[1] ZAHIRI J，AFSHARINIA M H，HEKMATI Z.et al.2019年冠状病毒病（COVID-19）候选胸部CT特征：7571例患者提取影像特征的系统评价[J/OL]。（2020-11-03）[2021-05-09]。https://doi.org/10.101/1020.11.03.20225326。
[2] CHUNG M，BERNHEIM A，MEI X，等2019年新型冠状病毒（2019-nCoV）的CT影像特征[J]。放射学，2020295:202-207。
[3] WU X，ZHONG Y，QIN W，et al.CT对新冠肺炎的诊断性能及其关键体征：系统综述和荟萃分析[J/OL]。（2020-05-24）[2021-05-09]。https://doi.org/10.1101/2020.05.24.20111773。
[4] MOHAMADOU Y，HALIDOU A，KAPEN PT，等.新型冠状病毒肺炎研究、预测和管理中使用的数学模型、人工智能和数据集综述[J]。应用情报，2020,50:3913-3925。
[5] MONTAZERI M，ZAHEDINASAB R，FARAHANI A，等.基于图像的新型冠状病毒诊断和预后的机器学习模型：系统综述[J]。JMIR医学信息学，2020,9:e25181。
[6] 唐江平，周晓飞，贺鑫，等.基于深度学习的新型冠状病毒肺炎诊断研究综述[J] .工程，2021,47（5）：1-15。
唐建平，周晓芳，何霞，等。基于深度学习的新型冠状病毒肺炎诊断研究综述[J]。计算机工程，2021,47（5）：1-15。
[7] 孟琭，李镕辉.新型冠状病毒肺炎（新冠肺炎）人工智能进展[J]。中国图象图形学报，2020，25（10）：2058-2067.
孟磊，李瑞华。新型冠状病毒医学影像人工智能诊断与预测技术进展[J]。《图像与图形学杂志》，2020，25（10）：2058-2067。
[8] 唐思源，杨敏，刘燕茹，等.人工智能技术辅助诊断新型冠状病毒肺炎研究综述[J] ●●●●。计算机工程与应用，2020，56（18）：16-24.
唐素云，杨明，刘永荣，等.人工智能技术辅助诊断新型冠状病毒肺炎研究进展[J]。计算机工程与应用，2020,56（18）：16-24。
[9] RAJPAL S，AGARWAL M，RAJPAL A，et al.COV-ELM分类器：一种基于极端学习机器的使用胸部X射线图像识别新型冠状病毒的方法[J/OL]。（2020-08-06）[2021-05-09]。https://arxiv.org/abs/2007.08637。
[10] MALL P K，SINGH P K，YADAV D，et al.基于GLCM的特征提取和使用机器学习技术的医用X射线图像分类[C]//2019 IEEE信息与通信技术会议，阿拉哈巴德，2019年12月6日-82019.皮斯卡塔韦：IEEE，2019:1-6。
[11] VIMAL S，ROBINSON Y H，KALIAPAN M，等.一种利用K-均值和GLCM算法进行智能医学预测的青光眼进展检测方法[J]。超级计算杂志，2021,77:11894-11910。
[12] TAN J，GAO Y F，CAO W G，et al.GLCM-CNN:基于灰度共生矩阵的CNN息肉诊断模型[C]//2019 IEEE EMBS国际生物医学与健康信息学会议，芝加哥，2019年5月19日至22日。皮斯卡塔韦：IEEE，2019:1-4。
[13] 黄磊，韩蓉，AIT，等。新型冠状病毒肺炎胸部CT系列定量评估：一种深度学习方法[J]。放射学：心胸成像，2020,2:e200075。
[14] 李毅，夏丽明.2019年冠状病毒病（COVID-19）：胸部CT在诊断和治疗中的作用[J]。美国放射学杂志，2020214:1280-1286。
[15] 刘天智，黄培凯，刘海林，等。新型冠状病毒家族性感染的胸部CT表现谱[J]。放射学：心胸成像，2020,2:e200025。
[16] 陈蓉，陈杰，孟庆堂，等。早期冠状病毒病（COVID）的胸部CT图像-
19） 【J】。加拿大麻醉学杂志，2020,67:754-755。
[17] 吴美英，李永平，杨杰，等。新型冠状病毒感染的影像学表现：影像学表现及文献复习[J]。放射学：心胸成像，2020，2:e200034。
[18] 叶忠，张毅，王毅，等。2019年新型冠状病毒肺炎（COVID-19）胸部CT表现：图像综述[J]。欧洲放射学杂志，2020,30:4381-4389。
[19] SALEHI S，ABEDI A，BALAKRISHNAN S，等.2019年冠状病毒病（COVID-19）：919例患者影像学表现的系统回顾[J]。美国放射学杂志，2020215:87-93。
[20] 李凯，方毅，李伟，等。冠状病毒肺炎（COVID-19）的CT图像视觉定量评价与临床分型[J]。《欧洲放射学杂志》，2020,30:4407-4416。
[21]张凯，刘霞，沈杰，等.利用计算机断层扫描技术对新型冠状病毒肺炎进行准确诊断、定量测量和预后的临床应用人工智能系统[J]。细胞，2020181:1423-1433。
[22]JACOBI A，CHUNG M，BERNHEIM A，等.新型冠状病毒肺炎（COVID-19）的便携式胸部X光检查：图片综述[J]。临床成像，2020,64:35-42。
[23]COZZI D，ALBANESI M，CAVIGLI E，等.2019年新型冠状病毒肺炎（COVID-19）感染的胸部X线表现及其与临床结局的相关性[J]。《放射医学》，2020125:730-737。
[24]CHOWDHURY M E，RAHMAN T，KHANDAKAR A，等.人工智能能否帮助筛查病毒和新型冠状病毒肺炎[J]。IEEE接入，2020,8:132665-132676。
[25]SUMMERS R M.新冠肺炎成像的人工智能：寻找钉子的锤子[J]。放射学，2021298（3）：204226。
[26]马J，王毅，安X，等.面向数据高效学习：新冠肺炎CT肺部和感染分割的基准[J]。医学物理学，2021,48（3）：1197-1210。
[27]MOROZOV S，REYCHENKO A，BLOKHIN I，et al.MosMedData:胸部CT扫描与COVID-19相关发现数据集[J/OL]。（2020-05-13）[2021-05-09]。https://doi.org/10.101/1020.05.20.20100362。
[28]YANG X Y，HE X H，ZHAO J Y，et al.冠状病毒-CT数据集：一个关于新型冠状病毒肺炎的CT扫描数据集[J/OL]。（2021-01-25）[2021-05-09]。https://arxiv.org/pdf/2003.13865.pdf。
[29]SOARES E，ANGELOV P，BIASO S，et al.SARS-CoV-2 CT扫描数据集：用于SARS-CoV-1识别的真实患者CT扫描的大型数据集[J/OL]。（2020-05-14）[2021-05-09]。https://doi.org/10.1101/2020.04.20078584。
[30]RAHIMZADEH M，ATTAR A，SAKHAEI S，et al.基于深度学习的全自动COVID检测网络-
19来自一个新的大型肺部CT扫描数据集[J]。生物医学信号处理与控制，2021,68:102588。
[31]NING W，LEI S，YANG J，等.通过深度学习预测新型冠状病毒肺炎预后的肺炎患者临床数据开放资源[J]。《自然生物医学工程》，2020,4:1197-1207。
[32]哈蒙S，H。SANFORD T，XU S，等.利用多国数据集在胸部CT上检测新型冠状病毒肺炎的人工智能[J]。《自然通讯》，2020,11（1）：4080。
[33]KERMANY D，GOLDBAUM M，CAI W，等.基于图像的深度学习识别医学诊断和可治疗疾病[J]。细胞，2018172:1122-1131。
[34]COHEN J P，MORRISON P，DAO L，et al.COVID-19图像数据采集：前瞻性预测是未来[J/OL]。（2020-06-22）[2021-05-09]。https://arxiv.org/abs/2006.11988。
[35]PENG Y，TANG Y，LEE S，et al.新型冠状病毒肺炎-CT-CXR：生物医学文献中关于新型冠状腺炎的自由获取和弱标记胸部X射线和CT图像采集[J/OL]。（2020-06-11）【2021-05-09】网址：http://arxiv.org/abs/2006.066177。
[36]DESAI S，BAGHA，WONGSURAWAT T，et al.代表新冠肺炎阳性美国农村人口的胸部影像[J]。科学数据，2020,7（1）：414。
[37]VAYáM D L L，SABORIT J M，MONTELL J A，et al.BIMCV COVID-19+：新冠肺炎患者的RX和CT图像的大型注释数据集[J/OL]。（2020-06-05）[2021-05-09]。https://arxiv.org/abs/2006.01174。
[38]TSAI E，SIMPSON S，LUNGREN M，et al.RSNA国际COVID-19开放注释放射数据库（RICORD[J].放射，2021299（1）：E204-E213。
[39]WANG L，WONG A.COVID-Net：一种量身定制的深度卷积神经网络设计，用于从胸部X射线图像中检测新冠肺炎病例[J/OL]。（2020-05-11）[2021-05-09]。https://arxiv.org/abs/2003.09871。
[40]史峰，王杰，史杰，等.人工智能技术在新型冠状病毒肺炎影像数据采集、分割和诊断中的研究进展[J]。IEEE生物医学工程评论，2021,14-4-15。
[41]LI Y F，PEI X D，GUO Y，等.利用CT图像准确诊断2019年冠状病毒病的3D CNN分类模型[J]。医学成像杂志，2021,8（S1）：017502。
[42]HE X，WANG S，SHI S，et al.利用胸部CT扫描对新型冠状病毒检测的深度学习模型和自动化模型设计进行基准测试[J/OL]。（2020-06-09）[2021-05-09]。https://arxiv.org/abs/2101.05442。
[43]SHAH V，KENIYA R，SHRIDHARANI A，等.利用CT扫描图像和深度学习技术诊断新型冠状病毒肺炎[J]。《急诊放射学》，2021,28:497-505。
[44]GIFANI P，SHALBAF A，VAFAEEZADEH M等。基于CT扫描的深度卷积神经网络与迁移学习集成的COVID-19自动检测[J]。国际计算机辅助放射外科杂志，2021,16:115-123。
[45]李聪，杨义勇，梁浩，等.利用小样本训练数据集建立新型冠状病毒肺炎（COVID-19）在CT影像上的识别的转移学习[J]。基于知识的系统，2021218:106849。
[46]LOEY M，MANOGARAN G，KHALIFA N E M，等.一种基于经典数据增强和CGAN的深度转移学习模型，用于从胸部CT放射数字图像中检测COVID-19[J]。神经计算与应用，2020。DOI:10.1007/s00521-0520-05437-x。
[47]MOBINY A，CICALESE P A，ZARE S，et al.利用CT扫描和详细定向胶囊网络进行放射水平COVID-19检测[J/OL]。（2020-04-15）[2021-05-09]。https://arxiv.org/abs/2004.07407。
[48]JAISWAL A，GIANCHANDANI N，SINGH D，等.基于DenseNet201的深度转移学习对新型冠状病毒感染患者的分类[J]。生物分子结构与动力学杂志，2020,24（2）：381-409。
[49]PATHAK Y，SHUKLA P K，ARYA K V，等.新型冠状病毒感染患者深度双向分类模型[J]。IEEE/ACM计算生物学和生物信息学汇刊，2021,18（4）：1234-1241。
[50]王Z，刘强，窦强，等.基于重新设计网络的COVID-19 CT分类的对比性跨站点学习[J]。IEEE生物医学与健康信息学杂志，2020,24:2806-2813。
[51]GUNRAJ H，WANG L，WONG A，et al.COVIDNet-CT：一种定制的深度卷积神经网络设计，用于从胸部CT图像中检测COVID-19病例[J]。医学前沿，2020,7:608525。
[52]BENMALEK E，ELMHAMDI J，JILBAB A，等.CT扫描和胸部X射线成像对新型冠状病毒肺炎诊断的比较[J]。生物医学工程进展，2021,1:100003。
[53]GOODFELLOW I，POUGET-ABADIE J，MIRZA M，et al.生成对抗网[C]//27第27届神经信息处理系统国际会议，蒙特利尔，2014年12月8日至13日，剑桥：MIT出版社，2014:2672-2680。
[54]姜浩，唐诗，刘伟，等.新冠肺炎胸部CT（CT）图像分析的深度学习：肺癌的教训[J]。计算与结构生物技术杂志，2021,19:1391-1399。
[55]张H，CISSE M，DAUPHIN Y N，等.混合：超越经验风险最小化[J/OL]。（2017-10-25）[2021-05-09].https://arxiv.org/abs/1710.09412v2。
[56]LI L，QIN L X，XU Z，等.人工智能在胸部CT上区分新冠肺炎和社区获得性肺炎[J]。放射学，2020296（2）：E65-E71。
[57]ZOPH B，LE Q V.强化学习神经结构搜索[J/OL]。（2017-02-15）[2021-05-09]。https://arxiv.org/pdf/1611.01578.pdf。
[58]RAGB H K，DOVER L T，ALI R，et al.融合深度卷积神经网络在胸部X射线图像中对新型冠状病毒肺炎的精确诊断[J/OL]。（2020-09-15）【2021-05-09】网址：http://arxiv.org/abs/2009.08831。
[59]SOUSA P M，CARNEIRO P C，OLIVEIRA M M，et al.COVID-19基于新型卷积神经网络的胸部X线图像分类：CNN-COVID[J]。生物医学工程，2021.DOI:10.1007/s42600-020-00120-5。
[60]CHOUHAN V，SINGH S K，KHAMPARIA A，等.一种新的基于转移学习的肺部X射线图像肺炎检测方法[J]。应用科学，2020,10:559。
[61]KHALIFA M，TAHA M H N，HASSAIEN A E，et al.基于生成性对抗网络和使用胸部X射线数据集的精细调整深度转移学习模型的冠状病毒（COVID-19）相关性肺炎检测[J/OL]。（2020-04-02）[2021-05-09]。https://arxiv.org/abs/2004.01184。
[62]MUKHERJEE H，GHOSH S，DHAR A，等.利用胸部X光进行新型冠状病毒疫情筛查的浅卷积神经网络[J]。认知计算，2021.DOI:10.1007/s12559-020-09775-9。
[63]QI X，NOSHER J L，FORAN D J，等.从胸部X射线图像诊断新型冠状病毒肺炎的多特征半监督学习[J/OL]。（2021-04-14）【2021-05-09】网址：http://arxiv.org/abs/2014.01617。
[64]HERTEL R，BENLAMRI R.COV-SNET:基于X射线的新型冠状病毒分类的深度学习模型[J]。医学信息学解锁，2021,24:100620。
[65]王X，彭毅，卢磊，等.胸部X射线8：医院级胸部X射线数据库和常见胸部疾病弱监督分类和定位基准[C]//2017 IEEE计算机视觉和模式识别会议，檀香山，2017。皮斯卡塔韦：IEEE，2017:3462-3471。
[66]范德平，周涛，纪国平，等.基于CT图像的新型冠状病毒肺炎肺部感染自动分割[J]。IEEE医学成像学报，2020,39（8）：2626-2637。
[67]邱毅，刘毅，徐杰，等.MiniSeg：一种用于有效分割COVID-19的极小网络[J/OL]。（2021-03-21）[2021-05-09]。https://arxiv.org/abs/2004.09750v1。
[68]周T X，CANU S，阮S，等.基于U-Net集成空间和通道注意机制的COVID-19 CT自动分割[J]。国际成像系统与技术杂志，2021,31:16-27。
[69]RAJAMANI K T，SIEBERT H，HEINRICH M P，等.语义切分的动态变形注意（DDANet）[J]。IEEE生物医学与健康信息学杂志，2021.DOI:10.1101/2020.08.25.20181834。
[70]蒋永发，陈华，洛伊M，等.基于条件生成对抗网络的COVID-19 CT图像合成[J]。IEEE生物医学与健康信息学杂志，2021,25:441-452。
[71]张平，钟毅，邓毅，等.科辛根：从单个放射学图像学习COVID-19感染分割[J]。诊断，2020,10:901。
[72]赵晓勇，张鹏，宋凤，等.D2A U-Net：利用扩张卷积和双注意机制从CT切片中自动分割COVID-19病灶[J]。生物与医学计算机，2021135:104526。
[73] 宋瑶，刘俊.改进掌中宽带的新冠肺炎图像分割方法[J/OL]。计算机工程与应用（2021-03-18）[2021-05-09].http://kns.cnki.net/kcms/detail/121.227.tp.20210317.1539.004.html。
宋毅，刘杰.改进U-Net的新型冠脉肺炎图像分割方法[J]。计算机工程与应用（2021-03-18）[2021-05-09]。http://kns.cnki.net/kcms/detail/11.2127.tp.20210317.1539.004.html。
[74]OULEFKI A，AGAIAN S，TRONGIRAKUL T，等.利用CT扫描图像自动分割和测量新型冠状病毒肺炎肺部感染区域[J]。模式识别，2021114:107747。
[75]田Z，HE T，SHEN C，et al.解码器对语义分割至关重要：数据相关解码支持灵活的特征聚合[C]//2019 IEEE计算机视觉和模式识别会议，2019年6月15日至20日，长滩。皮斯卡塔韦：IEEE，2019:3126-3135。
[76]HUANG Z，WANG X，HUANG L，et al.CCNet:语义分割的交叉关注[C]//2019 IEEE/CFF国际计算机视觉会议，首尔，2019年10月27日至11月22019日。Piscataway:IEEE，2019:603-612。