RCoNet: Deformable Mutual Information Maximization and High-order Uncertainty-aware Learning for Robust COVID-19 Detection
新型2019冠状病毒(COVID-19)感染已在全球广泛传播,目前是全球面临的重大医疗挑战。胸部计算机断层扫描(CT)和X射线图像已被公认为是临床COVID-19疾病诊断的两种有效技术。由于成像时间更快,成本比CT低得多,因此在胸部X射线(CXR)图像中检测COVID-19是有效诊断,评估和治疗的首选。然而,考虑到COVID-19和肺炎之间的相似性,具有分布在类别边界附近的深层特征的CXR样本很容易被从有限的训练数据中学习到的超平面错误分类。此外,大多数现有的COVID-19检测方法都专注于预测的准确性,而忽略了不确定性估计,这在处理噪声数据集时尤为重要。为了缓解这些担忧,我们提出了一种名为{ \em RCoNet $^k_s$ }的新型深度网络,用于稳健的COVID-19检测,该网络采用{ \em可变形交互信息最大化}(DeIM),{ \em混合高阶矩特征}(MHMF)和{ \em多专家不确定性感知学习}(MUL)。借助DeIM,可以很好地估计和最大化输入数据和相应的潜在表示之间的互信息(MI),以捕获紧凑和解纠缠的表示特征。同时,MHMF可以充分利用高阶统计量的优势,提取医学图像中复杂分布的鉴别特征。最后,MUL为每个CXR图像创建多个并行dropout网络,以评估不确定性,从而防止数据中的噪声导致的性能下降。
2021-02-22 cs.CV eess.IV
Automatic Detection of COVID-19 and Pneumonia from Chest X-Ray using Deep Learning
在这项研究中,来自普通病毒性肺炎、细菌性肺炎、确诊的Covid-19疾病患者的X射线图像数据集被用于冠状病毒疾病的自动检测。调查的重点是评估过去几年为临床图片顺序提出的尖端卷积神经系统结构的展示。特别是,被称为迁移学习的系统已经收到。通过迁移学习,在小的临床图片数据集中定位与标准不同的变化是一个可以实现的目标,经常会产生惊人的结果。本试验中使用的数据集。首先,24000张X光图像的集合包括6000张确诊的Covid-19疾病的图像,6000张确诊的普通细菌性肺炎的图像和6000张正常情况的图像。信息是从开放式临床商店的可访问X射线照片中收集和扩展的。结果表明,深度学习与X射线成像可以分离出与Covid-19疾病相关的值得注意的生物标志物,而获得的最佳精确度,可影响性和特殊性分别为97.83%,96.81%和98.56%。
2021-10-15 cs.CV eess.IV
COVID-19 Detection on Chest X-Ray Images: A comparison of CNN architectures and ensembles
São Paulo State University (UNESP)(圣保罗州立大学(UNESP))
COVID-19在首次发现后仅四个月就迅速成为全球大流行病。尽快发现这种疾病以减少其传播至关重要。胸部X线(CXR)图像的使用成为一种有效的筛查策略,与逆转录-聚合酶链反应(RT-PCR)互补。卷积神经网络(CNN)通常用于自动图像分类,它们在CXR诊断中非常有用。本文测试了21种不同的CNN架构,并在CXR图像中识别COVID-19的任务中进行了比较。它们被应用于COVIDx 8B数据集,这是一个大型COVID-19数据集,包含来自至少51个国家的患者的16,352张CXR图像。还采用了CNN的集合,它们表现出比单个实例更好的功效。最好的个体CNN实例结果由DenseNet 169实现,准确率为98.15%,F1得分为98.12%。通过使用五个DenseNet 169实例的集成,这些分别进一步增加到99.25%和99.24%。这些结果高于使用相同数据集的最近作品中获得的结果。
2022-05-09 cs.CV eess.IV
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
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
Automatic Detection of Coronavirus Disease (COVID-19) in X-ray and CT Images: A Machine Learning-Based Approach
University of Saskatchewan(萨斯喀彻温大学);University of Stanford(斯坦福大学)
新发现的冠状病毒肺炎,随后被称为COVID-19,具有高度传播性和致病性,没有临床批准的抗病毒药物或疫苗可用于治疗。COVID-19最常见的症状是干咳、喉咙痛和发烧。症状可发展为严重的肺炎,伴有严重并发症,包括败血性休克、肺水肿、急性呼吸窘迫综合征和多器官衰竭。虽然加拿大目前不建议将医学成像用于COVID-19的初步诊断,但计算机辅助诊断系统可以帮助早期发现COVID-19异常,并有助于监测疾病的进展,从而可能降低死亡率。在这项研究中,我们比较了用于COVID-19自动分类的流行的基于深度学习的特征提取框架。为了获得最准确的特征,这是学习的重要组成部分,MobileNet,DenseNet,Xception,ResNet,InceptionV 3,InceptionResNetV 2,VGGNet,NASNet是从深度卷积神经网络池中选择的。然后将提取的特征输入几个机器学习分类器,将受试者分类为COVID-19病例或对照。该方法避免了特定于任务的数据预处理方法,以支持对未知数据的更好的泛化能力。在公开的COVID-19胸部X射线和CT图像数据集上验证了所提出方法的性能。采用Bagging树分类器的DenseNet 121特征提取器实现了最佳性能,分类准确率为99%。第二好的学习器是由LightGBM训练的ResNet 50特征提取器的混合,准确率为98%。
2020-04-22 cs.CV 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
Detection of COVID-19 Disease using Deep Neural Networks with Ultrasound Imaging
Universidad Nacional Mayor de San Marcos(圣马科斯国立大学);Universidad Nacional de Ingeniería(国立工程大学)
新型冠状病毒2019(COVID-2019)已迅速成为一种流行病,并对日常生活、公共卫生和全球经济产生了毁灭性影响。必须尽早发现阳性病例,以防止这一流行病的进一步传播,并迅速治疗受影响的患者。由于没有准确的自动化工具包,对辅助诊断工具的需求增加了。本文介绍了一个正在进行的工作,提出了使用卷积神经网络的肺部超声扫描图像的分析。经过训练的模型将在Raspberry Pi上用于预测新图像。
2021-04-11 cs.CV eess.IV
COVID-19 Detection in Chest X-Ray Images using a New Channel Boosted CNN
Pakistan Institute of Engineering & Applied Sciences(巴基斯坦工程与应用科学学院);PIEAS Artificial Intelligence Center (PAIC)(PIEAS人工智能中心);Center for Mathematical Sciences(数学科学中心)
COVID-19是一种高度传染性的呼吸道感染,已影响到世界各地的大量人口,并继续造成破坏性后果。必须尽早发现COVID-19,以限制感染范围。在这项工作中,提出了一种基于深度卷积神经网络(CNN)和通道提升的新分类技术CB-STM-RENet,用于筛查胸部X射线中的COVID-19。在这方面,为了学习COVID-19特定的射线照相模式,开发了基于分裂-变换-合并(STM)的新卷积块。这个新的块系统地结合了区域和基于边缘的操作在每个分支,以捕捉不同层次的功能,特别是那些与区域同质性,纹理变化,和边界的感染区域。所提出的CNN架构的学习和辨别能力通过利用将辅助通道与原始通道连接在一起的通道提升(Channel Boosting)思想来增强。辅助通道是使用迁移学习从预训练的CNN生成的。在三种不同的胸部X射线数据集(即CoV-Healthy-6 k、CoV-NonCoV-10 k和CoV-NonCoV-15 k)上评估了所提出的技术CB-STM-RENet的有效性。所提出的CB-STM-RENet与现有技术的性能比较在区分COVID-19胸部感染与健康以及其他类型的胸部感染方面表现出高性能。CB-STM-RENet在所有这三个数据集上提供了最高的性能;特别是在严格的CoV-NonCoV-15 k数据集上。所提出的技术的良好检测率(97%)和高精度(93%)表明它可以适用于COVID-19…
2020-12-17 cs.CV eess.IV
Automated detection of COVID-19 cases from chest X-ray images using deep neural network and XGBoost
Amirkabir University of Technology(阿米尔卡比尔理工大学);Semnan University(塞姆南大学)
2019年末及COVID-19全球大流行后,许多研究人员及学者尝试提供检测COVID-19病例的方法。因此,本研究的重点是从胸部X光图像中识别COVID-19病例。本文提出了一种新的方法来诊断冠状病毒病的X射线图像。在所提出的方法中,DenseNet 169深度神经网络用于提取从患者胸部拍摄的X射线图像的特征,然后将提取的特征作为极端梯度提升(XGBoost)算法的输入,以便它可以执行分类任务。对所提出的方法的评估及其与近年来提出的方法的比较表明,所提出的方法比现有方法更准确、更快,并且在从X射线图像中检测COVID-19病例方面具有可接受的性能。
2021-09-03 cs.CV cs.LG eess.IV
CovXR: Automated Detection of COVID-19 Pneumonia in Chest X-Rays through Machine Learning
Cupertino High School(库比蒂诺高中);Stanford University(斯坦福大学)
2019冠状病毒病(COVID-19)是由严重急性呼吸道综合征冠状病毒2(SARS-CoV-2)引起的高度传染性疾病。COVID-19的标准诊断检测程序是使用实时聚合酶链反应(PCR)检测鼻咽拭子中的SARS-CoV-2核酸,这可能需要数天时间才能提供诊断。另一种普遍的检测形式是快速抗原检测,与PCR相比,其灵敏度较低,但因其通常15-30分钟的快速诊断时间而受到青睐。COVID-19检测呈阳性的患者在87%的病例中表现出弥漫性肺泡损伤。机器学习已被证明在放射学的图像分类问题中具有优势。在这项工作中,我们介绍了CovXR作为一种机器学习模型,旨在检测胸部X射线(CXR)中的COVID-19肺炎。CovXR是一个卷积神经网络(CNN),在超过4,300个胸部X光片上训练。模型的性能通过准确性、F1评分、灵敏度和特异性来衡量。该模型的准确率为95.5%,F1得分为0.954。敏感性为93.5%,特异性为97.5%。CovXR的准确率超过95%,F1评分超过0.95,在CXR上预测COVID-19肺炎的准确率非常高。该模型实现了比以前工作更好的准确性,并使用独特的方法来识别COVID-19肺炎。CovXR在PCR确诊阳性患者的CXR上识别COVID-19方面高度准确,并提供比PCR检测快得多的结果。
2021-10-12 cs.CV eess.IV
DCNNV-19: A Deep Convolutional Neural Network for COVID-19 Detection in Chest Computed Tomographies
本技术报告提出使用深度卷积神经网络作为初步诊断方法,用于分析具有严重急性呼吸系统综合征(SARS)症状和疑似COVID-19疾病患者的胸部计算机断层扫描图像,特别是在RT-PCR结果延迟和缺乏紧急护理可能导致严重的暂时性,长期或永久性健康损害的情况下。该模型在83,391张图像上进行了训练,在15,297张图像上进行了验证,并在22,185张图像上进行了测试,实现了98%的F1分数,Cohen's Kappa为97.59%,准确率为98.4%,损失率为5.09%。证明高度准确的自动化分类,并在更短的时间内提供结果比目前的黄金标准考试,实时逆转录聚合酶链反应(RT-PCR)。
2022-08-23 cs.CV 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
Reliable COVID-19 Detection Using Chest X-ray Images
Faculty of Information Technology and Communication Sciences, Tampere University(坦佩雷大学信息技术与通信科学学院);Department of Electrical Engineering, Qatar University(卡塔尔大学电气工程学院)
针对现有COVID-19检测数据稀缺、区分疾病类型有限的问题,提出ReCovNet网络及最大CXR数据集QaTa-COV19,可区分14种胸部疾病与健康者,敏感性98.57%,特异性99.77%。
2021-01-28 cs.CV cs.LG eess.IV
CCTCOVID: COVID-19 Detection from Chest X-Ray Images Using Compact Convolutional Transformers
Islamic Azad University(伊斯兰阿扎德大学);University of Birjand(比尔詹德大学);Fasa University(法萨大学);Shahid Beheshti University(沙希德·贝赫什提大学)
COVID-19是一种新型病毒,攻击上呼吸道和肺部。它在人与人之间的传播相当迅速,这在个人生活的几乎每一个方面都造成了严重的问题。虽然一些感染者可能完全没有症状,但其他人经常出现轻度至重度症状。除此之外,全球数以千计的死亡病例表明,检测COVID-19是社区的迫切需求。实际上,这主要是在筛选医学图像(如计算机断层扫描(CT)和X射线图像)的帮助下完成的。然而,繁琐的临床程序和大量的日常病例对医生提出了很大的挑战。基于深度学习的方法在广泛的医疗任务中表现出了巨大的潜力。因此,我们引入了一种基于变换器的方法,用于使用紧凑卷积Transformers(CCT)从X射线图像中自动检测COVID-19。我们广泛的实验证明了所提出的方法的有效性,准确率为98%,优于以前的作品。
2022-09-27 cs.CV eess.IV
A Comparative Study of Federated Learning Models for COVID-19 Detection
University of Groningen(格罗宁根大学);UMCG(格罗宁根大学医学中心)
深度学习在诊断COVID-19方面是有效的,需要大量数据进行有效训练。由于数据和隐私法规,医院通常无法访问其他医院的数据。联邦学习(FL)已被用来解决这个问题,其中它利用分布式设置,以隐私保护的方式在医院中训练模型。部署FL并不总是可行的,因为它需要高计算和网络通信资源。本文评估了五种FL算法用于Covid-19检测的性能和资源效率。建立了一个具有CNN网络的分散环境,并将FL算法的性能与集中环境进行了比较。我们研究了不同数量的参与者,联邦轮和选择算法的算法。我们的研究结果表明,循环权重转移可以有更好的整体性能,结果是更好的参与医院少。我们的研究结果证明了检测COVID-19患者的良好性能,并且可能有助于部署FL算法用于COVID-19检测和医学图像分析。
2023-03-28 cs.CV cs.LG eess.IV
AI-MIA: COVID-19 Detection & Severity Analysis through Medical Imaging
Queen Mary University London(伦敦玛丽女王大学);National Technical University(国立技术大学)
本文介绍了在欧洲计算机视觉会议(ECCV 2022)AIMIA研讨会框架内举办的第二届Covid-19竞赛的基线方法。它介绍了COV 19-CT-DB数据库,该数据库为COVID-19 determination进行了注释,由约7,700个三维CT扫描组成。由Covid-19病例组成的部分数据库进一步注释了四种Covid-19严重程度。我们将数据库和数据库的后半部分划分为训练、验证和测试数据集。前两个数据集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。基线方法包括基于CNN-RNN网络的深度学习方法,并报告其在COVID 19-CT-DB数据库上的性能。
2022-06-13 cs.CV cs.LG eess.IV
Deep Learning in Detection and Diagnosis of Covid-19 using Radiology Modalities: A Systematic Review
Shahid Beheshti University of Medical Sciences(沙希德·贝赫什提医科大学);Student Research Committee(学生研究委员会);School of Allied Medical Science(Allied Medical Science学院);Department of Health Information Technology and Management(卫生信息技术与管理系)
目的:2019冠状病毒病的早期发现和诊断以及以最低成本和在疾病早期准确分离患者与非2019冠状病毒病病例是2019冠状病毒病流行的主要挑战之一。关于疾病的新颖性,基于放射图像的诊断方法尽管在诊断中心有许多用途,但仍存在不足。因此,医学和计算机研究人员倾向于使用机器学习模型来分析放射学图像。研究方法:本次系统综述通过检索PubMed、Scopus和Web of Science三个数据库进行,检索时间为2019年11月1日至2020年7月20日。基于检索策略,关键词为Covid-19、深度学习、诊断和检测,提取了168篇文章,最终通过纳入和排除标准选择37篇文章作为研究人群。测试结果:本综述研究概述了通过放射学模式检测和诊断Covid-19的所有模型的现状及其基于深度学习的处理。根据这一发现,基于深度学习的模型具有非凡的能力,可以实现准确有效的COVID-19检测和诊断系统,将其用于CT扫描和X射线图像的处理,将导致灵敏度和特异性值的显着增加。结论:深度学习(DL)在Covid-19放射图像处理领域的应用减少了该疾病检测和诊断中的假阳性和阴性错误,并为患者提供了快速,廉价和安全的诊断服务的最佳机会。
2020-12-21 cs.CV cs.LG eess.IV
The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays
University of Leeds(利兹大学);Leeds Teaching Hospitals NHS Trust(利兹教学医院 NHS 信托基金)
自COVID-19出现以来,人们开发了深度学习模型来从胸部X光检查中识别COVID-19。由于几乎没有直接存取医院数据,人工智能社区严重依赖由众多数据源组成的公共数据。在对开源源数据进行训练和测试时,模型性能结果非常出色,超过了COVID-19爆发之前人工智能在肺炎检测方面的报告能力。在这项研究中,有影响力的模型在广泛使用的开放源数据上进行训练,并在外部测试集和医院数据集上进行测试,用于将胸部X射线分类为三类之一:COVID-19,非COVID肺炎和非肺炎。通过ROC曲线、混淆矩阵和标准分类度量对模型的分类性能进行了评价。可解释性模块的实现,以探索最重要的分类图像功能。数据分析和模型评估表明,流行的开源数据集COVIDx并不能代表真正的临床问题,并且测试结果被夸大了。对开放源数据的依赖可能使模型容易受到偏见和混淆变量的影响,需要仔细分析,以开发临床上有用/可行的人工智能工具,用于胸部X光检查中的COVID-19检测。
2021-09-14 cs.CV cs.LG eess.IV
Detection of Covid-19 Patients with Convolutional Neural Network Based Features on Multi-class X-ray Chest Images
Zonguldak Bulent Ecevit University(宗古尔达克·比伦特·埃杰维特大学)
COVID-19是一种非常严重的致命疾病,已被世界卫生组织(WHO)宣布为大流行病。全世界都在尽一切努力尽快结束新冠肺炎大流行,这场大流行使各国陷入严重的健康和经济问题。其中最重要的是正确识别那些感染新冠肺炎的人。支持逆转录聚合酶链反应(RT-PCR)检测的方法和途径已开始在文献中出现。在这项研究中,使用了可以轻松快速获取的胸部X光图像,因为新冠病毒攻击了呼吸系统。支持向量机的分类性能已通过使用从这些图像中提取的特征与残差网络(ResNet-50),卷积神经网络模型之一。虽然使用支持向量机(SVM)-二次获得Covid-19检测,使用5倍交叉验证方法的最高灵敏度值为96.35%,但使用SVM-二次和SVM-三次检测到的最高总体性能值均超过99%。根据这些高的结果,认为这种方法,已经研究,将帮助放射科专家和降低误检率。
2020-12-10 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
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
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
COVID-Net CXR-2: An Enhanced 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.(DarwinAI公司);McMaster University(麦克马斯特大学);Thunder Bay Regional Health Sciences Centre(桑德贝地区健康科学中心);Northern Ontario School of Medicine(北安大略医学院)
随着COVID-19大流行在全球范围内持续蔓延,鉴于其在呼吸系统疾病的常规临床用途,使用胸部X射线(CXR)成像作为RT-PCR检测的补充筛查策略的情况继续增长。作为COVID-Net开源计划的一部分,我们推出了COVID-Net CXR-2,这是一种增强的深度卷积神经网络设计,用于从CXR图像中检测COVID-19,该图像使用比原始COVID-Net更多数量和多样性的患者构建。为了促进这一点,我们还引入了一个新的基准数据集,由来自至少51个国家的16,656名患者的多国队列的19,203张CXR图像组成,使其成为开放获取形式的最大,最多样化的COVID-19 CXR数据集。COVID-Net CXR-2网络的灵敏度和阳性预测值分别达到95.5%/97.0%,并以透明和负责任的方式进行审计。在审计过程中使用了可解释性驱动的性能验证,以更深入地了解其决策行为,并确保利用临床相关因素来提高对其使用的信任度。还进行了放射科医生验证,其中两名委员会认证的放射科医生分别拥有超过10年和19年的经验,并对选定病例进行了审查和报告,结果表明COVID-Net CXR-2所利用的关键因素与放射科医生的解释一致。虽然不是一个生产就绪的解决方案,但我们希望COVID-Net CXR-2和相应的CXR基准数据集的开源,开放访问版本将鼓励研究人员,临床科学家和公民科学家加速对抗流行病的进步和创新。
2021-05-14 cs.CV cs.LG 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
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
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
CovidAID: COVID-19 Detection Using Chest X-Ray
Indian Institute of Technology Delhi(德里印度理工学院);University of Bath(巴斯大学);Indian Institute of Technology Kanpur(坎普尔印度理工学院);All India Institute of Medical Sciences Delhi(德里全印度医学科学研究所)
COVID-19患者的指数级增长使世界各地的医疗保健系统不堪重负。由于检测试剂盒有限,不可能使用常规技术(RT-PCR)对每个呼吸道疾病患者进行检测。这些测试也有很长的周转时间和有限的灵敏度。在等待检测结果期间,通过胸部X光检测可能的COVID-19感染可能有助于隔离高风险患者。大多数医疗保健系统中已经有了X射线机,并且大多数现代X射线系统已经数字化,样本也不需要运输时间。在这项工作中,我们建议使用胸部X射线优先选择患者进行进一步的RT-PCR检测。这在住院环境中可能是有用的,在住院环境中,目前的系统正在努力决定是否将患者与其他患者一起保持在病房中或将他们隔离在COVID-19区域中。它还将有助于识别具有高可能性的COVID患者,这些患者具有假阴性RT-PCR,需要重复测试。此外,我们建议使用现代人工智能技术,以自动化的方式使用X射线图像检测COVID-19患者,特别是在放射科医生无法使用的情况下,并有助于使拟议的测试技术可扩展。我们介绍CovidAID:COVID-19 AI检测器,这是一种基于深度神经网络的新型模型,用于对患者进行分类,以进行适当的检测。在公开可用的covid-chestxray-dataset [2]上,我们的模型对COVID-19感染的准确率为90.5%,灵敏度(召回率)为100%。我们在同一数据集上显著改进了Covid-Net [10]的结果。
2020-04-21 cs.CV cs.LG eess.IV
COVID-19 Infection Map Generation and Detection from Chest X-Ray Images
Tampere University(坦佩雷大学);Qatar University(卡塔尔大学);Reem Medical Center(里姆医疗中心);Hamad Medical Corporation Hospital(哈马德医疗公司医院);Weill Cornell Medicine - Qatar(威尔康奈尔医学院卡塔尔分校)
本研究提出一种通过生成感染图来联合定位、分级和检测CXR图像中COVID-19的新方法,并构建了含119,316张图像的大型数据集,实现了83.20%的F1分数和94.96%的敏感性。
2021-01-06 cs.CV cs.LG eess.IV
Automatic Detection of COVID-19 Cases on X-ray images Using Convolutional Neural Networks
University of São Paulo (USP)(圣保罗大学)
近几个月来,COVID-19的快速发展令世界感到惊讶。为了应对这一疾病并尽量减少其社会经济影响,除了监测和治疗外,诊断是一个至关重要的程序。然而,这一目标的实现受到延误和获得实验室检测的机会有限的阻碍,需要采取新的战略来进行病例分类。在这种情况下,深度学习模型被提出作为一种可能的选择,以帮助基于胸部X射线和计算机断层扫描图像的诊断过程。因此,本研究旨在通过深度学习技术,使用卷积神经网络(CNN)自动化从胸部图像中检测COVID-19病例的过程。这些结果有助于扩大其他形式的COVID-19检测方法的使用范围,并加快识别这种疾病的过程。所有使用的数据库、构建的代码以及从模型训练中获得的结果都可供开放获取。这一行动有助于其他研究人员参与增强这些模型,因为这有助于改善结果,从而在应对COVID-19方面取得进展。
2020-07-02 cs.CV cs.LG eess.IV
COVID-Net US-X: Enhanced Deep Neural Network for Detection of COVID-19 Patient Cases from Convex Ultrasound Imaging Through Extended Linear-Convex Ultrasound Augmentation Learning
University of Waterloo(滑铁卢大学);McGill University(麦吉尔大学);St. Mary’s Hospital(圣玛丽医院);Waterloo AI Institute(滑铁卢人工智能研究院);DarwinAI Corp.(达尔文人工智能公司)
随着全球人口继续面临持续的COVID-19大流行的重大负面影响,床旁超声(POCUS)成像作为COVID-19临床工作流程中低成本且有效的成像方式的选择的使用越来越多。在COVID-19临床工作流程中广泛采用POCUS的一个主要障碍是缺乏能够解释POCUS检查结果的专家临床医生,这导致人们对深度学习驱动的临床决策支持系统产生了极大的兴趣,以应对这一挑战。使用POCUS构建用于COVID-19筛查的深度神经网络的一个主要挑战是用于捕获超声图像的探头类型的异质性(例如,凸探头与线性探头),这可能导致非常不同的视觉外观。在这项研究中,我们探索了利用扩展的线性凸超声增强学习对生成用于COVID-19评估的增强型深度神经网络的影响,其中我们对凸探头数据以及已转换为更好地类似凸探头数据的线性探头数据进行数据增强。使用通过机器驱动的设计探索策略设计的高效深柱状抗锯齿卷积神经网络(我们将其命名为COVID-Net US-X)的实验结果表明,所提出的扩展线性凸超声增强学习显着提高了性能,测试精度提高了5.1%,AUC提高了13.6%。
2022-04-29 cs.CV cs.LG eess.IV
Covid-19: Automatic detection from X-Ray images utilizing Transfer Learning with Convolutional Neural Networks
University of Patras(帕特雷大学);Computer Technology Institute(计算机技术研究所)
在这项研究中,来自普通肺炎、新冠肺炎和正常事件患者的X射线图像数据集被用于冠状病毒的自动检测。该研究的目的是评估近年来提出的用于医学图像分类的最先进的卷积神经网络架构的性能。具体而言,采用了称为迁移学习的程序。通过迁移学习,检测小型医学图像数据集中的各种异常是一个可以实现的目标,通常会产生显着的结果。本实验中使用的数据集是1427张X射线图像的集合。包括224张确诊的新冠肺炎图像,700张确诊的普通肺炎图像,以及504张正常情况下的图像。这些数据是从公共医疗资料库中的可用X射线图像中收集的。通过迁移学习,COVID-19检测的总体准确率达到97.82%。
2020-03-25 cs.CV cs.LG eess.IV
Vision Transformer based COVID-19 Detection using Chest X-rays
COVID-19是一种全球性大流行病,由于其快速突变,检测它们对于当今的医疗专业人员来说是一项重大任务。目前检查胸部X光片和CT扫描的方法需要渊博的知识,而且很耗时,这表明当人们的生命处于危险之中时,它会缩短医生的宝贵时间。本研究试图通过微调Vision Transformer(ViT)实现胸部X射线分类的最新性能来帮助这一过程。所提出的方法使用预训练的模型,经过微调以检测胸部X光片上COVID-19疾病的存在。该方法的准确率为97.61%,精确率为95.34%,召回率为93.84%,f1分数为94.58%。这一结果表明了基于变压器的模型在胸部X射线上的性能。
2021-10-09 cs.CV cs.LG eess.IV
COVID-19 detection from scarce chest x-ray image data using few-shot deep learning approach
在当前COVID-19大流行形势下,迫切需要快速准确地筛查感染患者。使用在胸部X光图像上训练的深度学习模型可以成为在这些情况下筛查COVID-19患者的有效方法。深度学习方法已经在医学界广泛使用。但是,它们需要大量的数据才能准确。开源社区集体努力收集和注释数据,但这不足以训练准确的深度学习模型。Few-Shot学习是机器学习的一个子领域,旨在用较少的数据量学习目标。在这项工作中,我们已经尝试了众所周知的解决方案,用于深度学习中的数据稀缺性,以检测COVID-19。这些包括数据增强、迁移学习、Few-Shot学习和无监督学习。我们还提出了一种自定义的Few-Shot学习方法,使用连体网络检测COVID-19。我们的实验结果表明,即使数据量较少,我们也可以通过采用Few-Shot学习方法来实现高效准确的COVID-19检测深度学习模型。使用我们提出的方法,我们能够实现96.4%的准确性,从83%使用基线模型的改进。
2021-03-01 cs.CV cs.LG eess.IV
Machine learning approaches for COVID-19 detection from chest X-ray imaging: A Systematic Review
Universidad Autónoma de Manizales(马尼萨莱斯自治大学);Universidad Nacional de Colombia(哥伦比亚国立大学)
有必要开发负担得起且可靠的诊断工具,以遏制COVID-19的传播。机器学习(ML)算法已被提出来设计支持决策系统,以评估胸部X射线图像,这已被证明是有用的检测和评估疾病进展。围绕这一主题发表了许多研究文章,这使得很难确定未来工作的最佳方法。本文对ML应用于使用胸部X射线图像的COVID-19检测进行了系统综述,旨在为研究人员提供方法,架构,数据库和当前限制方面的基线。
2022-06-11 cs.CV cs.LG eess.IV
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
OSegNet: Operational Segmentation Network for COVID-19 Detection using Chest X-ray Images
Faculty of Information Technology and Communication Sciences, Tampere University(坦佩雷大学信息技术与传播科学学院);Department of Electrical Engineering, Qatar University(卡塔尔大学电气工程学院)
针对COVID-19检测中数据稀缺和深度网络决策不可靠的问题,提出OSegNet分割网络,扩展QaTa-COV19数据集至121,378张CXR图像,实现99.65%准确率和98.09%精确率。
2022-05-30 cs.CV cs.LG eess.IV
Improving COVID-19 CXR Detection with Synthetic Data Augmentation
Technische Hochschule Ulm - Ulm University of Applied Sciences(乌尔姆应用技术大学);Universitätsklinikum Ulm - Ulm University Medical Center(乌尔姆大学医学中心)
自COVID-19大流行开始以来,研究人员开发了深度学习模型来对COVID-19引起的肺炎进行分类。与许多医学成像任务一样,可用数据的质量和数量通常是有限的。在这项工作中,我们在公开的COVID-19图像数据上训练了一个深度学习模型,并在当地医院的胸部X光数据上评估了该模型。数据已经过两名放射科医生的审查和标记,以确保模型的泛化能力的高质量估计。此外,我们正在使用生成对抗网络来基于这些数据生成合成X射线图像。我们的研究结果表明,使用这些合成图像进行数据增强可以显着提高模型的性能。对于许多稀疏数据域,这可能是一种很有前途的方法。
2021-12-14 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
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
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
Explainable and Lightweight Model for COVID-19 Detection Using Chest Radiology Images
International Institute of Information Technology(国际信息技术研究所)
由于COVID-19大流行,胸部X光(CXR)和计算机断层扫描(CT)图像的深度学习(DL)分析近年来引起了广泛关注。卷积神经网络(CNN)非常适合在大量数据上进行训练的图像分析任务。与任何其他领域相比,为医学图像分析开发的应用需要高灵敏度和精度。大多数用于检测COVID-19的工具都声称具有高灵敏度和召回率,但在对未知数据集进行测试时未能推广和执行。这鼓励我们开发一个CNN模型,通过使用Grad-CAM技术生成的类激活图可视化模型的预测来分析和理解它的性能。这项研究提供了一个详细的讨论所提出的模型在图像水平上的成功和失败。该模型的性能进行了比较,与国家的最先进的DL模型,并显示是可比的。使用的数据和代码可在https://github.com/aleesuss/c19上获得。
2022-12-28 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
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
COVID-19 Detection Using Slices Processing Techniques and a Modified Xception Classifier from Computed Tomography Images
Izmir Democracy University(伊兹密尔民主大学)
本研究通过切片处理和手动裁剪突出肺部区域,结合改进的Xception迁移学习模型,在COV19-CT数据库上实现了COVID-19的高效二分类检测,显著提升了验证准确率和宏F1分数。
2023-12-10 cs.CV cs.LG eess.IV
CovidExpert: A Triplet Siamese Neural Network framework for the detection of COVID-19
Shahjalal University of Science and Technology(沙赫贾拉勒科技大学)
感染COVID-19的患者可能会出现肺炎样症状以及可能损害肺部的呼吸系统问题。根据医学图像,可以使用各种机器学习方法来准确地识别和预测冠状病毒疾病。大多数已发表的机器学习方法可能需要大量的超参数调整,并且不适合小数据集。少样本学习算法通过利用相对小的数据集中的数据,旨在减少对大数据集的需求。这启发我们开发了一个少样本学习模型,用于早期检测COVID-19,以减少这种危险疾病的后效应。所提出的架构结合了少样本学习与预训练的卷积神经网络的集合,从CT扫描图像中提取特征向量进行相似性学习。提出的三重连体网络作为少样本学习模型,将CT扫描图像分为正常、COVID-19和社区获得性肺炎。建议的模型达到了98.719%的总体准确性,99.36%的特异性,98.72%的灵敏度,和ROC评分为99.9%,只有200 CT扫描每个类别的训练数据。
2023-02-17 cs.CV cs.LG
Auto-Lesion Segmentation with a Novel Intensity Dark Channel Prior for COVID-19 Detection
提出一种基于强度暗通道先验和深度神经网络的自动病灶分割框架,用于CT图像中COVID-19检测,Resnet-50模型达到98.8%准确率,优于10余项现有研究。
2025-06-21 cs.CV eess.IV math.MG
Estimating Uncertainty and Interpretability in Deep Learning for Coronavirus (COVID-19) Detection
Brunel University London(布鲁内尔大学伦敦分校)
深度学习已经在医学成像领域取得了最先进的性能。然而,这些用于疾病检测的方法仅关注于提高分类或预测的准确性,而不量化决策中的不确定性。了解基于计算机的医疗诊断的可信度对于获得临床医生对该技术的信任并因此改善治疗至关重要。今天,2019年冠状病毒(SARS-CoV-2)感染是世界各地的主要医疗挑战。在X射线图像中检测COVID-19对于诊断、评估和治疗至关重要。然而,报告中的诊断不确定性对放射科医生来说是一项具有挑战性且不可避免的任务。在这篇论文中,我们研究了基于下降权重的贝叶斯卷积神经网络(BCNN)如何估计深度学习解决方案中的不确定性,以提高人机团队使用公开的COVID-19胸部X射线数据集的诊断性能,并表明预测中的不确定性与预测的准确性高度相关。我们相信,不确定性感知深度学习解决方案的可用性将使人工智能(AI)在临床环境中得到更广泛的采用。
2020-03-27 cs.CV cs.LG eess.IV
COVID-Net US: A Tailored, Highly Efficient, Self-Attention Deep Convolutional Neural Network Design for Detection of COVID-19 Patient Cases from Point-of-care Ultrasound Imaging
University of Waterloo(滑铁卢大学);National Research Council Canada(加拿大国家研究委员会);Oakville Trafalgar Memorial Hospital(奥克维尔特拉法加纪念医院);McMaster University(麦克马斯特大学);Waterloo Artificial Intelligence Institute(滑铁卢人工智能研究所)
2019冠状病毒病(COVID-19)大流行影响了全球生活的许多方面,减轻其影响的关键因素是筛查个人感染,从而为这些人提供适当的治疗以及采取行动防止病毒进一步传播。床旁超声(POCUS)成像已被提议作为一种筛查工具,因为它比传统上用于肺部检查的其他成像方式(即胸部X射线和计算机断层扫描)便宜得多,也更容易应用。鉴于全球许多受影响严重的地区缺乏专业放射科医生来解释POCUS检查,低成本的深度学习驱动的临床决策支持解决方案可以在持续的大流行期间产生巨大影响。受此启发,我们推出了COVID-Net US,这是一种高效的自关注深度卷积神经网络设计,专为从肺部POCUS图像中筛查COVID-19而量身定制。实验结果表明,提出的COVID-Net US可以实现超过0.98的AUC,同时在Raspberry Pi上实现353倍的低架构复杂度,62倍的低计算复杂度和14.3倍的快速推理时间。还进行了临床验证,其中由专门从事重症监护(ICU)的执业临床医生(20年临床实践)和15年POCUS解释专业知识对选定病例进行了审查和报告。为了在资源受限的环境中倡导负担得起的医疗保健和人工智能,我们将COVID-Net US开源并公开提供,作为COVID-Net开源计划的一部分。
2021-08-05 cs.AI cs.CV cs.LG
Resetting the baseline: CT-based COVID-19 diagnosis with Deep Transfer Learning is not as accurate as widely thought
Edith Cowan University(伊迪丝·考恩大学);University of Western Australia(西澳大利亚大学)
深度学习在COVID-19的计算机辅助诊断中迅速普及。由于计算机断层扫描(CT)对这种疾病的高度敏感性,基于CT的视觉模型COVID-19检测目前处于医学成像研究的最前沿。在这个方向上发表的成果经常声称在深度迁移学习下进行了高度准确的检测。这使得医学技术人员相信,深度迁移学习是解决这一问题的主流方法。然而,我们对文献的批判性分析揭示了不同发表结果之间惊人的性能差异。因此,我们进行了系统的深入调查,以分析深度迁移学习对CT图像COVID-19检测的有效性。通过探索14个最先进的视觉模型和200多个模型训练课程,我们最终确定,即使在著名的科学来源中,已发表的文献也经常高估迁移学习在该问题上的表现。高估的根源可以追溯到不恰当的数据整理。我们还提供案例研究,考虑更现实的场景,并为问题建立透明的基线。我们希望我们的可重复调查将有助于遏制对COVID-19诊断关键问题的炒作,并为基于CT的COVID-19检测技术的更透明性能评估铺平道路。
2021-08-12 cs.AI cs.CV cs.LG
COVID Detection and Severity Prediction with 3D-ConvNeXt and Custom Pretrainings
Augsburg University(奥格斯堡大学)
由于COVID严重影响呼吸系统,肺部CT扫描可用于分析患者的健康状况。我们介绍了一种神经网络,用于预测肺损伤的严重程度和使用三维CT数据检测COVID感染。因此,我们采用最近的ConvNeXt模型来处理三维数据。此外,我们设计和分析了不同的预训练方法,专门用于提高模型处理三维CT数据的能力。我们在第一届COVID 19严重性检测挑战赛中排名第二,在第二届COVID 19检测挑战赛中排名第三。
2022-08-17 cs.CV eess.IV
FDVTS's Solution for 2nd COV19D Competition on COVID-19 Detection and Severity Analysis
Fudan University(复旦大学)
本文介绍了我们为第二届COVID-19竞赛提供的解决方案,该竞赛在欧洲计算机视觉会议(ECCV 2022)的AIMIA研讨会框架内举行。在我们的方法中,我们采用了一种有效的3D对比混合分类网络,用于胸部CT图像上的COVID-19诊断,该网络由对比表示学习和混合分类组成。对于COVID-19检测挑战,我们的方法在484次验证CT扫描上达到了0.9245的宏观F1分数,显著优于基线方法16.5%。在COVID-19严重性检测挑战中,我们的方法在61个验证样本上获得了0.7186的宏观F1分数,也超过了基线8.86%。
2022-07-05 cs.CV eess.IV
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。
2023-03-30 cs.CV eess.IV
Adaptive GLCM sampling for transformer-based COVID-19 detection on CT
Seoul National University(首尔国立大学)
过去两年来,世界遭受了COVID-19(SARS-CoV-2)的影响,给人们的日常生活带来了巨大的破坏和变化。因此,在胸部计算机断层扫描(CT)扫描中利用深度学习自动检测COVID-19变得很有希望,这有助于有效地纠正诊断。最近,提出了基于变换器的CT上的COVID-19检测方法,以利用CT体积中的3D信息。然而,其用于选择切片的采样方法不是最优的。为了利用CT体积中丰富的3D信息,我们提出了一种基于变换的COVID-19检测方法,该方法使用了一种新的数据管理和自适应采样方法,该方法使用了灰度共生矩阵(GLCM)。为了训练由CNN层和Transformer架构组成的模型,我们首先执行基于肺部分割的数据管理,并利用CT体积中每个切片的GLCM值的熵来选择用于预测的重要切片。实验结果表明,该方法在不需要对模型进行大幅度修改的情况下,提高了检测性能。
2022-07-04 cs.CV eess.IV