Dec, 2017

MURA：肌骨骼放射图异常检测的大型数据集

PDF
TL;DR介绍了 MURA，这是一个包含 40,561 张骨骼肌肉系统放射线图像的大型数据集，通过研究这些图像的标注，训练了一个 169 层 DenseNet 模型以检测和定位异常。该模型的性能可与最佳放射科医生的性能相媲美，并提供了有关放射科医生的标准来比较模型表现。
muramusculoskeletal radiographsabnormalitiesdensenet modelperformance
发现论文，激发创造
  • 探索大规模公共医学图像数据集

    本文旨在探讨开放式医疗数据集的质量控制问题，通过对 ChestXray14 和 MURA 两个数据集的视觉比对，发现标签的准确性存在问题，该研究建议公开数据集制作者应当进行质量控制并提供详细的数据生成过程及标注规则描述。

    Jul, 2019

  • 改进膝关节 X 射线影像分类：自动图像标注方法

    使用自动标注方法显著提高了放射性诊断中图像分类的性能，并促进了患者护理和大型膝部数据集的整理。

    Sep, 2023

  • VinDr-CXR：放射专家注释的胸部 X 光数据集

    本研究介绍了一个包含超过 10 万张胸部 X 射线扫描的数据集，其中 18000 张图像被 17 名经验丰富的放射科医生手动标注，包括 22 个异常部位的局部标签和 6 个可疑疾病的全局标签，该数据集的发布将为胸部异常的检测和定位的机器学习算法的发展提供帮助。

    Dec, 2020

  • 人工智能模型乳腺 X 线筛查的性能差距 -- 迈向公平和可解释的模型

    通过分析筛选乳腺 X 线检查中失败的人群，使用深度学习模型识别正常和异常组织贴片，并评估人口子组的分类偏差，得出哪些影像特征是深度学习模型性能较差的原因。

    May, 2023

  • MRAnnotator: 一个用于 MRI 分割的多解剖结构深度学习模型

    通过开发深度学习模型，实现 MRI 图像上多解剖结构和众多类别的分割。

    Feb, 2024

  • 利用位置感知稠密网络学习识别胸部 X 光异常

    本文介绍了一种基于位置感知的 Dense Networks（DNetLoc）的方法，结合高分辨率图像数据和异常的空间信息进行异常分类，并利用最大的公开数据集对其进行了评估。我们在 ChestX-Ray14 基准数据集上实现了最佳平均 AUC 分数，并在明确使用病理位置信息时取得了改进的 AUC 分数。

    Mar, 2018

  • CheXpert：一份具有不确定性标签和专家比较的大型胸透数据集

    CheXpert 是一个包含 224,316 个患者的 65,240 个胸部 X 射线片的大型数据集，通过自动检测放射学报告中 14 个观察结果的存在来捕捉放射 X 线解释中固有的不确定性，并且利用不同的不确定性方法来训练卷积神经网络，将此数据集作为标准基准来评估胸部 X 射线解释模型的性能。

    Jan, 2019

  • 从放射学报告和 X 光胸片图像中进行跨模态全局局部表示学习

    本文使用公開的印第安納大學放射學報告 (IU-RR) 資料集，訓練具有全局和局部的語言和視覺元素的多模式表示學習方法，進而診斷五種肺病理學，包括肺不脹、心臟肥大、水腫、胸膜積液和實質密度增加。使用 CheXpert 和 CheXphoto 這兩種不同的訓練資料集，平均 AUC 在 0.85 至 0.87 之間，這些結果與使用 UI-RR 的其他研究相比也相當有競爭力。

    Jan, 2023

  • 机器学习：从胸部 X 射线片中分割肺部异常

    CheX-nomaly 模型通过对比学习方法和病变框解关联来显著提高胸部异常定位模型的泛化能力，并引入新的损失技术来增强 U-net 模型在边界框分割上的性能，从而为胸部疾病诊断的精确性提供了有前景的解决方案，特别关注减少医疗保健中视觉错误的数量。

    Nov, 2023

  • ChestX-Det10：胸部 X 光检测数据集

    该研究提供了一个名为 ChestX-Det10 的新基准，包括大约 3,500 个显微镜图像的 10 种疾病 / 异常的框注释。这个基准可以用于胸部 X 光的疾病分类和定位研究。

    Jun, 2020