DuCN：双儿童医学诊断网络和新冠肺炎类似病例推荐

@正在进行{Peng2021DuCNDN，title={DuCN：针对新冠肺炎的医学诊断和类似病例推荐双儿童网络}，author={彭承涛、龙云飞、朱森华、屠丹丹、李斌}，书名={CLIP/DCL/LL-COVID19/MICCAI的PPML},年份={2021}，网址={https://api.semanticscholar.org/CorpusID:236912650}}
一种新的基于深度学习的检测和相似病例推荐网络，用于帮助控制2019年冠状病毒病疫情，并表明所提出的模型取得了良好的临床性能。
[PDF]语义阅读器

33参考文献

社区获得性肺炎中新型冠状病毒肺炎诊断的双抽样注意网络

一种双采样注意力网络，用于在胸部计算机断层扫描（CT）中从社区获得性肺炎（CAP）中自动诊断新冠肺炎，该网络具有一种新型的在线注意力模块，该模块带有3D卷积网络（CNN），用于在做出诊断决策时关注肺部的感染区域。

基于自我监督双轨学习排名的新型冠状病毒分类网络高效训练

提出了一种新的自监督学习方法，用于从新冠肺炎和阴性样本中提取特征，并且可以使用大约一半的阴性样本获得优异的性能，大大减少了模型训练时间。

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

新冠肺炎：通过深度主动学习诊断新冠肺炎

弱监督深度学习在新型冠状病毒感染CT检测和分类中的应用

本研究提出了一种弱监督的深度学习策略，用于从CT图像中检测和分类新冠肺炎感染，该策略可以最大限度地减少人工标记CT图像的要求，但仍然能够获得准确的感染检测，并将新冠肺炎与非新冠肺炎患者区分开来。

用于新冠肺炎诊断的人工智能系统的开发和评估

提出了一种基于深度卷积神经网络的新冠肺炎快速检测系统，该系统具有多中心数据、人类读者比较和年龄分层结果。

COVIDX-Net：X射线图像中诊断COVID-19的深度学习分类器框架

本研究证明了深度学习模型在基于拟议的COVIDX-Net框架的X射线图像中对COVID-19进行分类的有用应用，并表明临床研究是本研究工作的下一个里程碑。

人工智能在胸部CT上区分新冠肺炎和社区获得性肺炎

深度学习模型可以准确检测新冠肺炎，并将其与社区获得性肺炎和其他肺部疾病区分开来。

新冠肺炎分类和胸部CT病变定位的弱监督框架

弱监督的深度学习模型可以准确预测新冠肺炎的感染概率，并在胸部CT中发现病变区域，而无需为训练注释病变。

胸部CT检测新冠肺炎的深度学习模型和自动模型设计基准

设计了一种自动化的深度学习方法，以生成一个轻量级深度学习模型MNas3DNet41，其准确率为87.14%，F1核心为86.25%，AUC为0.957，与人工智能专家所做的最佳模型相当。