临床推理胸部影像数据集
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
通过开源医学图像数据集、基于最新的通用分割和大型语言模型,我们介绍了 RadGenome-Chest CT,这是一个全面的、大规模的、基于 CT-RATE 的区域导向的 3D 胸部 CT 解读数据集,推动了多模态医学基础模型的发展。
Apr, 2024
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
利用深度卷积神经网络(CNNs)构建了一个多标签分类框架,能够准确检测 14 种常见胸部疾病和病灶的存在,通过对 UGCXR 数据集的训练,该模型取得了目前最高的 AUC 分数 0.940, 平均优于独立评审组中的 2.6 位放射科医生,表现优于目前 CheXpert 测试集上的其他分类器。
May, 2020
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
该研究提出了一种基于深度卷积神经网络的监督式多标签分类框架,用于预测 14 种常见胸部疾病的风险,同时针对常见胸透数据集中不确定样本占据的显著比例,提出了标签平滑技术。在超过 200k 的数据集上训练,该模型在 5 项病理学的验证集中实现了 0.940 的平均 AUC 分数,表现高于独立测试集中的其他三位医学专家,该方法在 CheXpert 排行榜上排名第一。
Nov, 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
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
本文提出了一种用于 Chest X-ray 的多标签分类深度学习框架,通过领域和标签的权重独立二进制任务方法以及任务特定的生成对抗网络训练,处理多个数据集之间的差异性,提高了分类准确度。在三个数据集上实验,AUC 达到了 0.8349,表明本文方法在使用外部数据集来提高内部分类方面具有很高的效果。
Jun, 2020