评论文章
深度学习技术的概述COVID-19的胸部x光片和CT扫描识别
|
| 没有 |
应用程序 |
类型的数据 |
挑战 |
人工智能方法 |
来源 |
|
| 1 |
使用放射学图像COVID-19早期检测。通常CXR和CT图像 |
CXR图片 |
有限的可用性注释医学图像和医学图像分类在医学诊断仍是最大的挑战。 |
DeTraC深卷积神经网络 |
(14] |
| 2 |
CXR图片 |
寻找最优参数的支持向量机分类器可以被看作是一个挑战。寻找最优参数的支持向量机分类器可以被看作是一个挑战。救援算法找到最优值可以看作是这项研究的另一个局限性 |
COVIDetectioNet |
(92年] |
| 3 |
CT图像 |
冗余数据等干扰的船只可误诊为病理。放射科医生难以区分COVID-19和其他非典型和病毒性肺炎的疾病,这是相同的在CT图像和有相似的症状。 |
AlexNet、VGG-16 VGG-19、SqueezeNet GoogleNet, MobileNet-V2, ResNet-18, ResNet-50 Xception resnet - 101 |
(93年] |
| 4 |
CXR图片 |
由于突然COVID-19存在和传染性的本质,系统收集大量数据集的CNN训练是强大的。生物标志物发现CXR图像可能会误导人。 |
Patch-based卷积网络 |
(68年] |
| 5 |
CXR图片 |
研究处理图像直接取自患者严重COVID-19或某种形式的肺炎。然而,在现实世界中,越来越多的人受到肺炎的影响。数量有限的数据提供了一个限制提供可行的结果。 |
多级分类和分级分类,使用纹理描述符和pretrained CNN模型 |
(94年] |
| 6 |
CXR图片 |
肺部疾病数据不足限制我们进行验证技术。 |
本土化的地区COVID-19 CXR症状的存在 |
(95年] |
| 7 |
CT图像 |
短缺的放射学图像标签“数据” |
分割深度网络(Inf-net) |
(96年] |
|
|
