|
| 不。 |
论文 |
数据 |
类型的图片 |
人工智能方法建立算法 |
CNN架构 |
结果检测COVID |
|
| 1 |
(44,45] |
图片:4356,COVID-19图片:1296年,肺炎图片:1735年,nonpneumonia图片:1325 |
CT |
三维深度学习 |
ResNet-50和COVNet |
曲线下的面积(AUC): 0.96 |
|
| 2 |
(44,46] |
图片:618,COVID-19图片:219年甲型流感(甲型H3N2, H5N1 H7N9,和其他人),图片:224,正常健康的肺图片:175 |
CT |
3 d CNN模型分割 |
Location-attention网络和ResNet-18 |
精度为86.7%,平均时间:30年代 |
|
| 3 |
(44,47] |
(PA)经历图片:5941年,正常的图片:1583年,细菌性肺炎图片:2786年,non-COVID-19病毒性肺炎图片:1804年,COVID-19图片:68 |
CXR |
基于加权贝叶斯cnn下降 |
贝叶斯ResNet50V2 |
89.92%的精度 |
|
| 4 |
(44,48] |
COVID-19图片:453,培训图片:217 |
CT |
《盗梦空间》migration-learning模型 |
|
内部验证:精度:82.9%,特异性:80.5%,敏感性:84%;外部测试数据集:精度:73.1%,特异性:67%,敏感性:74% |
|
| 5 |
(44,48] |
图片:1065,COVID-19图片:325;病毒性肺炎的图片:740 |
CT |
修改后的《盗梦空间》transfer-learning模型 |
|
精度:79.30%,特异性:0.83,敏感:0.67 |
|
| 6 |
(44,49] |
总病人:133年,严重的/重要的病人:54岁/关键患者者:79 |
CT |
多层感知短期和长期记忆(LSTM) |
|
曲线下的面积(AUC): 0.954 |
|
| 7 |
(44,50] |
图片:4266,COVID-19图片:2529年,帽图片:1338年流感A / B图片:135年,标准图片:258年,总病人:3177年,COVID-19病人:1502年流感A / B患者:83年,帽病人:1334年,健康受试者:258 |
CT |
二维深度学习CNN |
ResNet 152 |
精度:94.98%,AUC 97.71%,敏感性:90.19%,特异性:95.76%,平均所用时间是:2.73 |
|
| 8 |
(44,51] |
从5家医院共1136例,COVID-19图片:723年,non-COVID-19图片:413 |
CT |
三维深度学习的方法 |
UNet + + & ResNet-50 |
敏感特异性:0.922:0.974 |
|
| 9 |
(44,52), |
COVID-19病人:50,普通人:50, |
CXR |
5 pretrained CNN |
ResNet-50、ResNet101 ResNet52、InceptionV3 inception-ResNetV2 |
ResNet-50:精度:98.0% |
| 10 |
(44,53] |
图片:13975,总病人:13870 |
CXR |
深度学习美国有线电视新闻网 |
COVID-net |
精度:92.4% |
|
| 11 |
(44,54] |
病人:157 |
CT |
美国有线电视新闻网 |
ResNet-50 |
曲线下的面积(AUC): 0.996 |
|
| 12 |
(34,44] |
正常图片:1341年,病毒性肺炎图片:1345年,COVID-19图片:190 |
CXR |
美国有线电视新闻网 |
AlexNet、ResNet-18 SqueezeNet densenet - 201 |
精度:98.3% |
|
| 13 |
(44,55] |
总COVID-19图片:531年,CXR图片:170年,CT图像:361 |
CT和CXR |
CNN转移学习 |
Pretrained AlexNet |
准确性:CXR图片:98.3%,CT图片:94.1% |
|
| 14 |
(6] |
图片:5232,正常的图片:1346年,细菌性肺炎图片:2538,病毒性肺炎图片:1345 |
CXR |
深度学习框架使用转移学习 |
使用AlexNet Pretrained ImageNet,训练有素,ResNet18,《盗梦空间》V3, DenseNet121 GoogLeNet,整体模型 |
整体模型:精度:96.4%,召回:99.62%(看不见的数据) |
|
| 15 |
(5] |
图片:5247、细菌性肺炎图片:2561年,1345年病毒性肺炎影像,正常的图片:1341 |
CXR |
学习Pretrained深CNN和用于传输 |
AlexNet、ResNet18 DenseNet201, SqueezeNet |
DenseNet201准确性:正常和肺炎:98%,正常图像、细菌、病毒性肺炎:93.3%,细菌和病毒性肺炎:95% |
|
| 16 |
(17] |
图片:306,COVID-19图片:69年,正常的图片:79年,细菌性肺炎图片:79,病毒性肺炎图片:79。数据集数量增加到8100张图片后甘使用网络。 |
CXR |
甘深转移学习:使用网络来产生更多的图片来帮助检测到病毒。三个深转移模型。 |
AlexNet、GoogLeNet Restnet18性能措施在不同的场景和类 |
GoogLeNet精度:80.56% |
|
| 17 |
(56] |
数据集来自medRix bioRxiv;COVID-19图片:349,总病人:216 |
CT |
多任务学习和self-supervised |
ResNet-50 densenet - 169 |
AUC F1得分:0.90:0.98,准确性:0.89 |
|
| 18 |
(36] |
图片:2200,COVID-19图片:800,病毒性肺炎图片:600 |
CT |
机器学习技术使用Microsoft Azure |
ResNet |
精度高:91%,总体精度:87.6% |
|
| 19 |
(57] |
图片:15495,正常的图片:12544,COVID-19形象:2951 |
CXR |
CNN模型 |
UNet UNet + +,国防后勤局,densenet - 121, CheXNet;inception-v3, ResNet-50 |
F1得分:85.81%,敏感性:98.37%,特异性99.16% |
|
| 20. |
(58] |
多样化的数据从不同的来源 |
CT |
深完全卷积网络(FCN) |
UNet, ResDense FCN |
灵敏度,DSC: 0.780: 0.822,特异性:0.951 |
|
| 21 |
(59] |
图片:954,COVID-19图片:308年,正常的图片:323年,肺炎图片:323张照片 |
CXR |
深度学习模块使用多层体系结构的概念 |
DenseNet;GoogleNet |
特异性灵敏度:0.91:0.95,F1得分:0.91,AUC: 0.97 |
| 22 |
(52] |
图片:7406,COVID-19图片:341年,正常的图片:2800年,病毒性肺炎图片:1493,细菌性肺炎图片:2772 |
CXR |
基于2 d五pretrained CNN模型 |
ResNet50、ResNet101 ResNet152、InceptionV3 inception-ResNetV2 |
COVID-19和正常:精度:96.1%,COVID-19和肺炎精度:99.5%,COVID-19和细菌精度:99.7% |
|
| 23 |
(60] |
全部图片(COVID-19、肺炎和正常):1266年,COVID-19图片:924 |
CT |
3 d pretrained深度学习系统和验证它。 |
款 |
灵敏度(火车):78.93%,特异性(火车):89.93%,敏感性(val): 80.39%,特异性(val): 81.16% |
|
| 24 |
(61年] |
全部图片(COVID-19、细菌和正常):275年,COVID-19图片:88 |
CT |
2 d pretrained ResNet 50使用特征金字塔网络红外系统) |
DRE-net |
:敏感性93%,特异性:96%,精度:99% |
|
| 25 |
(62年] |
图片:624,COVID-19图片:50 |
CXR |
甘2 d + TL |
AlexNet、GoogLeNet ResNet18 SqueezeNet |
精度:99% |
|
| 26 |
(63年] |
全部图片(COVID-19、细菌和正常):1427年,COVID-19图片:224,细菌和病毒性肺炎图片:714 |
CXR |
2 d转换学习(TL) |
Xception VGG19 MobileNet,《盗梦空间》,《盗梦空间》ResNet v2。 |
:敏感性98.66%,特异性:96.46%,精度:94.72% |
|
| 27 |
(64年] |
全部图片(COVID-19、肺炎、正常):6008年,COVID-19图片:184 |
CXR |
2 d转换学习(TL) |
三个ResNet模型 |
精度:93.9% |
|
| 28 |
(65年] |
全部图片(COVID-19、肺炎和正常):8850年,COVID-19图片:498 |
CXR |
二维卷积autoencoder (CAE) |
AE: COVIDomaly |
精度:76.52% |
|
| 29日 |
(66年] |
全部图片(COVID-19、肺炎和正常):2905年,COVID-19图片:219 |
CXR |
二维 |
CNN +事例+ SVM |
精度:98.70% |
|
| 30. |
(67年] |
全部图片(COVID-19、肺炎和正常):2905年,COVID-19图片:219 |
CXR |
2 d使用hyperparameters贝叶斯优化算法 |
安+ AlexNet |
:敏感性89.39%,特异性:99.75%,精度:98.97%,f值:96.72% |
|
| 31日 |
(68年] |
全部图片(COVID-19、肺炎和正常):502年,COVID-19图片:180 |
CXR |
2 d patch-based卷积神经网络 |
ResNet-18 |
:敏感性76.90%,特异性100.00% |
|
| 32 |
(69年] |
全部图片(COVID-19、肺炎和正常):2905年,COVID-19图片:219 |
CXR |
二维 |
整体:Resnet50 VGG16 |
:敏感性91.24%,特异性99.82% |
|
| 33 |
(70年] |
全部图片(COVID-19和正常):2492年,COVID-19图片:1262 |
CT |
二维 |
TL和DenseNet201 |
精度:99.82% |
|
| 34 |
(71年] |
COVID-19、肺炎和正常图像从科恩et al。37] |
CXR |
二维 |
Xception |
:敏感性97.09%,特异性:97.29%,精度:97.40% |
| 35 |
(72年] |
全部图片(COVID-19和正常):380年,COVID-19: 180 |
CXR |
二维 |
5 pretrained +支持向量机模型 |
精度:94.7% |
|
| 36 |
(73年] |
全部图片(COVID-19、肺炎、正常和non-COVID-19): 2905年,COVID-19图片:219 |
CXR |
2 d pretrained模型如ResNet101、Xception InceptionV3, MobileNet, NASNet |
InstaCovNet-19 |
精度:99.08%,精度:99.53% |
|
| 37 |
(74年] |
数据集包含COVID-19,肺炎和正常的图像。 |
CXR |
二维 |
5 pretrained cnn |
精度:95.00% |
|
| 38 |
(75年] |
数据集包含细菌性肺炎、non-COVID病毒性肺炎和COVID-19图像。 |
CXR |
二维 |
5 COVID-CAPS |
:敏感性90%,特异性:95.8%,精度:95.7% |
|
| 39 |
(76年] |
全部图片(COVID-19和正常):5000年,COVID-19图片:184 |
CXR |
二维 |
5 TL + pretrained模型 |
:敏感性100%,特异性98.38% |
|
| 40 |
(55] |
全部图片(COVID-19和正常):526年,COVID-19图片:238 |
CXR + CT |
二维 |
TL + AlexNet模型 |
:敏感性72%,特异性:100%,精度:94.1% |
|
| 41 |
(77年] |
全部图片(COVID-19和正常):320年,COVID-19图片:160 |
CXR + CT |
2 d Apache火花框架 |
TL + inceptionV3 & ResNet5 |
:敏感性72%,特异性:100%,精度:99.01% |
|
| 42 |
(78年] |
全部图片(COVID-19、肺炎和正常):4575年,COVID-19图片:1525 |
CXR |
2 d CNN用于深度特征提取和LSTM用于检测使用提取的功能 |
LSTM +有线电视新闻网 |
:敏感性99.2%,特异性:99.9%,精度:99.4% |
|
| 43 |
(79年] |
图像数据集1 (COVID-19、肺炎和正常):4448年,COVID-19图片:2479年,图像数据集2 (COVID-19、肺炎和正常):101年,COVID-19图片:52 |
CXR |
二维 |
《盗梦空间》3 d V1 |
数据集1:精度:99.4%;数据集2:灵敏度:98.08%,特异性:91.30%,精度:93.3% |
|
| 44 |
(80年] |
全部图片(COVID-19、肺炎和正常):1343年,COVID-19图片:446 |
CXR |
二维 |
甘条件:LightCovidNet |
精度:97.28% |
|
| 45 |
(81年] |
全部图片(COVID-19和正常):8504年,COVID-19图片:445 |
CXR |
二维 |
TL VGG-16模型 |
:敏感性98.0%,特异性:100.00%,精度:94.5% |
|
| 46 |
(82年] |
全部图片(COVID-19和正常):746年,COVID-19图片:349 |
CT |
二维 |
TL 15 +合奏pretrained模型:EfficientNets (B0-B5) NasNetLarge, NasNetMobile, InceptionV3, ResNet-50, SeResnet 50, Xception, DenseNet121 ResNext50, Inception_resnet_v2 |
精度:85.0% |
| 47 |
(83年] |
全部图片(COVID-19和正常):2482年,COVID-19图片:1252 |
CT |
二维 |
AE +随机森林 |
特异性:98.77%,精度:97.87% |
|
| 48 |
(84年] |
全部图片(COVID-19和normal1): 50, COVID-19图片:25 |
CXR |
3 d |
COVIDX-net |
:敏感性100.00%,特异性80.00% |
|
| 49 |
(85年] |
全部图片(COVID-19和正常):800年,COVID-19图片:400 |
CXR |
使用现代和传统的机器学习方法:2 d(安),(支持向量机),线性内核和(RBF),
- - - - - -最近邻(
- - - - - -NN)、决策树(DT), CN - 2诱导物的技术规则 |
深度学习模型:MobileNets V2, ResNet50 GoogleNet DarkNet, Xception |
ResNet50精度:98.8% |
|
| 50 |
(86年] |
全部图片(COVID-19和正常):800年,COVID-19图片:400 |
CXR |
2 d CLAHE和巴特沃斯带通滤波器应用于提高对比度和消除噪音。 |
混合多通道深度学习系统COVID-deep网络系统。 |
:敏感性99.9%,特异性:100.0%,精度:99.3% |
|
| 51 |
(87年] |
数据集从科恩et al。37]。全部图片(COVID-19和正常):800年,COVID-19图片:400 |
CXR |
2 d基准测试和诊断模型:决策矩阵嵌入10评估标准和12诊断模型,也称为多准则决策(指标) |
TOPSIS申请基准和排名的目的,而熵是用来计算标准的权重。支持向量机是选为最佳的诊断模型 |
系数值:0.9899 |
|
| 52 |
(88年] |
全部图片(COVID-19和正常):800年,COVID-19图片:400 |
CXR |
二维混合深度学习框架,pretrained ResNet34深度学习模型合并,和高分辨率网络模型 |
COVID-CheXNet系统 |
:敏感性99.98%,特异性:100.0%,精度:99.99% |
|
