COVID-19 paper

一、Abnormal respiratory patterns classifier may contributes to larger-scale screening of people infected with COVID-19 in an accurate and unobtrusive manner(异常呼吸模式分类器可能会对感染Covid-19的人的大规模筛查造成影响)
在本文中，我们开创了AT-BI-GRU深层神经网络，用于对异常呼吸模式进行分类。为了填补大量训练数据与现实世界数据之间的差距，我们首先提出呼吸模拟模型（RSM）以生成大量可靠的数据。通过深度相机测得的605个真实世界数据验证的获得的分类器可用于实现对呼吸模式的远程且不显眼的测量。通过本文训练的分类器，可对COVID-19进行分类。

二、Artificial Intelligence Distinguishes COVID-19 from Community Acquired Pneumonia on Chest CT （人工智能将胸部CT上的社区获得性肺炎与COVID-19区分开）
在这项回顾性和多中心研究中，开发了深度学习模型COVID-19检测神经网络（COVNet），以从胸部CT容积检查中提取视觉特征以检测COVID-19、社区获得性肺炎（CAP）和其他非肺炎CT检查，从而进行三分类。

三、Attention U-Net Based Adversarial Architectures for Chest X-ray Lung Segmentation（基于U-Net的胸部X射线肺分割对抗架构）
在这里，我们提出了一种用于肺部分割的新颖的深度学习方法，这是诊断流程中的一项基本但艰巨的任务。我们的方法使用最先进的全卷积神经网络和对抗性评论家模型。它很好地推广到了具有不同患者特征的看不见的数据集的CXR图像，在JSRT数据集上的最终DSC为97.5％。

四、Automated Methods for Detection and Classification Pneumonia based on X-Ray Images Using Deep Learning （基于X射线图像的深度学习自动检测和分类肺炎的方法）
在本文中，我们将对最近的深度卷积神经网络（DCNN）架构进行比较，该架构基于（VGG16，VGG19，DenseNet201，Inception_ResNet_V2，Inception_V3，Resnet50，MobileNet_V2和Xception）的精调版本对肺炎图像进行自动二进制分类。

五、Automatic Detection of Coronavirus Disease (COVID-19) Using X-ray Images and Deep Convolutional Neural Networks （使用X射线图像和深度卷积神经网络自动检测冠状病毒疾病（COVID-19））
在这项研究中，已经提出了三种基于卷积神经网络的模型（ResNet50，InceptionV3和InceptionResNetV2），用于使用胸部X光片检查冠状病毒性肺炎感染的患者。

六、Can AI help in screening Viral and COVID‐19 pneumonia? （AI可以帮助筛查病毒和COVID-19肺炎吗？）
本文的目的是使用数字X射线图像自动检测COVID-19肺炎患者，同时使用图像预处理和深度学习技术最大限度地提高检测的准确性。作者使用三个公共数据库创建了一个公共数据库，还从最近发表的文章中收集了图像。该数据库包含190个COVID-19、1345病毒性肺炎和1341正常胸部X射线图像的混合物。使用每个类别的2500张图像创建了一个图像增强训练集，用于训练和验证四个不同的预训练深层卷积神经网络（CNN）。对这些网络进行了两种不同方案（正常和COVID-19肺炎;正常，病毒和COVID19肺炎）的分类测试。

七、Classification of COVID-19 in chest X-ray images using DeTraC deep convolutional neural network（使用DeTraC深层卷积神经网络对胸部X射线图像中的COVID-19进行分类）
在本文中，我们验证并采用了我们先前开发的CNN（称为分解，转移和合成（DeTraC））对COVID-19胸部X射线图像进行分类。 DeTraC可以通过使用类分解机制研究其类边界来处理图像数据集中的任何不规则性。实验结果表明，DeTraC具有从全球多家医院收集的全面图像数据集中检测COVID-19病例的能力。

八、Coronavirus (COVID-19) Classification using CT Images by Machine Learning Methods （通过机器学习方法使用CT图像对冠状病毒（COVID-19）进行分类）
这项研究提出了通过机器学习方法对冠状病毒（COVID-19）进行早期检测的方法，为了检测COVID-19，通过从150张CT图像中获取大小分别为16x16、32x32、48x48、64x64的色块形成了四个不同的数据集。将特征提取过程应用于补丁以提高分类性能。灰度共现矩阵（GLCM），局部方向图（LDP），灰度游程长度矩阵（GLRLM），灰度大小区域矩阵（GLSZM）和离散小波变换（DWT）算法用作特征提取方法。支持向量机（SVM）对提取的特征进行了分类。

九、Covid-19: Automatic detection from X-Ray images utilizing Transfer Learning with Convolutional Neural Networks （Covid-19：利用卷积神经网络的转移学习从X射线图像自动检测）
在这项研究中，来自普通肺炎，Covid-19和正常患者的X射线图像数据集被用于自动检测冠状病毒。本实验中使用的数据集是1427张X射线图像的集合。包括224幅Covid-19确诊图像，700幅确认为普通肺炎的图像以及504幅正常情况的图像。数据是从公共医疗资源库中的可用X射线图像中收集的。通过转移学习，在检测Covid-19时的总体准确度达到97.82％。

十、COVID-19 Screening on Chest X-ray Images Using（使用X射线对胸部X射线图像进行COVID-19筛查）
在这项工作中，我们旨在开发一种新的深度异常检测模型，以进行快速，可靠的筛查。为了评估模型的性能，我们从Github存储库中收集了70例COVID-19确认的患者的100张胸部X线照片。为了促进深度学习，需要更多数据。因此，我们还从公共ChestX-ray14数据集中收集了1431例确诊为1008例其他肺炎的附加胸部X射线图像。我们的初步实验结果表明，当对具有两个分割软数据集的1531 X射线图像进行评估时，此处开发的模型可以可靠地检测96.00％的COVID-19病例（敏感性为96.00％）和70.65％的非COVID-19病例（特异性为70.65％），并为我们建议的模型提供可靠的COVID -19筛查胸部X射线图像。

十一、COVID-Net: A Tailored Deep Convolutional Neural Network Designfor Detection of COVID-19 Cases from Chest Radiography Images（COVID-Net：量身定制的深度卷积神经网络设计，可从胸部放射线图像中检测出COVID-19病例）
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射线图像中检测COVID-19病例而设计，该开源软件可供公众使用。我们还描述了用于训练COVID-Net的胸部X射线摄影数据集，我们将其称为COVIDx，它包含来自两个开放获取数据存储库的13,645例患者的16,756张胸部X射线摄影图像。

十二、COVID-ResNet: A Deep Learning Framework for Screening of COVID19 from Radiographs （COVID-ResNet：一种用于从射线照片中筛选COVID19的深度学习框架）
这项工作提出了一种三步技术来微调预训练的ResNet-50架构，以改善模型性能并减少训练时间-我们称之为COVID-ResNet。这是通过将输入图像的大小逐步调整为128x128x3、224x224x3和229x229x3像素并在每个阶段微调网络来实现的。这种方法与自动学习率选择一起使我们能够在仅41个时期的情况下在COVIDx数据集上达到96.23％（在所有类别上）的准确性状态。这项工作提出了一种计算有效且高度准确的模型，用于与正常人一起对三种不同感染类型进行多分类。

十三、COVIDX-Net: A Framework of Deep Learning Classifiers to Diagnose COVID-19 in X-Ray Images （COVIDX-Net：用于在X射线图像中诊断COVID-19的深度学习分类器框架）
本文的目的是介绍一个新的深度学习框架。即COVIDX-Net，以帮助放射科医生自动诊断X射线图像中的COVID-19。COVIDX-Net包含七种不同的深度卷积神经网络模型体系结构，例如改良的视觉几何组网络（VGG19）和第二版的Google MobileNet。每个深层神经网络模型都能够分析X射线图像的归一化强度，以将患者状态分类为COVID-19阴性还是阳性。

十四、Deep Learning System to Screen Coronavirus Disease 2019 Pneumonia （深度学习系统筛查冠状病毒病2019肺炎）
本研究旨在建立早期筛查模型以区分使用深度学习技术从甲型流感病毒性肺炎产生的COVID-19肺炎和健康病例的肺部CT图像。

十五、Diagnosing COVID-19 Pneumonia from X-Ray and CT Images using Deep Learning and Transfer Learning Algorithms （使用深度学习和转移学习算法从X射线和CT图像诊断COVID-19肺炎）
本研究旨在建立来自多个来源的X射线和CT扫描图像的综合数据集，并使用深度学习和传递学习算法提供一种简单但有效的COVID-19检测技术。因此，将简单的卷积神经网络（CNN）和经过改进的预先训练的AlexNet模型应用于准备的X射线和CT扫描图像数据集。

十六、Estimating Uncertainty and Interpretability in Deep Learning for Coronavirus (COVID-19) Detection（估计冠状病毒（COVID-19）检测深度学习的不确定性和可解释性）
在本文中，我们研究了基于Dropweights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，以使用公开可用的COVID-19胸部X射线数据集来改善人机组合的诊断性能，并证明该不确定性预测的准确性与预测的准确性密切相关。

十七、Extracting possibly representative COVID-19 Biomarkers from X-Ray images with Deep Learning approach and image data related to Pulmonary Diseases （使用深度学习方法从X射线图像中提取可能具有代表性的COVID-19生物标志物，以及与肺部疾病有关的图像数据）
在本文中，采用了称为Mobile Net的最先进的卷积神经网络并对其进行了从头训练，以研究提取的特征对于分类任务的重要性。利用对应于6种疾病的3905张X射线图像的大规模数据集来训练MobileNet v2，已证明在相关任务中取得了显著成果。

十八、Large-Scale Screening of COVID-19 from Community Acquired Pneumonia using Infection Size-Aware Classification（使用感染大小感知分类从社区获得性肺炎大规模筛查COVID-19）
在这项研究中，总共1658例COVID-19患者和1027例CAP患者接受了薄层CT检查。对所有图像进行预处理，以获得感染和肺野的分割，用于提取特定于位置的特征。提出了一种感染大小感知随机森林方法（iSARF），其中将受试者自动分类为具有不同范围感染病变大小的组，然后在每组中随机森林进行分类。

十九、Large-scale ligand-based virtual creeningforSARS-CoV-2 inhibitors using deep neural networks（使用深度神经网络的SARS-CoV-2抑制剂大规模基于配体的虚拟加网）
我们利用了“ ChemAI”，这是一个深度神经网络，对来自三个公共药物发现数据库的360万个分子上的2.2亿个数据点进行了训练。借助ChemAI，我们从ZINC数据库中筛选并排名了十亿个分子，以针对CoV-2产生有利影响。然后，我们将结果减少到30,000个顶级化合物，可以通过ZINC数据库轻松访问和购买。

二十、Lung Infection Quantification of COVID-19 in CT Images with Deep Learning （深度学习对CT图像中COVID-19的肺部感染定量）
开发基于深度学习（DL）的系统，用于自动分割和量化胸部CT扫描中的感染区域以及整个肺部。基于DL的分割采用“ VB-Net”神经网络在CT扫描中分割COVID-19感染区域。该系统使用249名COVID19患者进行了培训，并使用300名新的COVID-19患者进行了验证。

二十一、Neural network based country wise risk prediction of COVID-19（基于神经网络的COVID-19国家明智风险预测）
我们提出了一个基于浅层长短期记忆（LSTM）的神经网络来预测贫困地区。我们使用了优化的贝叶斯优化框架，并自动设计了国家/地区专用网络。我们将趋势数据和天气数据结合在一起进行了预测。结果表明，针对170个国家/地区的数据，该拟议管道的性能优于最新方法，并且对于此类风险分类可能是有用的工具。该工具可用于最高预测这种流行病的长期爆发，以便我们可以及早采取预防措施。

二十二、Prediction of criticality in patients with severe Covid-19 infection using three clinical features: a machine learning-based prognostic model with clinical data in Wuhan （使用三种临床特征预测重度Covid-19感染患者的危急程度：基于机器学习的武汉市预后模型及临床数据）
我们筛选了2020年1月10日至2月18日在同济医院收治的2799例患者的电子记录。共有375名出院患者，包括201名幸存者。我们建立了基于XGBoost机器学习算法的预后预测模型，然后测试了2月19日之后清除的29例患者（包括来自其他医院的3例患者）。

二十三、Rapid AI Development Cycle for the Coronavirus (COVID-19) Pandemic: Initial Results for Automated Detection & Patient Monitoring using Deep Learning CT Image Analysis （冠状病毒（COVID-19）大流行的快速AI开发周期：使用深度学习CT图像分析进行自动检测和患者监测的初步结果）
开发基于AI的自动CT图像分析工具进行冠状病毒的检测，定量和跟踪，并证明它们可以将冠状病毒患者与没有这种疾病的患者区分开。
包括来自中国疾病感染地区的多个国际数据集。我们提出了一种利用强大的2D和3D深度学习模型，修改和调整现有AI模型并将其与临床理解相结合的系统。我们进行了多次回顾性实验，以分析系统在检测可疑COVID-19胸部CT特征中的性能，并使用3D体积检查评估每位患者随时间推移的疾病进展，并产生“电晕评分”。该研究包括157名国际患者（中国和美国）的测试集。

备注：更新至4月5日…可持续追踪！

COVID-19 paper相关推荐

covid 19如何重塑美国科技公司的工作文化
未来 , 技术 , 观点 (Future, Technology, Opinion) Who would have thought that a single virus would take dow ...
stata中心化处理_带有stata第2部分自定义配色方案的covid 19可视化
stata中心化处理 This guide will cover an important, yet, under-explored part of Stata: the use of custom ...
【李宏毅《机器学习》2022】作业1：COVID 19 Cases Prediction (Regression)
文章目录 [李宏毅<机器学习>2022]作业1:COVID 19 Cases Prediction (Regression) 作业内容 1.目标 2.任务描述 3.数据 4.评价指标代码 ...
covid 19个案例数据如何收集
This week, health informatics became a hot topic in the US as the responsibility for collecting COVI ...
语料库建立_通过挖掘covid 19科学语料库建立对病毒的理解
语料库建立 At the time I publish this, we are entering the 9th month since COVID-19 froze the world. Sinc ...
ikeas电子商务在covid 19时期就已经很糟糕了，它绝对崩溃了
By Mark Wilson 马克·威尔逊(Mark Wilson) Ikea has long known the shortcomings of its business. The world's ...
resnet 卷积核大小_resnet50卷积神经网络cnn在covid 19射线照相上的图像分类
resnet 卷积核大小 On final year of uni, they offered three selection subject to choose: Image Processing, ...
IEEE R10 2021 Special Call For Proposals Related To CoViD‘19
Great way for visualize the time remaining https://sac.ieeer10.org/special-cfp-covid-19/
用python进行营销分析_用python进行covid 19分析
用python进行营销分析 Python is a highly powerful general purpose programming language which can be easily l ...
亚洲国家互联网渗透率_发展中亚洲国家如何回应covid 19
亚洲国家互联网渗透率 The COVID-19 pandemic has severely hit various economies across the world, with global im ...

COVID-19 paper

COVID-19 paper相关推荐

最新文章

热门文章