{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,6,21]]，“日期-时间”：“2024-06-21T05:10:55Z”，“时间戳”：1718946655637}，“引用-计数”：33，“发布者”：“爱思唯尔BV”，“许可证”：[{“开始”：{-date-parts”：[2021,12,1]]，”日期-时间“：“2021-12-01T00:00Z”，“timestamp”：1638316800000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.elsevier.com/tdm\/userlicense\/1.0\/”}，{“start”：{“date-parts”：[2021,12,1]]，“date-time”：“2021-12-01T00:00:00Z”，“timestamp”：1638316800000}，“content-version”：“stm-asf”，“delay-in-days”：“0，”URL“https:\\/doi.org\/10.15223\/policy-017”}，{“开始”：{“日期部分”：[2021,12,1]]，“日期时间”：“2021-12-01T00:00:00Z”，“timestamp”：1638316800000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-037”}，{“start”：{“date-parts”：[2021,12,1]]，“date-time”：“2021-2-01T00-00:00Z”，“URL”：“https:\/\/doi.org\/10.15223\/policy-012”}，{“start”用法：{“date-parts”：[[2021,12,1]]，“date-time”：“2021-12-01T00:00:00Z”，“timestamp”：1638316800000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-029”}，{“start”：{（日期）：[2021,12,1]，“日期-时间”：“2011-12-01T 00:00Z”，version“：”stm-asf“，”delay-in-days“：0，”URL“：“https://doi.org/10.15223\/policy-004”｝]，“内容域”：｛“域”：[“elsevier.com”，“sciencedirect.com”]，“交叉标记限制”：true｝，“短容器标题”：[“带应用程序的专家系统”]，“已发布的印刷品”：｛“日期部分”：[[2021,12]}，“doi”：“10.1016\/j.eswa.202.1156116”，“类型”：“期刊文章”，“创建”：｛“日期部分”：[[2021,7,27]]，“日期-时间”：“2021-07-27T15:57:44Z”，“时间戳”：1627401464000｝，“页面”：“115616”，“更新策略”：“http:\/\/dx.doi.org/10.1016\/elsevier_cm_policy”，“来源”：“Crossref”，“被计数引用”：26，“标题”：[“基于深度学习的CT图像新冠肺炎严重性评估框架”]，“前缀”：“10.1016”，“卷”：“185”，“作者”：[｛”给定：“志丹”，“家庭”：“李”，“序列”：“第一”，“从属关系”：[]}，{“给定”：“世选”，“家族”：“赵”，“顺序”：“附加”，“隶属关系”：[]}、{“已知”：“杨”，“家人”：“陈”，“次序”：“额外”，“附属关系”：【】}，}“给定的”：“复亚”，“家”：“罗”，“序号”：“添加”，“归属关系”：〔〕}，“family”：“Kang”，“sequence”：“additional”，“隶属关系”：[]}，{“给定”：“生平”，“家庭”：“蔡”，“序列”：“附加”，“隶属”：[]}，}“给定的”：“卫”，“家族”：“赵”，”序列“：“附加的”，“从属关系”：[]}、{“已知”：“军”，“家人”：“刘”，“顺序”：“额外”，“归属”：[]}}，{“给定”：“永洁”，“家庭”：“李”，“sequence”：“additional”，“affiliation”：[]}]，“member”：“78”，“reference”：[{“key”：“10.1016\/j.eswa.2021.115616_b0005”，“doi-asserted-by”：“crossref”，“unstructured”：“Aboutalebi，H.，Abbasi，S.，Javad Shafiee，M.，&Wong，A.（2021）COVID-Net CT-S：使用胸部CT图像进行COVID-19严重性评估的3D卷积神经网络架构。见（第arXiv:2105.01284页）。“，”DOI“：”10.21203\/rs.3.rs-580218\/v1“}，{”key“：”10.1016\/j.eswa.2021.115616_b0010“，”DOI-asserted-by“：”crossref“，”unstructured“：”Ali，A.R.，&Budka，M.（2021）。《冠状病毒病的及时诊断和预后的自动化方法》。In（pp.arXiv:2104.14116）10.1016\/j.eswa.2021.115616_b0015“，“doi-asserted-by”：“crossref”，“first page”：“110071”，“doi”：“10.1016\/j.chaos.2020.110071”、“article-title”：“利用由二维曲线变换、混沌salp群算法和深度学习技术组成的混合模型从X射线图像中识别COVID-19疾病”，“volume”：”140“author”：“Altan”，“year”：“2020”，“journal-title“：”混沌、孤子和分形“}，{“key”：“10.1016\/j.eswa.2021.115616_b0020”，“doi-asserted-by”：“crossref”，“unstructured”：“Chassagnon，G.，Vakalopoulou，M.，Battistella，E.，Christopoulidis，S.，Hoang-Thi，T.-N.，Dangeard，E.、Brillet，P.-Y.、Tran Ba，S.、Bousson，V.、Revel，M.-P.和Paragios，N.（2020年）。人工智能驱动的基于CT的COVID-19肺炎量化、分期和短期预后预测。见（第arXiv:2004.12852页）。“，”DOI“：”10.1016\/j.media.2020.101860“}，{“key”：“10.1016\/j.eswa.2021.115616_b0025”，“unstructured”：“冠状病毒病（COVID-19）状况仪表板。In.页面“：”2626“，”DOI“：”10.1109\/TMI.2020.2996645“，”article-title“：”Inf-Net:从CT图像自动分割COVID-19肺部感染“，”volume“：”39“，”author“：”Fan“，”year“：”2020“，”journal-title”：“IEEE医学成像交易”}，{“key”：“10.1016\/j.eswa.2021.115616_b0035”，“doi-asserted-by”：“crossref”，“first page”：”101836“，”doi“：”10.1016\/j.media.2020.10183 6英寸article-title“：“双分支组合网络（DCN）：利用CT图像实现新型冠状病毒肺炎的准确诊断和病变分割”，“体积”：“67”，“作者”：“高”，“年份”：“2021年”，“期刊标题”：“医学图像分析”}，{“关键”：“10.1016\/j.eswa.2021.115616_b0040”，“非结构化”：“Gotmare，A.，Shirish Keskar，N.，Xiong，C.，&Socher，R.（2018）深入了解深度学习启发式：学习速率重启、预热和蒸馏。见（第arXiv:1810.13243页）。“}，{”key“：”10.1016\/j.eswa.2021.115616_b0045“，”series-title“：”2016 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）“，”first page“：“770”，”article-title“：“图像识别的深度剩余学习”，”author“：”He“，”year“：”“：”10.1016\/j.patcog.2021.107828“，“article-title”：“协同学习肺叶分割和分层多实例分类，用于CT图像中新型冠状病毒肺炎严重程度自动评估”，“volume”：“113”，“author”：“He”，”year“：“2021”，”journal-title“：“Pattern Recognition”}，{“issue”：“8”，“key”：”10.1016\/j.eswa.2021.115616_b0055“，”doi-asserted-by“：”crossref“，”first page“：”2011“，”doi“：”10.1109\/TPAMI.2019.2913372“，”article-title“：”挤压与激励网络“，”volume“：“42”，”author“：”Hu“，“year”：“2020”，”journal-title”：“IEEE Transactions on Pattern Analysis and Machine Intelligence”}，{“key”：“10.1016\/j.eswa.2021.115616_b0060”，“doi-assert-by”：“crossref.”，”first-page“：”114848“，”DOI“：”10.1016\/j.eswa.2021.114848“，”article-title“：”CT图像中基于域自适应的COVID-19感染分割自校正模型“，”volume“：”176“，”author“：”Jin“，”year“：”2021“，”journal-title”：“Expert Systems with Applications”}，{“issue”：“5”，“key”：“10.1016//j.eswa.2021.115616_b0065”，”“DOI-asserted-by”：“crossref”，“首页“：”1122“，”DOI“：”10.1016\/j.cell.2018.02.010“，”article-title“：”通过基于图像的深度学习识别医学诊断和可治疗疾病“，”volume“：”172“，”author“：”Kermany“，”year“：”2018“，”journal-title”：“cell”}，{“issue”：“1”，“key”：“10.1016\/j.eswa.2021.115616_b0070”，“DOI-asserted-by”：“crossref”，“first page”：”E18“，”内政部“：”10.1148“radiol.202020 2439”，“article-title”：“使用人工智能对疑似感染新冠肺炎患者的新冠肺炎报告和数据系统及胸部CT严重程度评分进行自动评估”，“volume”：“298”，“author”：“Lessmann”，“year”：“2021”，“journal-title“：“Radiology”}，{“key”：”10.1016\/j.eswa.2021.115616_b0075“，”doi-asserted-by“：”crossref“，”first page“：”101978“，”DOI“：”10.1016\/j.media.2021.101978“；”article-title“：”通过数据增强和自我监督学习进行新的COVID-19严重性评估的多实例学习框架“，”volume“：“69”，”author“：”Li“，“year”：“2021”，“journal-title”：“Medical Image Analysis”}，{“key”：“10.1016\/j.eswa.2021.115616_b0080”，“doi-asserted-by“：”crossref“，”unstructured“：”Lizzi，F.、Agosti，A.、Brero，F.，Fiamma Cabini，R.、Evelina Fantacci，M.、Figini，S.、Lascalfari，A.、Laruina，F.和Oliva，P.，Piffer，S.，Postuma，I.、Rinaldi，L.、Talamonti，C.和Retico，A.（2021）。通过两个U网络级联对新冠肺炎肺部病变的量化：使用不同注释标准对多个数据集进行训练和评估。见（pp.arXiv:2105.02566）。“，”DOI“：”10.1007\/s11548-021-02501-2“}，{“key”：“10.1016\/j.eswa.2021.115616_b0085”，“DOI-asserted-by”：“crossref”，“unstructured”：“Ma，j.，Wang，Y.，An，X.，Ge，C.，Yu，Z.，Chen面向数据效率学习：新冠肺炎CT肺部和感染分割的基准。arXiv e-prints，arXiv:2004.12537.“，”DOI“：”10.1002\/mp.14676“}，{“issue”：“3”，“key”：“10.1016\/j.eswa.2021.115616_b0090”，“DOI-asserted-by”：“crossref”，“first page”：”715“，”DOI“：“，”作者“：”潘“，”年份：“2020”，“journal-title”：“放射学”}，{“issue”：“3”，“key”：“10.1016\/j.eswa.2021.115616_b0095”，“doi-asserted-by”：“crossref”，“first-page:”199“，”doi“：”10.1038\/s42256-021-00307-0“，”article-title“使用机器学习通过胸片和CT扫描检测和预测新型冠状病毒肺炎的常见缺陷和建议”，“volume”：3“，”author“：”Roberts“，”year“：”2021“，”journal-title“：”Nature Machine Intelligence“}，{”key“：”10.1016\/j.eswa.2021.115616_b0100“，”doi-asserted-by“：”crossref“，”first-page:“571”，“doi”：“10.1016\/j.ijid.2020.11.003”，“article-title”：“社区医院环境中新型冠状病毒肺炎住院患者快速严重性指数和布雷西亚-新型冠状肺炎呼吸严重性量表的表现“，“卷”：“102”，“作者”：“罗德里格斯·纳瓦”，“年份”：“2021年”，“期刊标题”：“国际传染病杂志”}，{“问题”：“3”，“关键”：“10.1016\/j.eswa.2021.115616_b0105”，“doi-asserted-by“：”crossref“，”first page“：”805“，”doi“：”10.1007\/s11135-020-01028-z“，”article-title“：”网络学习中新型冠状病毒对高等学校学生的影响：男女群体比较“，”volume“：“55”，”author“：”Shahzad“，”year“：”2021“，”journal-title”：“Quality&Quantity”}，{“key”：“10.1016\/j.eswa.2021.115616_b0110“，”doi-asserted-by“：”crossref“，”first page“：”4“，”doi“：”10.1109\/RBME.2020.2987975“，”article-title“：”COVID-19影像数据采集、分割和诊断中的人工智能技术综述“，”volume“：“14”，”author“：”Shi“，“year”：“2021”，“journal-title”：“”IEEE生物医学工程评论“}，{“key”：“10.1016\/j.eswa.2021.115616_b0115”，“series-title”：“2018 IEEE计算智能研讨会系列”，“首页”：“1542”，“文章标题”：“用通用数据增强改进深度学习”，“作者”：“Taylor”，“年份”：“2018”}，“key“：”10.1016//j.eswa.2021.11516_b0120“，“首页面”：“2579“，”article-title“：“使用t-SNE对数据进行可视化”，“volume”：“9”，“author”：“van der Maaten”，“year”：“2008”，“journal-title”：“journal of Machine Learning Research”}，{“key”：”10.1016\/j.eswa.2021.115616_b0125“，”series-title“：”2017 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）“，”first page“：”5987“，”article-titel“：”深度神经网络的聚合残差变换”，“作者”：“谢”，“年份”：“2017”}，{“问题”：“4”，“密钥”：“10.1016\/j.eswa.202.115616b0130”，“doi断言”：“crossref”，“首页”：“991”，“doi”：“10.1109\/TMI.2018.2876110”，“文章标题”：“基于知识的协作深度学习用于胸部CT良恶性肺结节分类，“卷”：“38”，“作者”：“谢”，“年份”：“2019”，“期刊标题”：“IEEE医学成像汇刊”}，{“关键”：“10.1016\/j.eswa.202.1156116_b0135”，“文章标题”：“胸部CT严重程度评分：评估严重新冠肺炎的成像工具”，“卷”：“2”author“：”Yang“，”year“：”2020“，”journal-title“：”Radiology:心胸成像“}，{“issue”：“1423\u20131433”，“key”：“10.1016\/j.eswa.2021.115616_b0140”，“article-title”：“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”，“volume”：”181“，”author：“Zhang”，“年份“：“2020”，“journal-title”：“Cell”}，{“key”：“10.1016\/j.eswa.2021.115616_b0145”，“series-title”：”2019 IEEE\/CVF计算机视觉和模式识别会议（CVPR）“，“首页”：“8535”，“article-title“：”使用学习的变换进行数据增强以进行一次性医学图像分割“，“author”：“Zhao”，“year”：“2019”}、{“key”：”10.1016\/j.eswa.2021.115616_b0150“，“doi-asserted-by”：“crossref”，“unstructured”：“赵，S.，Li，Z.，Chen，Y.，赵，W.，Xie，X.，Liu，j.，Zhao，D.，&Li，Y.（2020）。SCOAT-Net：一种从CT图像中分割新冠肺炎肺部混浊的新网络。medRxiv，2020.2009.2023.20191726.“，”DOI“：”10.1101\/2020.09.23.201911726“}，{“key”：“10.1016\/j.eswa.2021.115616_b0155”，“DOI-asserted-by”：“crossref”，“first page”：”185786“，”DOI“：“作者”：“郑”，“年份“：”2020“，”期刊标题“：”IEEE Access“}，{“issue”：“8”，“key”：“10.1016\/j.eswa.2021.115616_b0160”，“doi-asserted-by”：“crossref”，“first page”：”2638“，”doi“：”10.1109\/TMI.2020.3001810“，”article-title“：”一种基于CT-Based COVID-19诊断的快速、准确、机加工的分段和量化方法“，”volume“：”39“，”author“：”Zhou“，”年份“：”2020年”，“journal-title”：“IEEE医学成像汇刊”}，{“key”：“10.1016\/j.eswa.2021.115616_b0165”，“series-title”：《医学图像分析的深度学习和临床决策支持的多模态学习》，“首页”：“3”，“文章-标题”：“UNet++：医学图像分割的嵌套U-Net架构”，“作者”：“周”，“年份”：“2018”}]，“container-title”：[“带应用程序的专家系统”]，“original-title“：[]，“language”：“en”，“link”：[{“URL”：“https:\/\/api.elsevier.com/content\/article\/PII:S0957417421010113？httpAccept=text\/xml”，“content-type”：“text\/.xml”，“content-version”：“vor”，“intended-application”：“text-mining”}，{“URL”：“https:\/\/api.elsevier.com/content\/article\/PII:S0957417421010113？httpAccept=text\/plain”，“content-type”：“text\/plan”，“content-version”：“vor”，“intended-application”：“text-mining”}]，“deposed”：{“date-parts”：[[2023,3,12]，“date-time”：”2023-03-12T08:02:30Z“，”timestamp“：167860815000}，“score”：1，“resource”：{“primary”：{“URL”：“https:\/\/linkinghub.elsevier.com/retrieve\/pii\/S0957417421010113”}}，“subtitle”：[]，“shorttitle”：[]，“issued”：{“date-parts”：[[2021,12]]}，”references-count“：33，”alternative-id“：[”S0957417210113“]，“URL”：“http://\/dx.doi.org\/101016\/j.eswa.2021.115616”，“relation”：{}，ISSN“：[”0957-4174“]，”ISSN-type“：[{”value“：”0957~4174“，”type“:”print“}]，“subject”：[]，“published”：{“date parts”：[[2021,12]}，“assertion”：[{“value”：“Elsevier”，“name”：“publisher”，“label”：“本文由”}维护，{“value”：“基于深度学习的CT图像新冠肺炎严重程度评估框架”，“name”：“articlettle”，“label”：“文章标题”}，{“value”：“带应用程序的专家系统”，“name”：“journaltle”，“label”：“Journal Title”}，{“value”：“https:\\/doi.org\/10.1016\/j.eswa.2021.115616”，“name”：“articlelink”，“标签”：“CrossRef doi link to publisher maintained version”}、{“value”：“文章”，“名称”：“content_type”，“table”：“content-type”}]，“商品编号”：“115616”}}