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%.

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。

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。

最近关于Covid-19的研究表明，CT成像提供了评估疾病进展和协助诊断的有用信息，以及帮助理解疾病。有越来越多的研究，建议使用深度学习来使用胸部CT扫描提供快速准确地定量Covid-19。兴趣的主要任务是胸部CT扫描的肺和肺病变的自动分割，确认或疑似Covid-19患者。在这项研究中，我们使用多中心数据集比较12个深度学习算法，包括开源和内部开发的算法。结果表明，合并不同的方法可以提高肺部分割，二元病变分割和多种子病变分割的总体测试集性能，从而分别为0.982,0.724和0.469的平均骰子分别。将得到的二元病变分段为91.3ml的平均绝对体积误差。通常，区分不同病变类型的任务更加困难，分别具有152mL的平均绝对体积差，分别为整合和磨碎玻璃不透明度为0.369和0.523的平均骰子分数。所有方法都以平均体积误差进行二元病变分割，该分段优于人类评估者的视觉评估，表明这些方法足以用于临床实践中使用的大规模评估。

The devastation caused by the coronavirus pandemic makes it imperative to design automated techniques for a fast and accurate detection. We propose a novel non-invasive tool, using deep learning and imaging, for delineating COVID-19 infection in lungs. The Ensembling Attention-based Multi-scaled Convolution network (EAMC), employing Leave-One-Patient-Out (LOPO) training, exhibits high sensitivity and precision in outlining infected regions along with assessment of severity. The Attention module combines contextual with local information, at multiple scales, for accurate segmentation. Ensemble learning integrates heterogeneity of decision through different base classifiers. The superiority of EAMC, even with severe class imbalance, is established through comparison with existing state-of-the-art learning models over four publicly-available COVID-19 datasets. The results are suggestive of the relevance of deep learning in providing assistive intelligence to medical practitioners, when they are overburdened with patients as in pandemics. Its clinical significance lies in its unprecedented scope in providing low-cost decision-making for patients lacking specialized healthcare at remote locations.

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。

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。

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％。

世界目前正在经历持续的传染病大流行病，该传染病是冠状病毒疾病2019（即covid-19），这是由严重的急性呼吸综合征冠状病毒2（SARS-COV-2）引起的。计算机断层扫描（CT）在评估感染的严重程度方面发挥着重要作用，并且还可用于识别这些症状和无症状的Covid-19载体。随着Covid-19患者的累积数量的激增，放射科医师越来越强调手动检查CT扫描。因此，自动化3D CT扫描识别工具的需求量高，因为手动分析对放射科医师耗时，并且它们的疲劳可能导致可能的误判。然而，由于位于不同医院的CT扫描仪的各种技术规范，CT图像的外观可能显着不同，导致许多自动图像识别方法的失败。因此，多域和多扫描仪研究的多域移位问题是不可能对可靠识别和可再现和客观诊断和预后至关重要的至关重要。在本文中，我们提出了Covid-19 CT扫描识别模型即Coronavirus信息融合和诊断网络（CIFD-NET），可以通过新的强大弱监督的学习范式有效地处理多域移位问题。与其他最先进的方法相比，我们的模型可以可靠，高效地解决CT扫描图像中不同外观的问题。

Accurate airway extraction from computed tomography (CT) images is a critical step for planning navigation bronchoscopy and quantitative assessment of airway-related chronic obstructive pulmonary disease (COPD). The existing methods are challenging to sufficiently segment the airway, especially the high-generation airway, with the constraint of the limited label and cannot meet the clinical use in COPD. We propose a novel two-stage 3D contextual transformer-based U-Net for airway segmentation using CT images. The method consists of two stages, performing initial and refined airway segmentation. The two-stage model shares the same subnetwork with different airway masks as input. Contextual transformer block is performed both in the encoder and decoder path of the subnetwork to finish high-quality airway segmentation effectively. In the first stage, the total airway mask and CT images are provided to the subnetwork, and the intrapulmonary airway mask and corresponding CT scans to the subnetwork in the second stage. Then the predictions of the two-stage method are merged as the final prediction. Extensive experiments were performed on in-house and multiple public datasets. Quantitative and qualitative analysis demonstrate that our proposed method extracted much more branches and lengths of the tree while accomplishing state-of-the-art airway segmentation performance. The code is available at https://github.com/zhaozsq/airway_segmentation.

在过去的两年中，Covid-19-19的到来引起的动荡继续带来新的挑战。在这次COVID-19大流行期间，需要快速鉴定感染患者和计算机断层扫描（CT）图像中感染区域的特定描述。尽管已迅速建立了深层监督的学习方法，但图像级和像素级标签的稀缺性以及缺乏可解释的透明度仍然阻碍了AI的适用性。我们可以识别受感染的患者并以极端的监督描绘感染吗？半监督的学习表明，在有限的标记数据和足够的未标记数据下，表现出了有希望的表现。受到半监督学习的启发，我们提出了一种模型不可静止的校准伪标记策略，并将其应用于一致性正则化框架下，以生成可解释的识别和描述结果。我们通过有限的标记数据和足够的未标记数据或弱标记数据的组合证明了模型的有效性。广泛的实验表明，我们的模型可以有效利用有限的标记数据，并为临床常规中的决策提供可解释的分类和分割结果。该代码可从https://github.com/ayanglab/xai covid-11获得。

Automated detecting lung infections from computed tomography (CT) data plays an important role for combating COVID-19. However, there are still some challenges for developing AI system. 1) Most current COVID-19 infection segmentation methods mainly relied on 2D CT images, which lack 3D sequential constraint. 2) Existing 3D CT segmentation methods focus on single-scale representations, which do not achieve the multiple level receptive field sizes on 3D volume. 3) The emergent breaking out of COVID-19 makes it hard to annotate sufficient CT volumes for training deep model. To address these issues, we first build a multiple dimensional-attention convolutional neural network (MDA-CNN) to aggregate multi-scale information along different dimension of input feature maps and impose supervision on multiple predictions from different CNN layers. Second, we assign this MDA-CNN as a basic network into a novel dual multi-scale mean teacher network (DM${^2}$T-Net) for semi-supervised COVID-19 lung infection segmentation on CT volumes by leveraging unlabeled data and exploring the multi-scale information. Our DM${^2}$T-Net encourages multiple predictions at different CNN layers from the student and teacher networks to be consistent for computing a multi-scale consistency loss on unlabeled data, which is then added to the supervised loss on the labeled data from multiple predictions of MDA-CNN. Third, we collect two COVID-19 segmentation datasets to evaluate our method. The experimental results show that our network consistently outperforms the compared state-of-the-art methods.

胸腔CT上的自动病变分割能够快速定量分析Covid-19感染的肺部受累。然而，获得用于训练分割网络的大量体素级注释是非常昂贵的。因此，我们提出了一种基于密集回归激活地图（DRAM）的弱监督分割方法。大多数弱监督的分割方法接近利用类激活映射（CAM）到本地化对象。但是，由于凸轮培训进行分类，因此它们不会与对象分割精确对齐。相反，我们使用来自培训的分割网络的密集特征生成高分辨率激活映射，以训练为估计每瓣病变百分比。以这种方式，网络可以利用关于所需病变卷的知识。此外，我们提出了一个注意神经网络模块，以优化DRAM，与主要回归任务一起优化。我们在90个科目中评估了我们的算法。结果表明，我们的方法达到了70.2％的骰子系数，显着优于凸轮基基线48.6％。

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。

我们提出了一种新型的深度学习方法，以分类19.Covid-19患者的肺CTS。具体而言，我们将扫描分为健康的肺组织，非肺部区域，以及两个不同但视觉上相似的病理性肺组织，即地面玻璃透明度和巩固。这是通过独特的端到端层次网络架构和整体学习来实现的，这有助于分割并为细分不确定性提供衡量标准。提出的框架为三个Covid-19数据集实现了竞争成果和出色的概括能力。我们的方法在COVID-19 CT图像细分的公共Kaggle竞赛中排名第二。此外，分割不确定性区域显示与两种不同放射科医生的手动注释之间的分歧相对应。最后，在比较患者的COVID-19严重程度评分（基于临床指标）和分割的肺病理时，显示了我们的私人数据集的初步有希望的对应结果。代码和数据可在我们的存储库中找到：https：//github.com/talbenha/covid-seg

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。

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]）。