Background Chest CT is used to assess the severity of lung involvement in coronavirus disease 2019 (COVID-19). Purpose To determine the changes in chest CT findings associated with COVID-19 from initial diagnosis until patient recovery. Materials and Methods This retrospective review included patients with real-time polymerase chain reaction–confirmed COVID-19 who presented between January 12, 2020, and February 6, 2020. Patients with severe respiratory distress and/or oxygen requirement at any time during the disease course were excluded. Repeat chest CT was performed at approximately 4-day intervals. Each of the five lung lobes was visually scored on a scale of 0 to 5, with 0 indicating no involvement and 5 indicating more than 75% involvement. The total CT score was determined as the sum of lung involvement, ranging from 0 (no involvement) to 25 (maximum involvement). Results Twenty-one patients (six men and 15 women aged 25–63 years) with confirmed COVID-19 were evaluated. A total of 82 chest CT scans were obtained in these patients, with a mean interval (±standard deviation) of 4 days ± 1 (range, 1–8 days). All patients were discharged after a mean hospitalization period of 17 days ± 4 (range, 11–26 days). Maximum lung involved peaked at approximately 10 days (with a calculated total CT score of 6) from the onset of initial symptoms (R2 = 0.25, P < .001). Based on quartiles of chest CT scans from day 0 to day 26 involvement, four stages of lung CT findings were defined. CT scans obtained in stage 1 (0–4 days) showed ground-glass opacities (18 of 24 scans [75%]), with a mean total CT score of 2 ± 2; scans obtained in stage 2 (5–8 days) showed an increase in both the crazy-paving pattern (nine of 17 scans [53%]) and total CT score (mean, 6 ± 4; P = .002); scans obtained in stage 3 (9–13 days) showed consolidation (19 of 21 scans [91%]) and a peak in the total CT score (mean, 7 ± 4); and scans obtained in stage 4 (≥14 days) showed gradual resolution of consolidation (15 of 20 scans [75%]) and a decrease in the total CT score (mean, 6 ± 4) without crazy-paving pattern. Conclusion In patients recovering from coronavirus disease 2019 (without severe respiratory distress during the disease course), lung abnormalities on chest CT scans showed greatest severity approximately 10 days after initial onset of symptoms. © RSNA, 2020

OBJECTIVE. The purpose of this study was to describe the clinical manifestations and CT features of coronavirus disease (COVID-19) pneumonia in 15 pregnant women and to provide some initial evidence that can be used for guiding treatment of pregnant women with COVID-19 pneumonia.

Abstract In the field of industrial production, automatic surface defect segmentation plays a crucial role in improving product quality and production efficiency. However, due to the interference of complex backgrounds and uneven illumination, efficient and accurate segmentation of surface defect remains a significant challenge. To address these issues, this work proposes an adaptive feature refinement U-shaped network (U-Net) for pixel-level segmentation of surface defect. The proposed framework draws inspiration from the classic U-Net architecture, and the pre-trained EfficientNet-B0 is selected as the encoder part to extract the multi-scale context information. Then, a novel adaptive feature refinement module, which further learns the global channel-wise dependencies and captures cross-channel local spatial patterns from multi-level features, is introduced to enhance the robustness of feature representation. Finally, these enhanced encoder features are up-sampled, and are further fed into the decoder part to obtain pixel-level defect segmentation results. To assess the validity and accuracy of the proposed model, this network is validated through extensive experiments on four different types of defect datasets. Experimental results show that the proposed model performs well on these datasets, with the maximum mean intersection over union (MIoU) of 91.63%. Meanwhile, the model is compared with some U-Net-based models and other state-of-the-art segmentation models, and it can also achieve competitive performance on MIoU scores. With the acceleration of the graphics processing unit, the proposed network can achieve a detection speed of 82 frames per second, which can meet the needs of real-time detection in the industrial fields.

Motivation: Deep learning (DL) is powerful for fast MRI reconstruction, but remains largely untapped in multiple clinical imaging scenarios. Goal(s): To provide a feasible and cost-effective way to markedly boost the widespread usage of DL in various fast MRI applications. Approach: In this work, we present a Physics-Informed Synthetic data learning framework for Fast MRI, called PISF, which is the first to enable generalizable DL for multi-scenario MRI reconstruction using solely one trained model. Results: PISF trained on synthetic data enables high-quality, ultra-fast, and robust MRI reconstruction from different 4contrasts, 5 anatomies, 5 vendors and centers, and 2 pathologies, without further re-training. Impact: Physics-informed synthetic data learning (DL) provides a feasible and cost-effective way to markedly boost the widespread usage of DL in various fast MRI applications, while freeing from the intractable ethical and practical considerations of in vivo human data acquisitions.