本文介绍了一个新的胸部 X 光数据库，名为 “ChestX-ray8”，其中包括 108948 个患者的 32,717 个独特患者的前瞻性 X 光图像 和使用自然语言处理从相关放射学报告中提取的八个疾病图像标签。作者展示了这些常见的胸部疾病可以通过弱监督的多标签图像分类和疾病定位框架进行检测甚至空间定位，并证明了这一点。尽管初始数量结果报告良好，但基于深度卷积神经网络的 “阅读胸部 X 射线”（仅通过图像级标签训练）仍然是完全自动化的高精度 CAD 系统的艰巨任务。

May, 2017

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

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

该论文介绍了 MIMIC-CXR-JPG v2.0.0 数据集，这是一个从 2011 年至 2016 年收集的大型数据集，包括 377,110 个胸部 X 光片，提供了 14 个标签，旨在为医学计算机视觉领域提供数据和标准。

Jan, 2019

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

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

本文介绍了使用 MIMIC-CXR 数据集训练并评估深度卷积神经网络来识别多种常见胸部疾病的结果，提出了一种可以同时处理前后位胸透图像的新型 DualNet 体系结构，并通过与使用单独基准前位和侧位分类器进行比较来展示 DualNet 体系结构的性能提升。

Apr, 2018

通过六个公开数据库的统一和精细的解剖学标注，提出了一个广泛的胸部 X 射线多中心分割数据集。在这个数据集中，使用 HybridGNet 模型进行严格的验证和高质量的分割，提供了每个掩膜的个性化质量指数和数据集的整体质量评估。该数据集对于胸部 X 射线分析方法的开发和评估具有重要价值。

Jul, 2023

本研究提供了基于场景图的 Chest ImaGenome 数据集，利用自然语言处理和基于图集的边界框检测构建了局部标注，并通过放射学家构建的 X 线诊断本体论将每个 CXR 的注释连接为以解剖学为中心的场景图。

Jul, 2021

该研究提出了一种专门用于生成中文胸部 X 射线报告的疾病标定器，该标定器利用双 BERT 架构处理诊断报告和临床信息并基于疾病和身体部位的关联构建了一个分层标签学习算法，从而提高了文本分类性能。利用该疾病标定器，建立了一个包含 51,262 个报告样本的中文胸部 X 射线报告数据集。最后，对一部分专家注释的中文胸部 X 射线报告进行了实验证明了该疾病标定器的有效性。

Mar, 2024