Deep Convolutional Neural Networks to Diagnose COVID-19 and other Pneumonia Diseases from Posteroanterior Chest X-Rays
Imperial College London（帝国理工学院）
本文探讨了不同的深度卷积神经网络架构，这些架构在327名健康患者（152名患者）、诊断为COVID-19（125名）和其他类型肺炎（48名）的后前胸X光片上进行了训练和测试。特别是，本文研究了深度卷积神经网络VGG16和VGG19，InceptionResNetV2和InceptionV3，以及Xception，所有这些都是平面多层感知器和最后30%的drop-out。该论文发现，性能最好的网络是VGG 16，其最终$30$ %退出率在3个类（COVID-19，无发现，其他肺炎）上训练。其内部交叉验证准确度为$93.9(\pm3.4)$ %，COVID-19灵敏度为$87.7(-1.9,+2)$ %，无结果灵敏度为$96.8(\pm0.8)$ %。相应的外部交叉验证值为$84.1(\pm13.5)$ %、$87.7(-1.9,2)$ %和$96.8(\pm0.8)$ %。模型优化器是Adam，具有1e-4学习率和分类交叉熵损失。希望一旦这项研究在医院付诸实践，医疗保健专业人员将能够在中长期内通过机器学习工具诊断可能的肺炎，如果发现，它是否与COVID-19感染有关，允许在可能的"走走停停"结束后检测新的可能的COVID-19门厅在疫苗被发现并广泛传播之前，此外，在短期内，希望从业者能够将深度卷积神经网络的诊断与可能的RT-PCR检测结果进行比较，如果发生冲突，可以进行计算机断层扫描…
2020-05-02 cs.LG eess.IV stat.ML
Pneumonia Detection on chest X-ray images Using Ensemble of Deep Convolutional Neural Networks
Beni-Suef University（贝尼苏韦夫大学）；Universidade de Vigo（维戈大学）；Galala University（加拉拉大学）；Ajman University（阿治曼大学）；Zagazig University（扎加齐格大学）
针对胸部X线图像肺炎检测准确率不足的问题，提出基于DenseNet169、MobileNetV2、Vision Transformer三种预训练CNN微调后特征融合的集成学习方法，准确率达93.91%，优于现有先进方法。
2023-12-13 cs.CV cs.LG eess.IV
A modified deep convolutional neural network for detecting COVID-19 and pneumonia from chest X-ray images based on the concatenation of Xception and ResNet50V2
Iran University of Science and Technology（伊朗科技大学）；Sharif University of Technology（谢里夫理工大学）
在本文中，我们已经训练了几个深度卷积网络，并引入了基于两个开源数据集将X射线图像分类为三类的训练技术：正常，肺炎和COVID-19。我们的数据包含180张属于COVID-19感染者的X射线图像，我们试图应用方法来实现最佳结果。在这项研究中，我们引入了一些训练技术，当我们有一个不平衡的数据集（COVID-19病例较少，其他类别的病例较多）时，这些技术可以帮助网络更好地学习。我们还提出了一个神经网络，它是Xception和ResNet 50 V2网络的串联。该网络通过利用由两个强大的网络提取的多个特征来实现最佳精度。为了评估我们的网络，我们在11302张图像上进行了测试，以报告在实际情况下可实现的实际精度。该网络检测COVID-19病例的平均准确率为99.50%，所有类别的总体平均准确率为91.4%。
2021-05-04 cs.CV cs.LG eess.IV
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
MIC: Medical Image Classification Using Chest X-ray (COVID-19 and Pneumonia) Dataset with the Help of CNN and Customized CNN
Multimedia University（多媒体大学）；Cornell University（康奈尔大学）
本研究提出定制CNN（CCNN）用于胸部X射线图像分类，在6432张COVID-19和肺炎数据集上达到95.62%验证准确率，优于现有模型，为医学图像分类提供高效方案。
2024-11-02 cs.CV eess.IV
Deep Learning CNN for Pneumonia Detection: Advancing Digital Health in Society 5.0
Nusa Putra University（努沙普特拉大学）
本研究提出一种基于深度学习的CNN模型，用于通过胸部X光图像自动检测肺炎，实现快速、一致且可靠的诊断辅助，推动社会5.0的数字健康发展。
2026-02-04 cs.CV eess.IV
Rapid quantification of COVID-19 pneumonia burden from computed tomography with convolutional LSTM networks
Biomedical Imaging Research Institute, Cedars-Sinai Medical Center（西达赛奈医学中心生物医学成像研究所）；Cedars-Sinai Medical Center（西达赛奈医学中心）；Semmelweis University（塞梅尔维斯大学）；Azienda Ospedaliero-Universitaria di Parma（帕尔马大学医院）；Monash Health（莫纳什医疗中心）；Centro Cardiologico Monzino IRCCS, University of Milan（米兰大学蒙齐诺心脏中心IRCCS）；Showa University School of Medicine（昭和大学医学院）
已经证明，来自计算机断层扫描（CT）的定量肺部测量可以改善冠状病毒病（COVID-19）患者的诊断，但不是临床常规的一部分，因为需要手动分割肺部病变非常耗时。我们提出了一个新的全自动深度学习框架，用于使用卷积长短期记忆（ConvLSTM）网络从对比和非对比CT图像中快速量化和区分COVID-19肺炎中的肺部病变。利用专家注释，使用5倍交叉验证对单独的保留集进行5次模型训练，以分割毛玻璃样混浊和高度混浊（包括实变和胸腔积液）。该方法的性能进行了评估的CT数据集，从197例患者的反转录聚合酶链反应检测结果为SARS-CoV-2。肺病变的专家手动和自动分割之间具有很强的一致性，Dice评分系数为0.876 $\pm$ 0.005;毛玻璃样阴影和高度不透明体积的相关性为0.978和0.981。在67例患者的外部验证集中，Dice评分系数为0.767 $\pm$ 0.009，毛玻璃样阴影和高度不透明体积的相关性为0.989和0.996。在配备有NVIDIA Titan RTX图形处理单元的个人计算机上在2秒内进行包括120个切片的CT扫描的计算。因此，我们基于深度学习的方法可以快速全自动定量测量CT的肺炎负担，并可以生成与专家读数器相似的准确度结果。
2021-07-17 cs.CV cs.LG eess.IV
Data Augmentation using Generative Adversarial Networks (GANs) for GAN-based Detection of Pneumonia and COVID-19 in Chest X-ray Images
Institute of Medical Science, University of Toronto（多伦多大学医学科学研究所）；The Hospital for Sick Children（病童医院）；University Health Network（大学健康网络）；Department of Mechanical and Industrial Engineering, University of Toronto（多伦多大学机械与工业工程系）
成功训练卷积神经网络（CNN）需要大量的数据。对于小数据集，网络的泛化能力很差。数据增强技术通过更有效地使用现有的训练数据来提高神经网络的泛化能力。然而，标准的数据增强方法产生有限的合理替代数据。生成对抗网络（GANs）已被用于生成新数据并提高CNN的性能。然而，与CNN相比，用于训练GANs的数据增强技术尚未得到充分探索。在这项工作中，我们提出了一种新的GAN架构，用于增强胸部X射线，以使用生成模型进行肺炎和COVID-19的半监督检测。我们表明，所提出的GAN可用于有效地增强数据，并提高肺炎和COVID-19胸部X射线中疾病的分类准确性。我们在两个不同的X射线数据集上将我们的增强GAN模型与深度卷积GAN和传统增强方法（旋转，缩放等）进行比较，并显示我们基于GAN的增强方法优于其他增强方法，用于训练GAN检测X射线图像中的异常。
2021-01-12 cs.CV cs.LG eess.IV
Performance Comparison of Convolutional AutoEncoders, Generative Adversarial Networks and Super-Resolution for Image Compression
图像压缩已经研究了几十年。近年来，深度学习方法在许多计算机视觉任务中取得了巨大的成功，并逐渐应用于图像压缩中。在本文中，我们开发了三种基于卷积自编码器（CAE）、生成对抗网络（GANs）和超分辨率（SR）的整体压缩架构，并进行了全面的性能比较。实验结果表明，CAE算法提取的压缩特征比JPEG算法有更好的编码效率。GANs在大压缩比和高主观质量重建方面显示出潜在的优势。其中，超分辨率实现了与BPG相当的最佳率失真（RD）性能。
2018-07-01 eess.IV
Automated Methods for Detection and Classification Pneumonia based on X-Ray Images Using Deep Learning
Mohammed VI Polytechnic University（穆罕默德六世理工大学）；Moulay Ismail University（穆莱·伊斯梅尔大学）；University Mohammed V in Rabat（拉巴特穆罕默德五世大学）；ENSIAS（国立统计与应用经济学院）
最近，世界各地的研究人员、专家和公司正在推出基于深度学习和图像处理的系统，这些系统可以快速处理数百张X射线和计算机断层扫描（CT）图像，以加速SARS、COVID-19等肺炎的诊断，并帮助遏制肺炎。医学图像分析是最有前途的研究领域之一，它为MERS，COVID-19等许多疾病的诊断和决策提供了便利。在本文中，我们比较了最近的深度卷积神经网络（DCNN）架构，用于基于（VGG 16，VGG 19，DenseNet 201，Inception_ResNet_V2，Inception_V3，Resnet 50，MobileNet_V2和Xception）的微调版本的肺炎图像的自动二进制分类。所提出的工作已经使用胸部X射线和CT数据集，其中包含5856图像（4273肺炎和1583正常）进行了测试。因此，我们可以得出结论，Resnet 50，MobileNet_V2和Inception_Resnet_V2的微调版本显示出非常令人满意的性能，训练和验证准确率提高（准确率超过96%）。与CNN不同的是，Xception、VGG 16、VGG 19、Inception_V3和DenseNet 201的性能较低（准确率超过84%）。
2020-03-31 cs.CV eess.IV
Automatic Detection of Coronavirus Disease (COVID-19) Using X-ray Images and Deep Convolutional Neural Networks
Zonguldak Bulent Ecevit University（宗古尔达布伦特·埃杰维特大学）
2019年新型冠状病毒病（COVID-19）以中国为起点，在其他国家的人群中迅速传播，根据欧洲疾病预防控制中心的统计，全球病例数接近34，986，502例。由于每天的病例不断增加，医院提供的COVID-19检测试剂盒数量有限。因此，有必要实施自动检测系统作为快速替代诊断选项，以防止COVID-19在人群中传播。在这项研究中，提出了五种基于预训练卷积神经网络的模型（ResNet 50，ResNet 101，ResNet 152，InceptionV 3和Inception-ResNetV 2），用于使用胸部X射线照片检测冠状病毒肺炎感染的患者。我们使用5重交叉验证实现了三种不同的二元分类，分为四类（COVID-19、正常（健康）、病毒性肺炎和细菌性肺炎）。考虑到所获得的性能结果，可以看到预训练的ResNet 50模型在其他四个使用的模型中提供了最高的分类性能（Dataset-1的96.1%准确率，Dataset-2的99.5%准确率和Dataset-3的99.7%准确率）。
2020-10-05 cs.CV cs.LG eess.IV
Denoising convolutional autoencoder based B-mode ultrasound tongue image feature extraction
B型超声舌像在言语产生领域中应用广泛。然而，有效的解释是在舌图像序列的巨大需求。受无监督深度学习方法最近成功的启发，我们探索了用于超声舌图像特征提取的无监督卷积网络架构，这对临床语言学家和语音学有帮助。通过对不同的无监督特征提取方法进行定量比较，基于去噪卷积自动编码器（DCAE）的方法在重建任务和2010年无声语音接口挑战上优于其他特征提取方法。与使用离散余弦变换作为特征提取器的6.45%的最新值相比，使用DCAE获得的字错误率为6.17%。我们的代码可在https://github.com/DeePBluE666/Source-code1上获得。
2019-03-03 eess.IV
Comparative Analysis of Vision Transformers and Traditional Deep Learning Approaches for Automated Pneumonia Detection in Chest X-Rays
本研究比较了传统机器学习与深度学习方法在胸部X光片肺炎自动检测中的表现，发现Cross-ViT架构以88.25%准确率和99.42%召回率超越传统CNN，证明视觉Transformer是更优的诊断方向。
2025-07-11 cs.AI cs.CV cs.NE
Applied Computer Vision on 2-Dimensional Lung X-Ray Images for Assisted Medical Diagnosis of Pneumonia
Asian Institute of Computer Studies（亚洲计算机学院）；Pamantasan ng Lungsod ng Valenzuela（巴伦苏埃拉城市大学）
本研究开发了一个基于卷积神经网络和迁移学习的Flask Web应用，用于分析二维肺部X光图像以辅助诊断普通肺炎，并通过5次试验确认性测试验证了其诊断精确率。
2022-07-27 cs.CV cs.LG eess.IV
Predicting Pneumonia and Region Detection from X-Ray Images using Deep Neural Network
International Islamic University Malaysia（马来西亚国际伊斯兰大学）
生物医学图像正在急剧增加。在此过程中，已经提出了许多机器学习算法来预测和识别各种疾病。一种这样的疾病是肺炎，这是一种由细菌和病毒通过人的肺气囊炎症引起的感染。在本文中，提出了一种算法，该算法接收X射线图像作为输入，并验证该患者是否感染了肺炎以及发生炎症的肺部特定区域。该算法基于迁移学习机制，其中使用预训练的ResNet-50（卷积神经网络），然后使用一些自定义层进行预测。该模型的准确率达到90.6%，证实了该模型是有效的，可以用于检测患者的肺炎。此外，类激活图用于检测肺部中的感染区域。此外，PneuNet的开发使用户可以更容易地访问和使用服务。
2021-01-19 cs.CV cs.LG eess.IV
Convolutional Autoencoders for Lossy Light Field Compression
神经网络宽度的扩展和缩减在传播信息的熵方面具有众所周知的性质。当一个编码器网络和一个解码器网络小心地堆叠在一起时，就会产生一个自动编码器，通常用于压缩。使用这种架构，我们开发了一种编码和解码4D光场数据的有效方法，以最小的质量损失获得大量的压缩因子。我们的最佳结果设法实现了48.6倍的压缩，PSNR为29.46 dB，SSIM为0.8104。编码器和解码器的计算可以实时运行，平均计算时间分别为1.62s和1.81s，按照今天的存储标准，整个网络占用合理的584MB。
2020-07-31 eess.IV
Pneumonia Detection in Chest X-Ray Images : Handling Class Imbalance
Salim Habib University（萨利姆·哈比卜大学）
全球各地的人们都受到肺炎的影响，但因肺炎而死亡的人数在撒哈拉以南亚洲和南亚最多。近年来，肺炎的总体发病率和死亡率（无论是否使用有效的疫苗和强制性抗生素）都在上升。因此，肺炎仍然是一种需要迅速预防和治疗的疾病。肺炎的广泛流行促使研究界提出了一个框架，以帮助准确，及时地检测，诊断和分析疾病。人工智能（AI）研究界面临的主要障碍之一是缺乏包括肺炎在内的胸部疾病的公开数据集。其次，很少有可用的数据集是高度不平衡的（正常的样本是过度采样的，而患有疾病的样本是少数），这使得问题更具挑战性。在这篇文章中，我们提出了一个新的框架，用于检测肺炎。建议方法的新颖之处在于解决班级不平衡的问题。生成对抗网络（GAN），特别是深度卷积生成对抗网络（DCGAN）和Wasserstein GAN梯度惩罚（WGAN-GP）的组合，被应用于少数类“Spectroonia”以进行增强，而随机欠采样（RUS）被应用于多数类"No Findings“以处理不平衡问题。ChestX-Ray 8数据集是最大的数据集之一，用于验证所提出的框架的性能。学习阶段使用最先进的深度学习模型（即ResNet-50，Xception和VGG-16）进行迁移学习。所获得的结果超过了最新技术水平。
2023-01-20 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
DenResCov-19: A deep transfer learning network for robust automatic classification of COVID-19, pneumonia, and tuberculosis from X-rays
University of Sheffield（谢菲尔德大学）；Insigneo Institute for in-silico Medicine（Insigneo计算机医学研究所）；University of Oxford（牛津大学）；University of Lincoln（林肯大学）；University of Glasgow（格拉斯哥大学）；University of Brighton（布莱顿大学）；Nantong University（南通大学）
COVID-19全球大流行继续对全球人口的福祉产生重大影响，增加了对快速检测、诊断和治疗的需求。除了COVID-19，肺炎和结核病的其他病因也对医疗系统构成了额外的挑战。在这方面，这项工作的目标是开发一个新的深度迁移学习管道，以根据胸部X光图像诊断患有COVID-19、肺炎和结核病的患者。我们观察到在某些情况下DenseNet和Resnet具有正交性能。在我们提出的模型中，我们创建了一个带有卷积神经网络块的额外层，以结合这两个模型，从而建立优于任何一个模型的性能。相同的策略可以在其他应用中使用，其中观察到具有互补性能的两个竞争网络。我们已经测试了我们提出的网络在两类（肺炎与健康），三类（包括COVID-19）和四类（包括结核病）分类问题上的性能。所提出的网络已经能够成功地对所有四个数据集中的这些肺部疾病进行分类，并且与DenseNet，ResNet和Inception-V3的基准网络相比，提供了显着的改进。这些新发现可以提供最先进的预筛选快速决策网络，以检测COVID-19和其他肺部病变。
2021-04-08 cs.CV 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
Lightweight Weighted Average Ensemble Model for Pneumonia Detection in Chest X-Ray Images
Virginia Tech（弗吉尼亚理工大学）；BML Munjal University（BML 蒙贾尔大学）；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MobileNetV2和NASNetMobile的轻量级加权平均集成模型用于儿童胸部X射线肺炎检测，在保持计算效率的同时实现了98.63%的准确率，优于多个单一模型和先进架构，适合资源受限环境部署。
2025-02-01 cs.AI cs.CV eess.IV
Pneumonia Detection in Chest X-Rays using Neural Networks
Northwestern University（西北大学）；Great Learning
随着人工智能的发展，深度学习技术被广泛用于在医疗诊断任务等多个领域设计鲁棒的分类模型，并取得了良好的性能。在本文中，我们提出了CNN模型（卷积神经网络）的胸部X射线图像的分类北美肺炎放射学会（RSNA）数据集。该研究还试图通过尝试近年来实施的各种方法，使用有限的计算资源来实现相同的RSNA基准测试结果。所提出的方法基于非复杂的CNN和使用迁移学习算法，如Xception，InceptionV 3/V4，EfficientNetB 7。与此同时，该研究还试图通过尝试近年来实施的各种方法来使用有限的计算资源实现相同的RSNA基准测试结果。RSNA基准MAP得分为0.25，但在3017的分层样本上使用Mask RCNN模型以及图像增强给出了0.15的MAP得分。与此同时，没有任何超参数调整的YoloV 3给出了0.32的MAP得分，但损失仍然在不断减少。运行模型的迭代次数越多，结果越好。
2022-04-07 cs.CV eess.IV
Phase-Retrieval with Incomplete Autocorrelations Using Deep Convolutional Autoencoders
本文研究在傅里叶模信息不完整条件下利用深度卷积自编码器实现相位恢复，验证了神经网络方法在该场景下的可行性并分析了其优缺点。
2023-07-04 eess.IV physics.optics
Convolutional Autoencoder for Blind Hyperspectral Image Unmixing
在遥感背景下，光谱分解是一种将混合像元分解为两个基本代表：端元和丰度的技术。提出了一种新的高光谱图像盲解混算法。所提出的架构由卷积层和自动编码器组成。编码器将通过卷积层产生的特征空间转换为潜在空间表示。然后，解码器从这些潜在特征重构在架构的输入处的单色图像的展开图像;并且顺序地馈送每个单频带图像。在实际高光谱数据上的实验结果表明，该算法在丰度估计方面优于现有的解混方法，在分别以RMSE和SAD为度量的端元提取方面也有较好的效果。
2020-11-18 cs.CV eess.IV
Y-net: 3D intracranial artery segmentation using a convolutional autoencoder
University of Washington（华盛顿大学）
磁共振血管造影（MRA）上颅内动脉的自动分割允许量化脑血管特征，这为理解脑血管系统的老化和病理生理适应提供了工具。使用卷积自动编码器（CAE）进行分割是有希望的，因为它利用自动编码器结构通过用低维潜变量表示高维信息来有效地降噪和特征提取。在这份报告中，一个优化的CAE模型（Y-net）被训练来学习来自49例MRA数据的颅内动脉的3D分割模型。训练后的模型在二值分类和视觉评价方面都优于三种传统的分割方法。
2017-12-19 cs.CV eess.IV
PCB Defect Detection Using Denoising Convolutional Autoencoders
University of Isfahan（伊斯法罕大学）；Pardisan Rayaneh System Company（帕尔迪桑·拉亚内系统公司）
印刷电路板（PCB）是制造电子产品的最重要阶段之一。PCB中的一个小缺陷可能会导致最终产品出现重大缺陷。因此，检测PCB中的所有缺陷并定位它们至关重要。在本文中，我们提出了一种基于去噪卷积自编码器的方法来检测有缺陷的PCB并定位缺陷。去噪自动编码器获取损坏的图像并尝试恢复完整的图像。我们用有缺陷的PCB训练我们的模型，并强迫它修复有缺陷的部件。我们的模型不仅可以检测各种缺陷并定位它们，而且还可以修复它们。通过从输入中减去修复的输出，定位有缺陷的部件。实验结果表明，我们的模型检测有缺陷的PCB具有较高的准确性（97.5%）相比，国家的最先进的作品。
2020-08-28 cs.LG eess.IV
Research on Deep Learning Model of Feature Extraction Based on Convolutional Neural Network
Washington University（华盛顿大学）；Carnegie Mellon University（卡内基梅隆大学）；New York University（纽约大学）；University of Houston（休斯顿大学）；University of Southern California（南加州大学）
针对肺炎图像识别中浅层网络能力不足与深层模型终端计算成本高的问题，本文结合 AlexNet、InceptionV3 与知识提取优化模型，提升准确率并显著降低 GPU 占用。
2024-06-13 cs.CV cs.LG eess.IV
AGD-Autoencoder: Attention Gated Deep Convolutional Autoencoder for Brain Tumor Segmentation
脑肿瘤分割是医学图像分析中的一个具有挑战性的问题。其终点是生成在fMRI筛查中准确识别脑肿瘤区域的显著掩模。在本文中，我们提出了一种新的注意力门（AG模型）脑肿瘤分割，利用边缘检测单元和注意力门控网络突出和分割的功能磁共振成像图像的显着区域。该功能使我们能够消除必须明确指向受损区域（外部组织定位）并按照经典计算机视觉技术进行分类的必要性。AG可以很容易地集成到深度卷积神经网络（CNN）中。最小的计算开销是必需的，而AGs显着提高灵敏度分数。我们表明，边缘检测器与注意力门控机制一起提供了足够的方法，用于脑分割，达到0.78的IOU
2021-07-07 cs.CV cs.LG eess.IV
Deep Learning-Based Pneumonia Detection from Chest X-ray Images: A CNN Approach with Performance Analysis and Clinical Implications
Amity Institute of Bio Technology, Amity University Kolkata（阿米蒂大学加尔各答分校阿米蒂生物技术学院）；Dept of Computer Science, Heritage Institute of Technology, Kolkata（加尔各答遗产技术学院计算机科学系）；School of Engineering and Technology, Amity University Kolkata（阿米蒂大学加尔各答分校工程与技术学院）
本研究提出一种融合可分离卷积、批量归一化等技术的CNN模型，用于胸部X线肺炎检测，准确率达91%，还结合医学本体与语义技术提升可解释性，推动AI在临床肺炎诊断中的落地应用。
2025-09-26 cs.AI cs.CV eess.IV
Fault Detection Method for Power Conversion Circuits Using Thermal Image and Convolutional Autoencoder
提出一种基于热图像与卷积自编码器的功率转换电路故障检测方法，通过仅学习正常样本实现异常重建判别，实验在给定条件下达到100%检测准确率。
2025-05-13 cs.SY eess.IV eess.SY
Stacked Convolutional Neural Network for Diagnosis of COVID-19 Disease from X-ray Images
Maulana Azad National Institute of Technology（毛拉纳·阿扎德国家理工学院）
在2020年SARS-CoV-2全球大流行的情况下，从胸部X射线图像中自动快速筛查COVID-19已成为迫切需要。然而，由于COVID-19和其他病毒性肺炎在X射线图像中的差异，准确和可靠地筛查患者是一个巨大的挑战。在本文中，我们设计了一种新的堆叠卷积神经网络模型，用于从胸部X射线图像中自动诊断COVID-19疾病。我们从VGG 19中获得不同的子模型，并在训练过程中开发了一个30层的CNN模型（命名为CovNet 30），并使用逻辑回归将获得的子模型堆叠在一起。所提出的CNN模型结合了不同CNN子模型的区分能力，并将胸部X射线图像分类为COVID-19、正常和肺炎类。此外，我们还生成了称为COVID 19 CXr的X射线图像数据集，其中包括来自三个公开数据库的1768名患者的2764张胸部X射线图像。所提出的堆叠CNN实现了92.74%的准确性，93.33%的灵敏度，PPV为92.13%，和F1得分为0.93的X射线图像的分类。我们提出的方法显示出其优于现有的从X射线图像诊断COVID-19的方法。
2020-06-22 cs.CV cs.LG eess.IV
Angular Super-Resolution in Diffusion MRI with a 3D Recurrent Convolutional Autoencoder
University of Manchester（曼彻斯特大学）；University of Sheffield（谢菲尔德大学）
高分辨率弥散MRI（dMRI）数据通常受到临床环境中有限扫描时间的限制，从而限制了下游分析技术的使用。在这项工作中，我们开发了一个3D递归卷积神经网络（RCNN），能够在角（q空间）域中超分辨dMRI体积。我们的方法制定了一个补丁式回归使用3D自动编码器的条件下，目标b向量的角度超分辨率的任务。在网络中，我们使用卷积长短期记忆（ConvLSTM）单元来模拟q空间样本之间的关系。我们比较模型的性能对基线球谐插值和一个1D的模型架构的变体。我们表明，3D模型在不同的子采样方案和b值中具有最低的错误率。3D RCNN的相对性能在非常低的角分辨率域中最大。这个项目的代码可以在https://github.com/m-lyon/dMRI-RCNN上找到。
2022-03-29 cs.CV eess.IV
A design of Convolutional Neural Network model for the Diagnosis of the COVID-19
本研究针对COVID-19胸部X线影像诊断需求，提出19层CNN模型，支持三分类与四分类任务，实验证明其多项指标优于主流预训练网络，可辅助临床诊断。
2025-01-15 cs.CV eess.IV
FLANNEL: Focal Loss Based Neural Network Ensemble for COVID-19 Detection
IQVIA（艾昆纬）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
测试使用深度神经网络区分COVID-19与其他肺炎和健康患者的胸部X射线图像的可能性。我们从两个公开来源构建了X射线成像数据，其中包括2874名患者的5508张胸部X射线图像，分为四类：正常，细菌性肺炎，非COVID-19病毒性肺炎和COVID-19。为了识别COVID-19，我们提出了一种基于焦点损失的神经Entrance Network（FLANNEL），这是一种灵活的模块，可以集成多个卷积神经网络（CNN）模型，并与焦点损失融合，以便在类别不平衡数据上准确检测COVID-19。FLANNEL在COVID-19识别任务中的所有指标均优于基线模型。与最佳基线相比，FLANNEL在Covid-19识别任务中显示出更高的宏观F1得分，相对增加6%，其中精确度达到0.7833（0.07），召回率达到0.8609（0.03），F1得分达到0.8168（0.03）。
2020-10-30 cs.CV cs.LG eess.IV
Self-Organized Variational Autoencoders (Self-VAE) for Learned Image Compression
Koç University（科奇大学）；Tampere University（坦佩雷大学）；Qatar University（卡塔尔大学）
在端到端优化的学习图像压缩中，标准做法是使用具有广义分裂归一化（GDN）的卷积变分自动编码器来将图像变换到潜在空间中。最近，已经提出了从一组备选方案中学习最佳非线性的操作神经网络（ONN）及其自组织变体Self-ONN，通过泰勒级数近似任何非线性，以解决卷积层和固定非线性激活的限制。在本文中，我们建议用自组织操作层取代变分自动编码器中的卷积层和GDN层，并提出一种新的自组织变分自动编码器（Self-VAE）架构，该架构受益于更强的非线性。实验结果表明，所提出的Self-VAE产生率失真性能和感知图像质量的改善。
2021-05-28 cs.CV eess.IV
Color Image steganography using Deep convolutional Autoencoders based on ResNet architecture
本文提出一种基于ResNet架构的深度卷积自编码器彩色图像隐写方案，利用反向ResNet提取秘密图像，在COCO和CelebA数据集上取得PSNR超过40 dB、SSIM超过0.98及每像素8比特的隐藏容量，优于传统和以往深度隐写方法。
2022-11-17 eess.IV eess.SP
SAR Image Despeckling Based on Convolutional Denoising Autoencoder
College of Information and Electrical Engineering, China Agricultural University（中国农业大学信息与电气工程学院）
在合成孔径雷达（SAR）成像中，相干斑噪声是相干成像系统产生的乘性噪声，抑制相干斑噪声对图像分析具有重要意义。在过去的三十年里，人们提出了各种算法来去除SAR图像中的噪声。通常，BM 3D被认为是最先进的技术，以去散斑噪声具有优异的性能。最近，深度学习在图像去噪方面取得了成功，并在需要大型训练数据集的情况下实现了对传统方法的改进。与大多数SAR图像相干斑抑制方法不同，该方法直接从噪声图像中学习相干斑。本文利用卷积去噪自动编码器（C-DAE）对有限规模的数据集进行了有效的探索。批量规范化策略与C- DAE集成，以加快训练时间.此外，我们计算图像质量的标准度量，PSNR和SSIM。结果表明，我们的方法比其他一些人表现得更好。
2020-11-30 cs.CV eess.IV
Multiresolution Convolutional Autoencoders
University of Washington（华盛顿大学）；Lawrence Livermore National Lab（劳伦斯利弗莫尔国家实验室）
我们提出了一种多分辨率卷积自动编码器（MrCAE）架构，该架构集成并利用了三种非常成功的数学架构：（i）多重网格方法，（ii）卷积自动编码器和（iii）迁移学习。该方法提供了一个自适应的，分层的架构，利用渐进的训练方法多尺度时空数据。该框架允许跨多个尺度的输入：从紧凑的（少量权重）网络架构和低分辨率数据开始，我们的网络以原则性的方式逐步加深和扩大，以基于其当前重建性能在更高分辨率数据中编码新信息。应用基本的迁移学习技术来确保从先前的训练步骤中学习到的信息可以快速地转移到更大的网络中。因此，网络可以动态地捕获网络的不同深度处的不同缩放特征。这种自适应多尺度架构的性能增益说明通过一系列的数值实验合成的例子和现实世界的时空数据。
2020-04-10 cs.LG cs.NA eess.IV
Unsupervised seismic facies classification using deep convolutional autoencoder
School of Earth and Planetary Sciences（地球与行星科学学院）；Curtin University（科廷大学）；Oil and Gas Innovation Centre（油气创新中心）
随着地震勘测的规模和复杂性的增加，地震相的手动标记已成为一个重大挑战。应用自动化方法进行地震相解释可以显著减少传统方法中的人工劳动和特定解释者的主观性。最近出现的一组方法基于深度神经网络。这些方法是数据驱动的，需要大型标记数据集进行网络训练。我们将深度卷积自动编码器应用于无监督地震相分类，这不需要手动标记的示例。通过对从输入数据获得的深度特征向量进行聚类来生成相图。我们的方法在实际数据上产生准确的结果，并即时提供。所提出的方法开辟了在没有人为干预的情况下实时分析地质模式的可能性。
2020-08-05 cs.CV cs.LG eess.IV
SpACNN-LDVAE: Spatial Attention Convolutional Latent Dirichlet Variational Autoencoder for Hyperspectral Pixel Unmixing
Birla Inst. of Tech. & Sci. Pilani（比拉理工学院皮拉尼分校）；Ontario Tech University（安大略理工大学）
本文提出SpACNN-LDVAE模型，通过空间注意力卷积网络扩展LDVAE，在高光谱像素解混中利用局部空间上下文，提升端元提取与丰度估计精度。
2024-05-24 cs.CV cs.LG eess.IV
Image Denoising Using Convolutional Autoencoder
Vellore Institute of Technology（韦洛尔理工学院）
随着现代世界不可阻挡的数字化，技术领域的每个子集都在不断取得重大进步。一个这样的子集是曾经如此流行的数字图像。图像并不总是像您希望的那样在视觉上令人愉悦或清晰，并且经常被噪声扭曲或模糊。随着时间的推移，许多增强图像的技术已经出现，所有这些技术都有各自的优点和缺点。在本文中，我们将研究一种特殊的技术，该技术借助通常称为自动编码器的神经网络模型来完成这项任务。我们为模型构建不同的架构，并比较结果，以确定最适合任务的架构。简要讨论了该模型的特点和工作原理，为今后的研究奠定了基础。
2022-07-24 cs.CV cs.LG eess.IV
SHAP-Integrated Convolutional Diagnostic Networks for Feature-Selective Medical Analysis
Guilin University of Electronic Technology（桂林电子科技大学）；École de Technologie Supérieure（高等技术学院）
本文提出SHAP集成的卷积诊断网络SICDN，通过可解释特征选择和历史加权移动平均技术，在有限医学数据集上实现超过97%的分类准确率，超越四种流行CNN模型。
2025-03-10 cs.AI cs.CV cs.LG
Covid-19 Detection from Chest X-ray and Patient Metadata using Graph Convolutional Neural Networks
Georgia State University（佐治亚州立大学）
新型冠状病毒（Covid-19）由于其通过呼吸道传播的快速传播性质，带来了重大挑战。因此，对基于人工智能（AI）的快速疾病诊断方法的需求巨大，可替代聚合酶链反应（PCR）等高需求测试。由于资源可用性和快速筛查，胸部X射线（CXR）图像分析是具有成本效益的放射摄影技术。但是，复杂的深度学习（DL）模型所需的充分和系统的数据收集更加困难，因此最近的努力是利用迁移学习来解决这个问题。然而，这些迁移学习的模型仍然缺乏泛化能力，并且对训练数据集的偏差增加，导致看不见的数据的性能较差。从预训练模型到特定医学成像领域（如X射线）的传输特征的有限相关性以及对较少数据的过拟合可能是这种情况的原因。在这项工作中，我们提出了一种新的图卷积神经网络（GCN），能够从CXR图像和患者的Meta信息中识别Covid-19肺炎的生物标志物。该方法利用数据实例之间的重要关系知识和他们的特点，使用图形表示和应用卷积学习的图形数据，这是不可能与传统的卷积上的欧几里德域。所提出的模型在二元（Covid vs正常）和三类（Covid、正常、其他肺炎）分类问题上的广泛实验结果优于不同的基准迁移学习模型，从而克服了上述缺点。
2021-05-21 cs.CV cs.LG eess.IV
Self-supervised deep convolutional neural network for chest X-ray classification
Technical University of Kosice（科希策技术大学）；Pavol Jozef Safarik University（帕沃尔·约瑟夫·沙法里克大学）；Louis Pasteur University Hospital（路易·巴斯德大学医院）
胸部X线摄影是一种相对便宜，广泛使用的医疗程序，传达关键信息，作出诊断决定。胸部X光几乎总是用于诊断呼吸道疾病，如肺炎或最近的COVID-19。在本文中，我们提出了一种自监督深度神经网络，该网络在未标记的胸部X射线数据集上进行预训练。学习到的表示被转移到下游任务--呼吸道疾病的分类。在四个公共数据集上获得的结果表明，我们的方法在不需要大量标记训练数据的情况下产生了有竞争力的结果。
2021-11-04 cs.CV cs.NE eess.IV
Discriminative Pattern Mining for Breast Cancer Histopathology Image Classification via Fully Convolutional Autoencoder
University of Toronto（多伦多大学）；National Cancer Research Centre（国家癌症研究中心）；Institute for Oncology and Radiology（肿瘤与放射学研究所）
由于癌细胞生长以及各种良性乳腺组织增生性病变的异质性，在组织病理学图像中准确诊断乳腺癌是具有挑战性的。在本文中，我们提出了一种实用且可自我解释的侵入性癌症诊断解决方案。该方法利用最少的标注信息，以无监督的方式挖掘正常图像和恶性图像之间的对比模式，并生成异常概率图以验证其推理。特别地，使用全卷积自动编码器来学习正常图像块之间的主导结构模式。对于不具有该正态总体特征的斑块，采用单类支持向量机和单层神经网络进行检测和分析。我们将所提出的方法应用于公共乳腺癌图像集。我们的研究结果，在与资深病理学家协商，表明所提出的方法优于现有的方法。所获得的概率图可以通过提供可视化的验证数据来有益于病理学实践，并可能导致更好地理解数据驱动的诊断解决方案。
2020-05-05 cs.CV cs.LG eess.IV
