肺炎是一种严重威胁人类健康的疾病,及时、准确地检测出肺炎可以尽早帮助患者接受治疗。因此,提出了一种基于YOLOv3改进的Multi branch YOLO检测算法。用多分枝膨胀卷积输出的特征代替YOLOv3中不同层级的特征进行检测,在多分枝卷积神经网络中引入Boosting思想,并使用最大化熵方法优化网络。将每个卷积分枝视为一个弱分类器,通过最大化熵方法使每个分枝学习到相近的检测能力,避免多分枝卷积模型退化成单分枝卷积模型。基于北美放射学会提供的肺部X射线影像进行实验,结果表明,该算法在实验数据集上的检测准确率高于其他目标检测算法。

在2月份真实病例数据上的实验结果揭示，基于深度学习的模型在更短的时间内取得了与专家放射科医师相当的效果。它在提高诊断效率、减轻一线放射科医师的工作压力、加快COVID19患者的诊断、隔离和治疗等方面具有巨大的潜力，有助于控制疫情。

就在最近，一次偶然的机会学习了以下fbprophet时序预测模型，就决定使用这个框架来进行未来20天人数的预测。但是传染病模型通常比较复杂，此次使用此模型来预测，仅仅是用来练习，结果仅供参考。 fbprophet模型简介 这个模型（算法）是由facebook公司在2017年正式开源的，主要用于对时间序列进行预测。 这个模型上手非常容易，即便是很一般的数据分析师也能够做一个比较精准的预测。 该模型只需要设置基本配置,并传入指定格式的数据，就可以完成数据的预测。 整体框架分为Modeling、Forecast Evaluation、Surface Problems以及Visually Inspec

大家还好吗？ 背景就不用多说了吧？本来我是初四上班的，现在延长到2月10日了。这是我工作以来时间最长的一个假期了。可惜哪也去不了。待在家里，没啥事，就用python模拟预测一下新冠病毒肺炎的数据吧。要声明的是本文纯属个人自娱自乐，不代表真实情况。 采用SIR模型，S代表易感者，I表示感染者，R表示恢复者。染病人群为传染源，通过一定几率把传染病传给易感人群，ta自己也有一定的几率被治愈并免疫，或死亡。易感人群一旦感染即成为新的传染源。 模型假设: ①不考虑人口出生、死亡、流动等情况，即人口数量保持常数。 ②一个病人一旦与易感者接触就必然具有一定的传染力。假设 t 时刻单位时间内，一个病

基于flutter的肺炎疫情查询工具，收录了当下各大权威肺炎疫情的数据，并提供当前疫情地图实时显示，查询各省市实时疫情数据，同行程、小区查询，预防措施和就医问诊等网络资源，也将忠实的记录下全体中国人民在疫情期间的众志成城。

3D_CT_分类 此示例将显示构建3D卷积神经网络（CNN）以预测计算机断层扫描（CT）扫描中病毒性肺炎的存在所需的步骤。 2D CNN通常用于处理RGB图像（3通道）。 3D CNN只是3D等效项：它以3D体积或2D帧序列（例如CT扫描中的切片）为输入，因此3D CNN是学习体积数据表示的强大模型。

瑞典新冠肺炎疫情历史总数据下载.xls

半导体激光照射治疗小儿肺炎临床疗效观察.pdf

行业分类-物理装置-一种儿童社区获得性肺炎的智能诊断方法.zip

该数据集是5856项儿科X线肺炎的分类。 Pediatric Pneumonia Chest X-ray_datasets.txt