探索大规模公共医学图像数据集
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
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
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
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。
Dec, 2017
本文介绍了一个标记大规模、高分辨率的胸部 X 光数据集，用于自动探索医学图像和相关报告，并在报告中标记了 174 个不同的放射学发现，19 个不同的差异诊断和 104 个不同的解剖部位位置，这些标记数据可用于训练监督模型关于放射学图像的分析与识别。此数据集可在 http URL 下载。
Jan, 2019
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
通过非专家标注从自由文本医疗报告中提取自动注释，扩大训练数据集，以增加机器学习算法在医学图像分析中的进展，并比较非专家标注与专家标注的一致程度。
Sep, 2023
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
本文回顾了使用深度学习对胸部 X 射线摄影进行分析的所有研究，并对图像级预测（分类和回归）、分割、定位、图像生成和领域自适应的工作进行了分类。同时详细介绍了商业应用，并提供了关于现有技术水平和未来潜在方向的全面讨论。
Mar, 2021