVID和非COVID病例。COVID-FACT检测有感染的切片，并使用内部CT扫描数据集识别阳性COVID-19病例，包括COVID-19、社区获得性肺炎和正常病例。根据我们的实验，COVID-FACT的准确性为90.82%，灵敏度为94.55%，特异性为86.04%，曲线下面积（AUC）为0.98，而与其同行相比，它依赖于更少的监督和注释。
2020-10-30 cs.CV cs.LG eess.IV
A 3D CNN Network with BERT For Automatic COVID-19 Diagnosis From CT-Scan Images
Shenzhen Deepcam Information Technologies（深圳深图信息技术有限公司）；LinkSprite Technologies（联芯通科技）
我们提出了一个自动COVID 1 -19诊断框架，从肺部CT扫描切片图像。在这个框架中，首先使用分割技术对CT扫描体积的切片图像进行预处理，以过滤掉闭合肺的图像，并去除无用的背景。然后，使用一种重新排序方法来选择一组或多组固定数量的切片图像用于训练和验证。使用具有BERT的3D CNN网络来对这组所选切片图像进行分类。在该网络中，还提取了嵌入特征。在体积中存在多于一组切片图像的情况下，提取所有组的特征并将其汇集到整个CT扫描体积的全局特征向量中。一个简单的多层感知器（MLP）网络被用来进一步分类的聚合特征向量。模型在提供的训练和验证数据集上进行训练和评估。在验证数据集上，准确度为0.9278，F1得分为0.9261。
2021-10-04 cs.CV eess.IV
Automated Detection of COVID-19 from CT Scans Using Convolutional Neural Networks
DeepTek Inc（DeepTek公司）
COVID-19是一种传染病，引起的呼吸系统问题与SARS-CoV（2003年）引起的问题相似。目前，拭子样本正在用于诊断。最常用的检测方法是RT-PCR方法，该方法具有高特异性，但灵敏度可变。基于AI的检测有能力克服这一缺点。在本文中，我们提出了一种前瞻性的方法，其中我们使用胸部CT扫描来诊断患者的COVID-19肺炎。我们使用一组开源图像，作为单独的CT切片，以及来自印度私立医院的完整CT扫描来训练我们的模型。我们使用U-Net架构构建了一个2D分割模型，该模型通过标记出感染区域来输出。我们的模型实现了96.428%（95%CI：88%-100%）的灵敏度和88.39%（95%CI：82%-94%）的特异性。此外，我们推导出将切片级预测转换为扫描级预测的逻辑，这有助于我们减少误报。
2020-06-23 cs.CV cs.LG eess.IV
Interactive Segmentation for COVID-19 Infection Quantification on Longitudinal CT scans
Technical University of Munich（慕尼黑工业大学）；Kyung Hee University（庆熙大学）；University of Toronto（多伦多大学）
针对纵向CT中COVID-19病灶分割问题，提出融合参考时间点、既往分割与用户涂鸦反馈的单网络交互式模型，实验证明其优于静态版本。
2023-06-01 cs.CV eess.IV
COVID-CT-Dataset: A CT Scan Dataset about COVID-19
UC San Diego（加州大学圣地亚哥分校）；UC Berkeley（加州大学伯克利分校）
在COVID-19爆发期间，计算机断层扫描（CT）是诊断COVID-19患者的有用方式。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的COVID-19人工智能诊断方法的研究和开发。为了解决这个问题，我们建立了一个开源数据集- COVID-CT，其中包含来自216名患者的349张COVID-19 CT图像和463张非COVID-19 CT图像。该数据集的实用性得到了一位自疫情爆发以来一直在诊断和治疗COVID-19患者的高级放射科医生的证实。我们还进行了实验研究，进一步证明了该数据集对于开发基于AI的COVID-19诊断模型是有用的。使用该数据集，我们开发了基于多任务学习和自监督学习的诊断方法，其F1为0.90，AUC为0.98，准确度为0.89。根据资深放射科医生的说法，具有这种性能的模型足以用于临床使用。数据和代码可在https://github.com/UCSD-AI4H/COVID-CT上获得
2020-06-17 cs.CV cs.LG eess.IV
Few-shot Learning for CT Scan based COVID-19 Diagnosis
Korea University（高丽大学）；Drexel University（德雷塞尔大学）
2019年冠状病毒病（COVID-19）是国际关注的突发公共卫生事件，感染了188个国家和地区的4000多万人。胸部计算机断层扫描（CT）成像技术因其高诊断准确性和鲁棒性，已成为COVID-19大规模检测不可或缺的方式。最近，深度学习方法已成为自动筛选医学图像的有效工具，也被考虑用于COVID-19诊断。然而，与COVID-19相关的高感染风险导致所收集的标记数据的相对稀疏，限制了此类方法的性能。此外，准确标记CT图像需要放射科医生的专业知识，使得该过程昂贵且耗时。为了解决上述问题，我们提出了一种基于监督域自适应的COVID-19 CT诊断方法，该方法可以在只有少量标记CT扫描样本可用时有效执行。为了补偿标记数据的稀疏性，所提出的方法利用了大量的合成COVID-19 CT图像，并通过跨域训练机制将网络从源域（合成数据）调整到目标域（真实数据）。实验结果表明，该方法在基于Few-Shot COVID-19 CT成像的诊断任务上实现了最先进的性能。
2021-02-01 cs.CV cs.LG eess.IV
HRCTCov19 -- A High-Resolution Chest CT Scan Image Dataset for COVID-19 Diagnosis and Differentiation
Isfahan University of Medical Sciences（伊斯法罕医科大学）；Isfahan University of Technology（伊斯法罕理工大学）；Arak University of Medical Sciences（阿拉克医科大学）；Islamic Azad University（伊斯兰阿扎德大学）
本文提出HRCTCov19高分辨率胸部CT数据集，包含395名患者的181,106张图像及GGO、铺路石征、空气空间实变和阴性四类标签，旨在支持基于AI的COVID-19诊断与鉴别研究。
2023-12-05 cs.CV eess.IV physics.med-ph
Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning
Dartmouth College（达特茅斯学院）
自2019年12月以来，新型冠状病毒病COVID-19在全球蔓延，感染了数百万人，并颠覆了全球经济。其高感染率背后的驱动原因之一是由于RT-PCR检测的不可靠性和缺乏。有时，周转结果长达几天，只能产生大约70%的敏感率。作为替代方案，最近的研究调查了使用计算机视觉与卷积神经网络（CNN）对CT扫描的COVID-19进行分类。由于缺乏可用的COVID-19 CT数据，这些研究工作被迫利用迁移学习。这种常用的深度学习技术已经证明可以提高数据量相对较小的任务的模型性能，只要源特征空间与目标特征空间有点相似。不幸的是，在医学图像的分类中经常遇到缺乏相似性的问题，因为公开可用的源数据集通常缺乏医学图像中的视觉特征。在这项研究中，我们提出使用多源迁移学习（MSTL）来改进传统的迁移学习，用于从CT扫描中分类COVID-19。通过我们的多源微调方法，我们的模型优于使用ImageNet微调的基线模型。此外，我们还提出了一个无监督的标签创建过程，这增强了我们的深度残差网络的性能。我们表现最好的模型能够达到0.893的准确率和0.897的召回分数，比其基线召回分数高出9.3%。
2020-09-22 cs.CV eess.IV
A Transfer Learning Based Approach for Classification of COVID-19 and Pneumonia in CT Scan Imaging
University of Cincinnati（辛辛那提大学）
世界仍被COVID-19病毒的传播所淹没。截至2021年11月，全球感染病例超过2. 5亿例，影响219个国家和地区，全球仍处于大流行时期。在CT扫描图像上使用深度学习方法检测COVID-19，可以在协助医疗专业人员和决策当局控制疾病传播和为患者提供必要支持方面发挥至关重要的作用。卷积神经网络广泛应用于大规模图像识别领域。目前用于诊断COVID-19的RT-PCR方法耗时且普遍受限。这项研究旨在提出一种基于深度学习的方法来对COVID-19肺炎患者、细菌性肺炎、病毒性肺炎和健康（正常病例）进行分类。本文使用深度迁移学习通过Inception-ResNet-V2神经网络架构对数据进行分类。拟议的模式已被有意简化，以降低实施成本，使其可以很容易地在不同的地理区域，特别是农村和发展中地区实施和使用。
2022-10-26 cs.CV cs.LG eess.IV
An Ensemble Deep Learning Approach for COVID-19 Severity Prediction Using Chest CT Scans
Dublin City University（都柏林城市大学）
本研究提出一种基于集成深度学习的模型，结合切片函数、数据增强和测试时增强技术，利用STOIC数据集从胸部CT扫描预测COVID-19严重程度，取得了与复杂方法相当的效果并在STOIC2021挑战赛中获第四名。
2023-05-17 cs.CV cs.LG eess.IV
Data Augmentation and CNN Classification For Automatic COVID-19 Diagnosis From CT-Scan Images On Small Dataset
LinkSprite Technologies（LinkSprite科技公司）；Shenzhen Deepcam Information Technologies（深圳深视信息科技公司）
我们提出了一个自动COVID 1 -19诊断框架，从肺部CT图像。重点是小数据集上的信号处理和分类，努力探索数据准备和增强，以提高二维CNN分类模型的泛化能力。我们提出了一种独特而有效的数据增强方法，使用多个Hounsfield单位（HU）归一化窗口。此外，对原始切片图像进行裁剪以排除背景，并应用滤波器滤除闭合肺图像。对于分类网络，我们选择使用2D Densenet和Xception以及特征金字塔网络（FPN）。为了进一步提高分类精度，使用多个CNN模型和HU窗口的集合。在训练/验证数据集上，我们实现了93.39%的患者分类准确率。
2021-09-30 cs.CV eess.IV
Attention-Enhanced U-Net for Accurate Segmentation of COVID-19 Infected Lung Regions in CT Scans
School of Engineering, University of Kragujevac（克拉古耶瓦茨大学工程学院）
本文提出一种结合注意力机制的改进U-Net模型，用于提高CT扫描中新冠肺部感染区域分割的准确性，实验结果显示其在Dice系数和IoU指标上均优于其他方法。
2026-02-19 cs.AI cs.CV eess.IV
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
2021-07-31 cs.CV eess.IV
CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning
Sberbank AI Laboratory（俄罗斯联邦储蓄银行人工智能实验室）；New York University（纽约大学）
胸部CT扫描分析可用于检测受COVID-19等传染病影响的肺部部分。确定受病变影响的肺部体积对于制定治疗建议和根据疾病严重程度优先考虑患者至关重要。在本文中，我们采用了一种基于使用集成的深卷积神经网络的肺CT扫描切片分割的方法。使用我们的模型，我们能够分割病变，评估患者的动力学，估计受病变影响的肺的相对体积和评估肺损伤阶段。我们的模型是在来自不同医疗中心的数据上训练的。我们将我们的模型的预测结果与六位经验丰富的放射科医生的预测结果进行了比较，我们的分割模型优于其中的大多数。在疾病严重程度分类的任务上，我们的模型优于所有的放射科医生。
2021-05-25 cs.CV cs.LG eess.IV
A Novel and Reliable Deep Learning Web-Based Tool to Detect COVID-19 Infection from Chest CT-Scan
Department of Biomedical Engineering, Science and Research Branch, Islamic Azad University（伊斯兰阿扎德大学科学研究分支生物医学工程系）
冠状病毒已经在世界许多国家传播，并夺走了许多人的生命。此外，世界卫生组织（WHO）已宣布COVID-19已达到全球流行阶段。使用胸部CT扫描的早期和可靠的诊断可以在重要情况下帮助医疗专家。在这项工作中，我们引入了一个计算机辅助诊断（CAD）网络服务来在线检测COVID- 19。本实验使用了最大的公共胸部CT扫描数据库之一，包含746名参与者。研究人员考察了由ResNet、Inception和MobileNet组成的许多知名深度神经网络架构，以找到混杂系统的最有效模型。为了减少图像维度，选择了密集连接卷积网络（DenseNet）和Nu-SVM作为抗过拟合瓶颈的组合来区分COVID-19和健康对照。该方法的召回率为90.80%，精确率为89.76%，准确率为90.61%.该方法还产生95.05%的AUC。最终，一个flask Web服务通过ngrok使用训练好的模型公开，以提供一个RESTful COVID-19检测器，处理一张图像只需要39毫秒。源代码也可以在https://github.com/KiLJ4EdeN/COVID_WEB上获得。根据研究结果，可以推断，使用所提出的技术作为诊断COVID-19的自动化工具是可行的。
2020-06-26 cs.CV cs.LG eess.IV
Human-level COVID-19 Diagnosis from Low-dose CT Scans Using a Two-stage Time-distributed Capsule Network
Concordia University（康考迪亚大学）；University of Toronto（多伦多大学）；McGill University Health Center-Research Institute（麦吉尔大学健康中心-研究所）；Sunnybrook Health Sciences Centre（新宁健康科学中心）；University of Montreal（蒙特利尔大学）；National Cancer Institute（国家癌症研究所）
逆转录-聚合酶链反应（RT-PCR）目前是COVID-19诊断的金标准。然而，它可能需要几天才能提供诊断，并且假阴性率相对较高。影像学，特别是胸部计算机断层扫描（CT），可以帮助诊断和评估这种疾病。然而，它表明，标准剂量的CT扫描给患者，特别是那些需要多次扫描的显着的辐射负担。在这项研究中，我们考虑低剂量和超低剂量（LDCT和ULDCT）扫描协议，减少辐射暴露接近单次X射线，同时保持可接受的分辨率用于诊断目的。由于大流行期间胸部放射学专业知识可能无法广泛使用，我们使用收集的LDCT/ULDCT扫描数据集开发了一个基于人工智能（AI）的框架，以研究AI模型可以提供人类水平性能的假设。AI模型使用两阶段胶囊网络架构，可以使用LDCT/ULDCT扫描快速分类COVID-19，社区获得性肺炎（CAP）和正常病例。AI模型实现了COVID-19敏感性89.5% ± 0.11，CAP敏感性95% ± 0.11，正常病例敏感性（特异性）85.7% ± 0.16，准确性90% ± 0.06。通过合并临床数据（人口统计学和症状），性能进一步提高到COVID-19敏感性为94.3% ± pm 0.05，CAP敏感性为96.7% ± 0.07，正常病例敏感性（特异性）为91% ± 0.09，准确性为94.1% ± 0.03。所提出的AI模型实现了基于LDCT/ULDCT扫描的人类水平的诊断，减少了辐射暴…
2021-12-01 cs.CV cs.LG eess.IV
Robust Framework for COVID-19 Identification from a Multicenter Dataset of Chest CT Scans
Concordia University（康考迪亚大学）；McGill University（麦吉尔大学）；Tehran University of Medical Sciences（德黑兰医科大学）；University of Montreal（蒙特利尔大学）；University of Toronto（多伦多大学）
这项研究的目的是开发一个强大的基于深度学习的框架，以区分COVID-19，社区获得性肺炎（CAP）和正常病例，这些病例基于在不同成像中心使用各种协议和辐射剂量获得的胸部CT扫描。我们表明，虽然我们提出的模型是在使用特定扫描协议仅从一个成像中心获取的相对较小的数据集上训练的，但该模型在使用不同技术参数的多个扫描仪获得的异构测试集上表现良好。我们还表明，模型可以通过无监督的方法进行更新，以应对训练和测试集之间的数据转移，并在从不同中心接收新的外部数据集时增强模型的鲁棒性。我们采用了一种集成架构来聚合来自多个版本模型的预测。出于初始训练和开发目的，使用了171例COVID-19、60例CAP和76例正常病例的内部数据集，其中包含使用恒定标准辐射剂量扫描方案从一个成像中心获取的体积CT扫描。为了评估该模型，我们回顾性地收集了四个不同的测试集，以调查数据特征的变化对模型性能的影响。在测试用例中，有与训练集特征相似的CT扫描，以及噪声低剂量和超低剂量CT扫描。此外，一些测试CT扫描是从有心血管疾病或手术史的患者中获得的。本研究中使用的整个测试数据集包含51例COVID-19，28例CAP和51例正常病例。实验结果表明，我们提出的框架在所有测试集上表现良好，总准确率为96.15%（95%CI：[91.25-98.74]），COVID-19敏感性为96.08%（95%CI：[86.54-99.5]…
2022-07-28 cs.CV cs.LG eess.IV
CT-CAPS: Feature Extraction-based Automated Framework for COVID-19 Disease Identification from Chest CT Scans using Capsule Networks
Concordia University（康考迪亚大学）；McGill University（麦吉尔大学）；Sunnybrook Health Sciences Centre（桑尼布鲁克健康科学中心）；University of Toronto（多伦多大学）
新型冠状病毒（COVID-19）疾病的全球爆发对世界产生了巨大影响，并导致了自第二次世界大战以来全球最具挑战性的危机之一。COVID-19阳性病例的早期诊断和隔离被认为是防止疾病传播和平坦化流行曲线的关键步骤。胸部计算机断层扫描（CT）扫描是一种高度敏感、快速和准确的诊断技术，可以补充逆转录聚合酶链反应（RT-PCR）检测。最近，基于深度学习的模型，主要基于卷积神经网络（CNN），已经显示出有希望的诊断结果。然而，CNN无法捕获图像实例之间的空间关系，并且需要大型数据集。另一方面，胶囊网络可以捕获空间关系，需要更小的数据集，并且具有相当少的参数。在本文中，胶囊网络框架，简称为“CT-CAPS”，提出了自动提取胸部CT扫描的独特特征。这些特征是从最终胶囊层之前的层中提取的，然后被用来区分COVID-19和非COVID病例。在307例患者的内部数据集上的实验显示了最先进的性能，准确性为90.8%，灵敏度为94.5%，特异性为86.0%。
2020-10-30 cs.CV cs.LG 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
A Hybrid Deep Learning CNN Model for Enhanced COVID-19 Detection from Computed Tomography (CT) Scan Images
Virginia Tech（弗吉尼亚理工大学）；BML Munjal University（BML Munjal大学）；University of Indiana Tech（印第安纳理工大学）；Nanjing Medical University（南京医科大学）
本研究提出一种结合VGG16、DenseNet121和MobileNetV2特征提取与PCA降维的混合深度学习CNN模型，通过SVC分类实现了98.93%准确率的COVID-19 CT图像检测。
2025-01-28 cs.AI cs.CV eess.IV
Domain adaptation, Explainability & Fairness in AI for Medical Image Analysis: Diagnosis of COVID-19 based on 3-D Chest CT-scans
Queen Mary University of London（伦敦玛丽女王大学）；National Technical University of Athens（雅典国家技术大学）；National Infrastructures for Research and Technology（国家研究与技术基础设施机构）
本文介绍了2024年CVPR研讨会框架下举办的第四届DEF-AI-MIA COV19D竞赛，包含新冠检测与域适应两项挑战，基于COV19-CT-DB胸部CT数据，公布了基线模型及对应性能。
2024-03-10 cs.CV eess.IV
Improving Automated COVID-19 Grading with Convolutional Neural Networks in Computed Tomography Scans: An Ablation Study
Radboud university medical center（拉德堡德大学医学中心）；Radboud Institute for Health Sciences（拉德堡德健康科学研究所）
在持续的大流行中，多项研究表明，使用计算机断层扫描（CT）图像进行COVID-19分类和分级可以通过卷积神经网络（CNN）自动化。这些研究中的许多都集中在报告从常用组件组装的算法的初始结果。这些组成部分的选择往往是务实的，而不是系统的。例如，一些研究使用2D CNN，即使这些可能不是处理3D CT体积的最佳选择。本文确定了提高基于CNN的CT图像COVID-19分级算法性能的各种组件。我们研究了使用3D CNN而不是2D CNN、使用迁移学习来初始化网络、提供自动计算的病变图作为额外的网络输入以及预测连续而不是分类输出的有效性。具有这些组件的3D CNN在我们的105个CT扫描的测试集上实现了0.934的ROC曲线下面积（AUC），在公开的742个CT扫描集上实现了0.923的AUC，与先前发表的2D CNN相比有了实质性的改进。一项消融研究表明，除了使用3D CNN而不是2D CNN之外，迁移学习对提高模型性能的贡献最大，而连续输出对提高模型性能的贡献最小。
2020-09-21 cs.CV eess.IV
Harmony-Search and Otsu based System for Coronavirus Disease (COVID-19) Detection using Lung CT Scan Images
St. Joseph’s College of Engineering（圣约瑟夫工程学院）；Techno India College of Technology（泰克诺印度技术学院）；Shantou University（汕头大学）；Cairo University（开罗大学）；University of South Dakota（南达科他大学）
肺炎是最重要的肺部疾病之一，未经治疗的肺炎将对所有年龄组造成严重威胁。拟议的工作旨在使用CT扫描提取和评估由冠状病毒疾病（COVID-19）引起的肺部肺炎感染。我们提出了一种图像辅助系统，用于从肺部CT扫描（冠状位视图）中提取COVID-19感染切片。它包括以下步骤：（i）阈值滤波器，通过消除可能的伪影来提取肺部区域;（ii）使用Harmony-Search-Optimization和Otsu阈值的图像增强;（iii）图像分割，提取感染区域;以及（iv）从二进制图像中提取感兴趣区域（ROI）（特征），以计算严重程度。从ROI中提取的特征然后用于识别肺部和感染部分之间的像素比，以识别感染严重程度。该工具的主要目的是帮助肺病学家不仅检测，而且帮助计划治疗过程。因此，对于大规模筛查处理，这将有助于防止诊断负担。
2020-04-06 cs.CV eess.IV q-bio.QM
Comparative study of deep learning methods for the automatic segmentation of lung, lesion and lesion type in CT scans of COVID-19 patients
KU Leuven（鲁汶大学）；UZ Leuven（鲁汶大学医院）；Vrije Universiteit Brussel (VUB)（布鲁塞尔自由大学）；imec
最近对COVID-19的研究表明，CT成像除了有助于了解疾病外，还提供了评估疾病进展和辅助诊断的有用信息。越来越多的研究建议使用深度学习来通过胸部CT扫描提供快速准确的COVID-19量化。感兴趣的主要任务是在确诊或疑似COVID-19患者的胸部CT扫描中自动分割肺部和肺部病变。在这项研究中，我们使用多中心数据集比较了12种深度学习算法，包括开源和内部开发的算法。结果表明，集成不同的方法可以提高肺部分割，二元病变分割和多类病变分割的整体测试集性能，导致平均Dice得分分别为0.982，0.724和0.469。分割得到的二元病变，平均绝对体积误差为91.3 ml。一般来说，区分不同病变类型的任务更加困难，实变和毛玻璃样阴影的平均绝对体积差为152 ml，平均Dice评分分别为0.369和0.523。所有方法均执行二进制病变分割，平均体积误差优于人类评估者的视觉评估，表明这些方法足够成熟，可用于临床实践中的大规模评估。
2022-01-10 cs.CV 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
Enhancing Diagnostic in 3D COVID-19 Pneumonia CT-scans through Explainable Uncertainty Bayesian Quantification
Data Science Research Centre, Liverpool John Moores University（利物浦约翰摩尔大学数据科学研究中心）
本文提出利用贝叶斯神经网络对3D CT扫描中的COVID-19肺炎进行分类，通过不确定性量化与SHAP可解释性提升诊断准确性，轻量级架构达到96%准确率。
2025-01-18 cs.AI cs.CV cs.LG
Strong Baseline and Bag of Tricks for COVID-19 Detection of CT Scans
National Cheng Kung University（国立成功大学）
本文研究了深度学习模型在肺部计算机断层扫描（CT）图像分析中的应用。传统的深度学习框架会遇到兼容性问题，因为CT图像中的切片数量和分辨率会发生变化，这源于使用不同的机器。通常，预测各个切片并随后合并以获得最终结果;然而，这种方法缺乏切片特征学习，因此导致性能下降。我们提出了一种新的切片选择方法，每个CT数据集，以解决这一限制，有效地过滤掉不确定的切片，提高模型的性能。此外，我们引入了一种空间切片特征学习（SSFL）技术\cite{hsu2022}，该技术采用传统且高效的骨干模型进行切片特征训练，然后使用专用分类模型从训练模型中提取一维数据用于COVID和非COVID分类。利用这些实验步骤，我们将一维特征与多个切片进行通道合并，并采用2D卷积神经网络（CNN）模型进行分类。除了上述方法外，我们还探索了各种高性能的分类模型，最终取得了令人鼓舞的结果。
2023-03-15 cs.CV eess.IV
Enhancing COVID-19 Severity Analysis through Ensemble Methods
Indian Institute of Technology Madras（印度理工学院马德拉斯分校）
计算机断层扫描（CT）扫描提供了肺部的详细图像，使临床医生能够观察COVID-19造成的损害程度。基于CT严重度评分（CTSS）的评分方法用于识别CT扫描上观察到的肺部受累程度。本文提出了一种基于领域知识的管道，用于使用图像处理算法和预训练的UNET模型的组合来提取COVID-19患者的感染区域。然后使用三种机器学习模型的集合将感染的严重程度分类为不同的类别：极端梯度提升，极端随机树和支持向量机。该系统在人工智能医学图像分析研讨会和COVID-19诊断竞赛（AI-MIA-COV 19 D）的验证数据集上进行了评估，并获得了64%的宏观F1评分。这些结果证明了将领域知识与机器学习技术相结合，使用CT扫描进行准确COVID-19诊断的潜力。建议的严重性分析系统的实施可在\textit{https://github.com/aanandt/Enhancing-COVID-19-Severity-Analysis-through-Ensemble-Methods.git }上获得
2023-03-17 cs.CV cs.LG eess.IV
CT-xCOV: a CT-scan based Explainable Framework for COVid-19 diagnosis
Hassan 2 University（哈桑二世大学）；Sidi Mohamed Ben Abdellah University（西迪·穆罕默德·本·阿卜杜拉大学）；Mohammed VI Polytechnic University（穆罕默德六世理工大学）
本研究提出CT-xCOV框架，通过U-Net分割和CNN分类实现COVID-19端到端检测，结合Grad-Cam等XAI技术提供可解释性，实验表明分类准确率达98.40%，且Grad-Cam解释效果最优。
2023-11-24 cs.CV eess.IV
A Novel Automated Classification and Segmentation for COVID-19 using 3D CT Scans
National Heart and Lung Institute, Imperial College London（帝国理工学院国家心肺研究所）；Cardiovascular Research Centre, Royal Brompton Hospital（皇家布朗普顿医院心血管研究中心）
基于深度学习的医学图像分类和分割是当前COVID-19变异病毒诊断的紧急研究课题。在COVID-19肺部计算机断层扫描（CT）图像中，毛玻璃样混浊是最常见的发现，需要专家诊断。基于这种情况，一些研究者提出了相关的DL模型，可以在缺乏专业知识的情况下替代临床上的专业诊断专家。然而，尽管DL方法在医学图像处理中具有惊人的性能，但有限的数据集在开发人类水平的诊断准确性方面可能是一个挑战。此外，深度学习算法面临着在三维甚至多维中对医学图像进行分类和分割并保持高准确率的挑战。因此，在保证高精度的情况下，我们的模型可以将患者的CT图像分为三种类型：正常，肺炎和COVID。随后，使用两个数据集进行分割，其中一个数据集甚至只有有限的数据量（20例）。该系统将分类模型和分割模型相结合，基于ResNet 50和3D U-Net算法建立了一个完整的诊断模型。通过输入不同的数据集，根据分类结果对疫区的COVID图像进行分割。我们的模型在3种类型的肺部病变分类中达到了94.52%的准确率：COVID，肺炎和正常。对于未来的医疗用途，将该模型嵌入医疗设施可能是辅助或替代医生进行诊断的有效方法，因此，在COVID-19情况下更广泛的变异病毒问题也可能得到成功解决。
2022-08-04 cs.CV eess.IV
Dense Regression Activation Maps For Lesion Segmentation in CT scans of COVID-19 patients
Radboudumc（拉德堡德大学医学中心）；Thirona
胸部CT上的自动病变分割可以快速定量分析COVID-19感染的肺部受累情况。然而，获得大量的体素级注释用于训练分割网络是非常昂贵的。因此，我们提出了一种基于密集回归激活图（dRAM）的弱监督分割方法。大多数弱监督分割方法利用类激活图（CAM）来定位对象。然而，由于CAM是为了分类而训练的，因此它们不能与对象分割精确对齐。相反，我们使用来自分割网络的密集特征生成高分辨率激活图，该分割网络经过训练以估计每叶病变百分比。以这种方式，网络可以利用关于所需病变体积的知识。此外，我们还提出了一个注意力神经网络模块来优化dRAM，并与主回归任务一起优化。我们评估了我们的算法对90名受试者。结果表明，我们的方法实现了70.2%的Dice系数，大大优于基于CAM的基线48.6%。
2021-11-18 cs.CV cs.LG eess.IV
PrepNet: A Convolutional Auto-Encoder to Homogenize CT Scans for Cross-Dataset Medical Image Analysis
ZHAW School of Engineering（苏黎世应用科学大学工程学院）；Ulm University（乌尔姆大学）；University of Turin（都灵大学）；European Centre for Living Technology（欧洲生命技术中心）
随着COVID-19在全球蔓延，需要快速精确的自动分诊机制，以通过减少人类的努力（例如基于图像的诊断）来减缓疾病的传播。虽然文献已经显示出在这一方向上有希望的努力，报告的结果不考虑在不同情况下获得的CT扫描的可变性，从而使所得模型不适合用于使用例如不同的扫描仪技术获得的数据。虽然现在可以使用PCR测试有效地进行COVID-19诊断，但这种用例证明了需要一种方法来克服数据变异性问题，以便使医学图像分析模型更广泛地适用。在本文中，我们使用COVID-19诊断的例子明确地解决了可变性问题，并提出了一种新的生成方法，旨在消除由成像技术引起的差异，同时通过利用深度自动编码器的想法对CT扫描引入最小的变化。所提出的预处理架构（PrepNet）（i）在多个CT扫描数据集上进行联合训练，并且（ii）能够提取改进的鉴别特征以改进诊断。在三个公共数据集（SARS-COVID-2，UCSD COVID-CT，MosMed）上的实验结果表明，尽管数据集内性能略有下降，但我们的模型将跨数据集泛化提高了$11.84$个百分点。
2022-08-19 cs.CV eess.IV
Using Deep Learning-based Features Extracted from CT scans to Predict Outcomes in COVID-19 Patients
Sensyne Health PLC（森赛恩健康上市公司）；Chelsea and Westminster Hospitals（切尔西与威斯敏斯特医院）；Royal Brompton Hospital（皇家布朗普顿医院）；National Heart and Lung Institute, Imperial College（帝国理工学院国家心肺研究所）
COVID-19疫情对日常生活造成重大影响。通过向受影响者提供必要资源来防治这一疾病至关重要。然而，考虑到决定需求的因素的数量，估计所需资源并不是一项微不足道的任务。这个问题可以通过预测感染患者需要重症监护室（ICU）支持的概率以及影响它的每个因素的重要性来解决。此外，为了帮助医生确定高死亡风险的患者，还计算了死亡概率。为了确定患者的结果（ICU入院和死亡），提出了一种新的方法，通过结合多模态特征，从计算机断层扫描（CT）扫描和电子健康记录（EHR）数据中提取。利用深度学习模型从CT扫描中提取定量特征。这些特征与直接从EHR数据库读取的特征相结合，被输入机器学习模型，最终输出患者预后的概率。这项工作展示了应用广泛的深度学习方法对胸部CT扫描进行一般量化的能力，以及将这些量化指标与患者结果联系起来的能力。通过在内部策划的数据集上测试所提出的方法的有效性，使用性能最好的分类器，在ICU入院预测上实现了0.77的平均受试者工作特征曲线下面积（AUC），在死亡预测上实现了0.73的平均AUC。
2022-05-10 cs.CV eess.IV
Radiologist-Level COVID-19 Detection Using CT Scans with Detail-Oriented Capsule Networks
University of Houston（休斯顿大学）；University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心）
放射影像为快速筛查和监测2019冠状病毒病（COVID-19）患者提供了另一种方法。这种方法受到放射学专家短缺的限制，他们可以及时解释这些图像。基于这一挑战，我们的论文提出了一种新的学习架构，称为面向细节的胶囊网络（DECAPS），用于从计算机断层扫描（CT）扫描中自动诊断COVID-19。我们的网络结合了Capsule Networks的优势和几项旨在提高分类准确性的架构改进。首先，DECAPS使用反向动态路由机制，通过防止来自非描述性区域的信息通过来增加模型稳定性。其次，DECAPS采用了一个躲猫猫训练程序，该程序使用两阶段补丁裁剪和丢弃策略来鼓励网络为每个目标概念生成激活图。然后，网络使用激活图来关注感兴趣的区域，并结合数据的粗粒度和细粒度表示。最后，我们使用一种基于条件生成对抗网络的数据增强方法来处理数据稀缺问题。我们的模型实现了84.3%的准确率，91.5%的召回率和96.1%的ROC曲线下面积，显著优于最先进的方法。我们比较了DECAPS模型的性能与三个经验丰富，训练有素的胸部放射科医生，并表明该架构显着优于他们。虽然需要对更大数据集进行进一步研究以证实这一发现，但我们的结果表明，DECAPS等架构可用于协助放射科医生进行CT扫描介导的COVID-19诊断。
2020-04-16 cs.CV cs.LG eess.IV
CovTANet: A Hybrid Tri-level Attention Based Network for Lesion Segmentation, Diagnosis, and Severity Prediction of COVID-19 Chest CT Scans
Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）；The University of Texas at Dallas（德克萨斯大学达拉斯分校）
快速准确地诊断COVID-19是全球社会在控制这一日益严重的大流行病蔓延方面面临的主要挑战之一。本文提出了一种名为CovTANet的混合神经网络，利用胸部计算机断层扫描（CT）扫描为COVID-19的早期诊断、病变分割和严重程度预测提供端到端的临床诊断工具。引入多阶段优化策略以解决在感染的非常早期阶段的复杂诊断的挑战，其中最初优化有效的病变分割网络，随后将其集成到用于诊断和严重程度预测任务的联合优化框架中，从而提供感染区域的特征增强。此外，为了克服具有新颖和多样特征的COVID病变的扩散、模糊和形状变化的挑战，引入了一种新颖的分割网络，即基于三级注意力的分割网络（TA-SegNet）。该网络大大减少了后续编码解码阶段的语义差距，多尺度特征的巨大并行化可实现更快的收敛，与传统网络相比，性能有了相当大的提高。此外，还引入了一种新的三级关注机制，该机制在网络上重复使用，结合了通道，空间和像素关注方案，通过特征重新校准和增强操作更快，更有效地概括嵌入特征图中的上下文信息。通过对包含1110个胸部CT体积的大型公开数据集进行广泛实验，所有三项任务都取得了出色的表现，这表明拟议方案在大流行现阶段的有效性。
2021-01-03 cs.CV eess.IV
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。
2021-04-14 cs.CV cs.LG eess.IV
COVID19 Prediction Based On CT Scans Of Lungs Using DenseNet Architecture
University at Buffalo（纽约州立大学布法罗分校）
本文提出基于DenseNet卷积神经网络分析肺部CT扫描，在患者确诊后一个月内预测COVID19感染严重程度，以辅助医生判断病情是否可能恶化至插管或死亡。
2025-08-21 cs.AI cs.CV cs.LG
Data Shapley Value for Handling Noisy Labels: An application in Screening COVID-19 Pneumonia from Chest CT Scans
Concordia University（康考迪亚大学）；McGill University（麦吉尔大学）；University of Toronto（多伦多大学）
深度学习模型的一个长期挑战涉及如何处理噪声标签，特别是在人类生命受到威胁的应用中。数据Shapley值（SV）的采用，合作博弈理论的方法，是一个智能的估值解决方案，以解决噪音标签的问题。Data SV可以与学习模型和评估指标一起使用，以验证每个训练点对模型性能的贡献。然而，数据点的SV并不是唯一的，它取决于学习模型、评估指标以及在训练游戏中协作的其他数据点。然而，利用不同的评价指标计算的SV，检测噪声标签，并测量数据点的重要性的影响还没有得到彻底的研究。在这种情况下，我们进行了一系列的比较分析，以评估SV的能力，检测噪声输入标签时，测量不同的评估指标。我们在感染COVID-19的CT图像上的实验表明，尽管数据SV可以有效地识别噪声标签，但采用不同的评估指标会显著影响其识别不同数据类别的噪声标签的能力。具体来说，我们证明了SV极大地依赖于相关的评价指标。
2021-10-17 cs.CV eess.IV
Automated COVID-19 CT Image Classification using Multi-head Channel Attention in Deep CNN
Jadavpur University（贾达普大学）
提出融合多头通道注意力与加权全局平均池化的改进 Xception，用于自动分类 COVID-19 CT 图像，并在常用数据集上达到 96.99% 准确率。
2023-08-12 cs.CV cs.LG eess.IV
A Light CNN for detecting COVID-19 from CT scans of the chest
University of L’Aquila（拉奎拉大学）；Sapienza University（罗马大学）
OVID-19是一种世界性疾病，已被世界卫生组织宣布为大流行病。胸部的计算机断层扫描（CT）成像似乎是一种有效的诊断工具，可以及时发现COVID-19并控制疾病的传播。深度学习已广泛用于医学成像，卷积神经网络（CNN）也已用于CT图像的分类。我们提出了一种基于SqueezeNet模型的轻型CNN设计，用于有效区分COVID-19 CT图像与其他CT图像（社区获得性肺炎和/或健康图像）。在测试的数据集上，提出的改进的SqueezeNet CNN以非常有效的方式（在没有GPU加速的情况下7.81秒的中端laptot）实现了83.00%的准确率、85.00%的灵敏度、81.00%的特异度、81.73%的精确度和0.8333的F1 Score。除了性能之外，平均分类时间相对于更复杂的CNN设计非常有竞争力，因此也允许其在中等功率计算机上的可用性。在接下来的将来，我们的目标是沿着两个方向提高该方法的性能：1）通过增加训练数据集（一旦其他CT图像可用）; 2）通过引入有效的预处理策略。
2020-04-24 cs.CV cs.LG eess.IV
