REFLACX, 一份用于胸部 X 光异常定位的报告和眼动追踪数据集

Sep, 2021

REFLACX, 一份用于胸部 X 光异常定位的报告和眼动追踪数据集

REFLACX, a dataset of reports and eye-tracking data for localization of abnormalities in chest x-rays

Ricardo Bigolin Lanfredi, Mingyuan Zhang, William F. Auffermann, Jessica Chan, Phuong-Anh T. Duong...

TL;DR本文提出了一种潜在可扩展的方法，使用眼动仪和麦克风来收集隐式本地化数据，从而创建了 REFLACX 数据集（包括 3032 个同步集）。该数据集由五位放射科医生标记并包含了对 MIMIC-CXR 数据集中 2616 种胸部 x 光片的时间戳报告转录。此外，提供了包含心肺轮廓和异常标注的辅助标注，可用于计算多用户之间的一致性得分。

Abstract

deep learning has shown recent success in classifying anomalies in chest x-rays, but datasets are still small compared to natural image datasets. Supervision of abnormality localization has been shown to improve trained models, partially compensating for dataset sizes. However, explici

deep learning anomaly classification chest x-rays implicit localization data reflacx dataset

发现论文，激发创造

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

临床推理胸部影像数据集

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

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

将眼动数据整合到胸部 X 线 DL 方法中：初步研究

本文提出了一种新颖的多模态 DL 结构，结合医学图像和眼动数据用于检测胸部 X 射线异常，结果表明将眼动数据直接应用于 DL 结构并不能表现出优越的预测性能，在 DL 结构中应用人类生成的数据，比如眼动数据，需要更全面深入的研究。

Feb, 2023

利用隐私保护的大型语言模型和多类型标注增强胸部 X 光数据集：提高分类的数据驱动方法

使用 MAPLEZ 方法，使用基于规则的系统从 CXR 报告中提取和增强发现标签，包括存在性、位置、严重程度以及放射科医生对发现的不确定性，并在分类监督中取得了显著的模型质量提升

Mar, 2024

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

ChestX-ray8: 医院规模的胸部 X 光数据库和关于常见胸部疾病弱监督分类和定位的基准测试

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

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

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

利用多实例学习无需本地注释的胸部 X 光关键结果定位

本研究提出了一种基于多实例学习的深度学习算法，可在医学影像中同时分类和定位关键病变，无需耗时昂贵的局部辅助标注，取得了在三种不同关键病变上有竞争力的分类结果。

Jan, 2020