Das Paper mit dem Titel "COVID detection and severity prediction with 3D-ConvNeXt and custom pretrainings" von Daniel Kienzle, Julian Lorenz, Robin Schön, Katja Ludwig und Rainer Lienhart wurde auf dem Workshop on AI-enabled Medical Image Analysis auf der ECCV 2022 akzeptiert.

In diesem Paper zeigen die Autoren, wie die ConvNeXt Architektur auf die Klassifizierung von 3D-CT Scans angewendet werden kann. Insbesondere werden verschiedene Methoden untersucht um Transferlernen für die Endanwendung auf medizinischen 3D-Daten durchzuführen. Mit den Erkenntnissen aus diesem Paper wurde der zweite Platz in der 1st COVID19 Severity
Detection Challenge und der dritte Platz in der 2nd COVID19 Detection Challenge erreicht.

Since COVID strongly affects the respiratory system, lung CT-scans can be used for the analysis of a patients health. We intro duce a neural network for the prediction of the severity of lung damage and the detection of a COVID-infection using three-dimensional CT-data. Therefore, we adapt the recent ConvNeXt model to process three-dimensional data. Furthermore, we design and analyze different pretraining methods specifically designed to improve the models ability to handle three-dimensional CT-data. We rank 2nd in the 1st COVID19 Severity Detection Challenge and 3rd in the 2nd COVID19 Detection Challenge.