本文介绍了有组织的第二次共同19号比赛的基线方法，该方法发生在欧洲计算机视觉会议（ECCV 2022）的Aimia研讨会框架内。它提出了COV19-CT-DB数据库，该数据库为COVID-19 DENCTICT注释，由约7,700 3-D CT扫描组成。通过四个COVID-19严重性条件，进一步注释了由COVID-19案例组成的数据库的一部分。我们已经在培训，验证和测试数据集中划分了数据库和后期。前两个数据集用于培训和验证机器学习模型，而后者将用于评估开发模型。基线方法由基于CNN-RNN网络的深度学习方法组成，并报告其在COVID19-CT-DB数据库上的性能。

随着Covid-19的爆发，近年来已经出现了大量相关研究。我们提出了一个基于肺CT扫描图像的自动COVID-19诊断框架，即PVT-COV19D。为了适应图像输入的不同维度，我们首先使用变压器模型对图像进行了分类，然后根据正常分布对数据集中进行采样，并将采样结果馈送到修改的PVTV2模型中以进行训练。COV19-CT-DB数据集上的大量实验证明了该方法的有效性。

自2019年底Covid-19出现以来，Covid-19已成为人工智能（AI）社区的积极研究主题。最有趣的AI主题之一是COVID-19对医学成像的分析。 CT扫描成像是有关该疾病的最有用的工具。这项工作是第二次COV19D竞赛的一部分，在其中设定了两个挑战：COVID-19检测和COVID-19的严重性检测。对于从CT扫描的COVID-19检测，我们提出了具有Densenet-161模型的2D卷积块的集合。在这里，每个具有Densenet-161体系结构的2D卷积块是分别训练的，在测试阶段，集合模型基于其概率的平均值。另一方面，我们提出了一个卷积层的集合，该集合具有用于COVID-19的严重程度检测的成立模型。除了卷积层外，还使用了三个成立变体，即Inception-V3，Inception-V4和Inception-Resnet。我们提出的方法在第二COV19D竞赛的验证数据中的表现优于基线方法，分别为COVID-19检测和COVID-19的严重性检测分别为11％和16％。

本文介绍了我们针对第二届COVID-19比赛的解决方案，该竞赛是在欧洲计算机视觉会议（ECCV 2022）的Aimia研讨会框架内举行的。在我们的方法中，我们采用有效的3D对比度混合分类网络，用于在胸部CT图像上进行COVID-19诊断，该图像由对比度表示学习和混合分类组成。对于COVID-19检测挑战，我们的方法在484验证CT扫描中达到0.9245宏F1得分，这显着优于基线方法的16.5％。在COVID-19的严重性检测挑战中，我们的方法在61个验证样本上达到0.7186宏F1得分，这也超过了基线8.86％。

本文提出了一种用于图像分类的卷积神经网络（CNN）模型，旨在提高Covid-19诊断的预测性能，同时避免更深，因此更复杂的替代方案。所提出的模型包括四个类似的卷积层，然后是扁平化和两个致密层。这项工作提出了一种基于仅通过2D CNN模型的像素的图像的简单分类2D CT扫描片图像的较差的解决方案。尽管架构中的简单性，所提出的模型在宏F1分数方面，所提出的模型显示出超过最先进的图像上的定量结果超过了相同数据集。在这种情况下，从图像中提取特征，图像的分割部分，或其他更复杂的技术，最终瞄准图像分类，不会产生更好的结果。由此，本文介绍了一个简单而强大的深度学习的自动化Covid-19分类解决方案。

This paper presents our solution for the 2nd COVID-19 Severity Detection Competition. This task aims to distinguish the Mild, Moderate, Severe, and Critical grades in COVID-19 chest CT images. In our approach, we devise a novel infection-aware 3D Contrastive Mixup Classification network for severity grading. Specifcally, we train two segmentation networks to first extract the lung region and then the inner lesion region. The lesion segmentation mask serves as complementary information for the original CT slices. To relieve the issue of imbalanced data distribution, we further improve the advanced Contrastive Mixup Classification network by weighted cross-entropy loss. On the COVID-19 severity detection leaderboard, our approach won the first place with a Macro F1 Score of 51.76%. It significantly outperforms the baseline method by over 11.46%.

医学图像预处理中最有争议的研究领域之一是3D CT扫描。随着Covid-19的快速扩散，CT扫描在正确，迅速诊断疾病的功能变得至关重要。它对预防感染有积极影响。通过CT-Scan图像诊断疾病有许多任务，包括Covid-19。在本文中，我们提出了一种使用堆叠深神经网络的方法，通过一系列3D CT扫描图像来检测COVID 19。在我们的方法中，我们使用两个骨架进行实验是Densenet 121和Resnet101。此方法在某些评估指标上实现了竞争性能

这项研究中我们的主要目标是提出一种基于转移学习的方法，用于从计算机断层扫描（CT）图像中检测。用于任务的转移学习模型是验证的X受感受模型。使用了模型结构和ImageNet上的预训练权重。通过128批量的大小和224x224、3个通道输入图像训练所得的修改模型，并从原始512x512，灰度图像转换。使用的数据集是A COV19-CT-DB。数据集中的标签包括1919年COVID-1919检测的COVID-19病例和非旋转19例。首先，使用数据集的验证分区以及精确召回和宏F1分数的准确性和损失来衡量所提出方法的性能。验证集中的最终宏F1得分超过了基线模型。

2019年12月，一个名为Covid-19的新型病毒导致了迄今为止的巨大因果关系。与新的冠状病毒的战斗在西班牙语流感后令人振奋和恐怖。虽然前线医生和医学研究人员在控制高度典型病毒的传播方面取得了重大进展，但技术也证明了在战斗中的重要性。此外，许多医疗应用中已采用人工智能，以诊断许多疾病，甚至陷入困境的经验丰富的医生。因此，本调查纸探讨了提议的方法，可以提前援助医生和研究人员，廉价的疾病诊断方法。大多数发展中国家难以使用传统方式进行测试，但机器和深度学习可以采用显着的方式。另一方面，对不同类型的医学图像的访问已经激励了研究人员。结果，提出了一种庞大的技术数量。本文首先详细调了人工智能域中传统方法的背景知识。在此之后，我们会收集常用的数据集及其用例日期。此外，我们还显示了采用深入学习的机器学习的研究人员的百分比。因此，我们对这种情况进行了彻底的分析。最后，在研究挑战中，我们详细阐述了Covid-19研究中面临的问题，我们解决了我们的理解，以建立一个明亮健康的环境。

一种名为Covid-19的新发现的冠状病毒疾病主要影响人类呼吸系统。 Covid-19是一种由起源于中国武汉的病毒引起的传染病。早期诊断是医疗保健提供者的主要挑战。在较早的阶段，医疗机构令人眼花azz乱，因为没有适当的健康辅助工具或医学可以检测到COVID-19。引入了一种新的诊断工具RT-PCR（逆转录聚合酶链反应）。它从患者的鼻子或喉咙中收集拭子标本，在那里共有19个病毒。该方法有一些与准确性和测试时间有关的局限性。医学专家建议一种称为CT（计算机断层扫描）的替代方法，该方法可以快速诊断受感染的肺部区域并在早期阶段识别Covid-19。使用胸部CT图像，计算机研究人员开发了几种识别Covid-19疾病的深度学习模型。这项研究介绍了卷积神经网络（CNN）和基于VGG16的模型，用于自动化的COVID-19在胸部CT图像上识别。使用14320 CT图像的公共数据集的实验结果显示，CNN和VGG16的分类精度分别为96.34％和96.99％。

计算机断层扫描（CT）成像对于诊断各种疾病可能非常实用。但是，CT图像的性质更加多样化，因为CT扫描的分辨率和数量由机器及其设置确定。传统的深度学习模型很难挠痒痒，因为深神经网络的基本要求是输入数据的一致形状。在本文中，我们提出了一种新颖，有效的两步方法，以彻底解决Covid-19症状分类的问题。首先，通过常规骨干网络提取CT扫描的每个切片的语义特征嵌入。然后，我们提出了长期的短期记忆（LSTM）和基于变压器的子网络来处理时间特征学习，从而导致时空特征表示学习。以这种方式，拟议的两步LSTM模型可以防止过度拟合，并提高性能。全面的实验表明，提出的两步方法不仅显示出出色的性能，而且可以互相补偿。更具体地说，两步LSTM模型的假阴性速率较低，而2步SWIN模型的假阳性速率较低。总而言之，建议模型合奏可以在现实世界应用中采用更稳定和有希望的性能。

在过去的两年中，世界遭受了COVID-19（SARS-COV-2）的困扰，造成了人们的日常生活损失和变化。因此，使用深度学习对胸部计算机断层扫描（CT）扫描进行了深入学习的自动检测变得很有希望，这有助于有效纠正诊断。最近，提出了基于变压器的COVID-19检测方法，以利用CT体积中的3D信息。但是，其选择切片的采样方法并不是最佳的。为了利用CT体积中的丰富3D信息，我们使用新型的数据策展和适应性采样方法提出了基于变压器的COVID-19检测，并使用灰度级别同时出现矩阵（GLCM）。为了训练由CNN层组成的模型，然后是变压器体系结构，我们首先基于肺部分割执行数据策划，并利用CT卷中每个切片的GLCM值的熵来为预测选择重要切片。实验结果表明，所提出的方法以较大的边缘改善了检测性能，而没有对模型进行太多修改。

我们为Covid-19的快速准确CT（DL-FACT）测试提供了一系列深度学习的计算框架。我们开发了基于CT的DL框架，通过基于DL的CT图像增强和分类来提高Covid-19（加上其变体）的测试速度和准确性。图像增强网络适用于DDNet，短暂的Dennet和基于Deconvolulate的网络。为了展示其速度和准确性，我们在Covid-19 CT图像的几个来源中评估了DL-FARE。我们的结果表明，DL-FACT可以显着缩短几天到几天的周转时间，并提高Covid-19测试精度高达91％。DL-FACT可以用作诊断和监测Covid-19的医学专业人员的软件工具。

这项研究的目的是开发一个强大的基于深度学习的框架，以区分Covid-19，社区获得的肺炎（CAP）和基于使用各种方案和放射剂量在不同成像中心获得的胸部CT扫描的正常病例和正常情况。我们表明，虽然我们的建议模型是在使用特定扫描协议仅从一个成像中心获取的相对较小的数据集上训练的，但该模型在使用不同技术参数的多个扫描仪获得的异质测试集上表现良好。我们还表明，可以通过无监督的方法来更新模型，以应对火车和测试集之间的数据移动，并在从其他中心接收新的外部数据集时增强模型的鲁棒性。我们采用了合奏体系结构来汇总该模型的多个版本的预测。为了初始培训和开发目的，使用了171 Covid-19、60 CAP和76个正常情况的内部数据集，其中包含使用恒定的标准辐射剂量扫描方案从一个成像中心获得的体积CT扫描。为了评估模型，我们回顾了四个不同的测试集，以研究数据特征对模型性能的转移的影响。在测试用例中，有与火车组相似的CT扫描，以及嘈杂的低剂量和超低剂量CT扫描。此外，从患有心血管疾病或手术病史的患者中获得了一些测试CT扫描。这项研究中使用的整个测试数据集包含51 covid-19、28 CAP和51例正常情况。实验结果表明，我们提出的框架在所有测试集上的表现良好，达到96.15％的总准确度（95％CI：[91.25-98.74]），COVID-119，COVID-96.08％（95％CI：[86.54-99.5]，95％），[86.54-99.5]，），，），敏感性。帽敏感性为92.86％（95％CI：[76.50-99.19]）。

Computer tomography (CT) have been routinely used for the diagnosis of lung diseases and recently, during the pandemic, for detecting the infectivity and severity of COVID-19 disease. One of the major concerns in using ma-chine learning (ML) approaches for automatic processing of CT scan images in clinical setting is that these methods are trained on limited and biased sub-sets of publicly available COVID-19 data. This has raised concerns regarding the generalizability of these models on external datasets, not seen by the model during training. To address some of these issues, in this work CT scan images from confirmed COVID-19 data obtained from one of the largest public repositories, COVIDx CT 2A were used for training and internal vali-dation of machine learning models. For the external validation we generated Indian-COVID-19 CT dataset, an open-source repository containing 3D CT volumes and 12096 chest CT images from 288 COVID-19 patients from In-dia. Comparative performance evaluation of four state-of-the-art machine learning models, viz., a lightweight convolutional neural network (CNN), and three other CNN based deep learning (DL) models such as VGG-16, ResNet-50 and Inception-v3 in classifying CT images into three classes, viz., normal, non-covid pneumonia, and COVID-19 is carried out on these two datasets. Our analysis showed that the performance of all the models is comparable on the hold-out COVIDx CT 2A test set with 90% - 99% accuracies (96% for CNN), while on the external Indian-COVID-19 CT dataset a drop in the performance is observed for all the models (8% - 19%). The traditional ma-chine learning model, CNN performed the best on the external dataset (accu-racy 88%) in comparison to the deep learning models, indicating that a light-weight CNN is better generalizable on unseen data. The data and code are made available at https://github.com/aleesuss/c19.

逆转录 - 聚合酶链反应（RT-PCR）目前是Covid-19诊断中的金标准。然而，它可以花几天来提供诊断，假负率相对较高。成像，特别是胸部计算断层扫描（CT），可以有助于诊断和评估这种疾病。然而，表明标准剂量CT扫描对患者提供了显着的辐射负担，尤其是需要多次扫描的患者。在这项研究中，我们考虑低剂量和超低剂量（LDCT和ULDCT）扫描方案，其减少靠近单个X射线的辐射曝光，同时保持可接受的分辨率以进行诊断目的。由于胸部放射学专业知识可能不会在大流行期间广泛使用，我们使用LDCT / ULDCT扫描的收集的数据集进行人工智能（AI）基础的框架，以研究AI模型可以提供人为级性能的假设。 AI模型使用了两个阶段胶囊网络架构，可以快速对Covid-19，社区获得的肺炎（帽）和正常情况进行分类，使用LDCT / ULDCT扫描。 AI模型实现Covid-19敏感性为89.5％+ - 0.11，帽敏感性为95％+ \ - 0.11，正常情况敏感性（特异性）85.7％+ - 0.16，精度为90％+ \ - 0.06。通过纳入临床数据（人口统计和症状），性能进一步改善了Covid-19敏感性为94.3％+ \ - PM 0.05，帽敏感性为96.7％+ \ - 0.07，正常情况敏感性（特异性）91％+ - 0.09，精度为94.1％+ \ - 0.03。所提出的AI模型基于降低辐射暴露的LDCT / ULDCT扫描来实现人级诊断。我们认为，所提出的AI模型有可能协助放射科医师准确，并迅速诊断Covid-19感染，并帮助控制大流行期间的传输链。

由于COVID强烈影响呼吸系统，因此肺CT扫描可用于分析患者健康。我们引入了一个神经网络，用于预测肺损伤的严重程度和使用三维CT扫描检测感染。因此，我们将最新的Convnext模型调整为处理三维数据。此外，我们引入了专门调整的不同训练方法，以提高模型处理三维CT-DATA的能力。为了测试模型的性能，我们参加了第二COV19D严重性预测和感染检测的竞争。

Deep learning (DL) analysis of Chest X-ray (CXR) and Computed tomography (CT) images has garnered a lot of attention in recent times due to the COVID-19 pandemic. Convolutional Neural Networks (CNNs) are well suited for the image analysis tasks when trained on humongous amounts of data. Applications developed for medical image analysis require high sensitivity and precision compared to any other fields. Most of the tools proposed for detection of COVID-19 claims to have high sensitivity and recalls but have failed to generalize and perform when tested on unseen datasets. This encouraged us to develop a CNN model, analyze and understand the performance of it by visualizing the predictions of the model using class activation maps generated using (Gradient-weighted Class Activation Mapping) Grad-CAM technique. This study provides a detailed discussion of the success and failure of the proposed model at an image level. Performance of the model is compared with state-of-the-art DL models and shown to be comparable. The data and code used are available at https://github.com/aleesuss/c19.

在本文中，我们研究了使用深度学习模型时的可转移性限制，用于对CT图像中肺炎感染区域的语义分割。拟议的方法采用4通道输入；基于Hounsfield量表的3个通道，以及一个表示肺部区域的通道（二进制）。我们使用了3个不同的公开可用的CT数据集。如果没有肺部面罩，深度学习模型会生成代理图像。实验结果表明，在创建共同分割模型时，应仔细使用可转移性；在大量数据中重新训练该模型多次以上会导致分割精度的降低。

Despite high global prevalence of hepatic steatosis, no automated diagnostics demonstrated generalizability in detecting steatosis on multiple international datasets. Traditionally, hepatic steatosis detection relies on clinicians selecting the region of interest (ROI) on computed tomography (CT) to measure liver attenuation. ROI selection demands time and expertise, and therefore is not routinely performed in populations. To automate the process, we validated an existing artificial intelligence (AI) system for 3D liver segmentation and used it to purpose a novel method: AI-ROI, which could automatically select the ROI for attenuation measurements. AI segmentation and AI-ROI method were evaluated on 1,014 non-contrast enhanced chest CT images from eight international datasets: LIDC-IDRI, NSCLC-Lung1, RIDER, VESSEL12, RICORD-1A, RICORD-1B, COVID-19-Italy, and COVID-19-China. AI segmentation achieved a mean dice coefficient of 0.957. Attenuations measured by AI-ROI showed no significant differences (p = 0.545) and a reduction of 71% time compared to expert measurements. The area under the curve (AUC) of the steatosis classification of AI-ROI is 0.921 (95% CI: 0.883 - 0.959). If performed as a routine screening method, our AI protocol could potentially allow early non-invasive, non-pharmacological preventative interventions for hepatic steatosis. 1,014 expert-annotated liver segmentations of patients with hepatic steatosis annotations can be downloaded here: https://drive.google.com/drive/folders/1-g_zJeAaZXYXGqL1OeF6pUjr6KB0igJX.