Mar, 2024

BIMCV-R: 一份用于 3D CT 文本图像检索的地标数据集

PDF
TL;DR为减轻医务人员的工作负担并协助诊断过程，我们开发了一个强大的系统，用于检索相似的病例研究。我们提出了一个创新的数据集 BIMCV-R，包含了 8,069 个 3D CT 卷积以及相应的放射学报告，旨在解决当前 3D 医学文本图像检索领域的缺乏可靠评估基准和精心策划的数据集的问题。此外，我们采用了双流网络架构的检索策略 MedFinder，利用大型语言模型的潜能推动医学图像检索领域的发展，这标志着我们朝着开发能够实现文本到图像、图像到文本和关键词检索任务的系统迈出了初步的一步。
发现论文，激发创造
  • 多类体积放射学影像的基于内容的图像检索：基准研究

    我们在医学图像检索的上下文中，通过使用 TotalSegmentator 数据集建立了一个基准，以评估和比较预训练模型的嵌入效果，并采用文本匹配启发的后期交互再排序方法，实现了对各种解剖区域的 1.0 检索召回率。

    May, 2024

  • 3D-MIR：放射学中三维医学图像检索的基准和经验研究

    通过引入一个新的基准系统，本文探讨了使用聚合的 2D 切片、3D 体积和流行的多模态基模型的多模态嵌入作为查询，在医学影像领域中进行三维医学图像检索的多种搜索策略，并提供了定量和定性评估，为未来研究提供了深入讨论和见解。

    Nov, 2023

  • BIMCV COVID-19+: 一个来自 COVID-19 患者的 RX 和 CT 图像的大型注释数据集

    本文描述了 Valencian 地区医疗图像库（BIMCV）中的 BIMCV COVID-19 +，这是一个大型数据集，其中包含 1,311 名 COVID-19 阳性患者的胸部 X 线和计算机断层扫描（CT）图像以及其放射学结果，病理位置，放射学报告，DICOM 元数据，PCR，IgG 和 IgM 诊断抗体检测。 数据集中的图像以高分辨率存储，并以解剖学标签本地化实体。此外，还有一个团队的放射科医师对 10 张图像进行了注释，包括放射学结果的语义分割。

    Jun, 2020

  • 基于基础模型的放射学内容医学图像检索应用

    通过基于内容的图像检索（CBIR）系统中使用视觉基础模型作为功能强大且多用途的成品特征提取器，我们在包含 160 种病理学的 4 种模式的 160 万个二维放射学图像的综合数据集上进行基准测试，从而确定弱监督模型在性能上超越专门化模型，达到了 0.594 的 P@1，而且无需精调。研究还探讨了在获取病理学和解剖结构方面的挑战，表明准确获取病理学特征更加困难。尽管存在这些挑战，我们的研究强调了基础模型在放射学的 CBIR 中的巨大潜力，提出了向不需要特定调整的多用途医学图像检索系统的转变。

    Mar, 2024

  • 使用深度卷积神经网络进行医学图像检索

    提出了一种利用深度卷积神经网络的 CBMIR 系统，该系统在医疗图像分类任务中取得了平均 99.77％的分类准确度和 0.69 的平均平均精度，是用于检索多模态医学图像的最佳方法。

    Mar, 2017

  • 利用胸部 CT 扫描和放射学报告的基础模型进行监督级零样本异常检测

    介绍了 CT-RATE 作为第一个将图像与文本报告配对的 3D 医学图像数据集，以及基于该数据集开发的 CT-CLIP 模型在多异常检测和案例检索方面的优越性，从而提升了医疗人工智能的发展和医疗创新。

    Mar, 2024

  • 针对 3D 高分辨率医学图像的放射学报告生成的基准和提升

    基于大型语言模型 (LLMs)，我们引入了一种新框架，可以高效有效地生成高分辨率 3D 体积的放射学报告，通过使用低分辨率可视化标记作为查询，从高分辨率标记中提取信息，保留了详细的高分辨率信息，在可接受的计算成本下一致超越现有方法，并在基于 3D 高分辨率医学图像生成报告的首个基准中取得了优异成绩。

    Jun, 2024

  • 基于卷积神经网络和 Radon 变换的快速医学图像检索生成二进制标签

    本研究提出了一种采用卷积神经网络和 Radon 条形码的医学图像检索方法，结果表明其在医疗图像中检索方面的表现优于其他已发表的方法。

    Apr, 2016

  • MedPix 2.0：一套全面的多模态生物医学数据集用于高级 AI 应用

    本文介绍了建立 MedPix 2.0 数据集的整个工作流程，其主要涉及人工智能在医学领域的应用、多模态医学数据集、CT 或 MR 扫描等。同时，还提出了基于 MedPix 2.0 的 CLIP 模型用于扫描分类任务。

    Jul, 2024

  • 全球联合内容检索医学影像库检索

    该论文提出了一种利用联邦学习解决获取多样化医学数据集的挑战的联邦基于内容的医学图像检索平台（FedCBMIR），可加速乳腺癌诊断，并在 BreaKHis 和 Camelyon17（CAM17）进行了两个实验的评估，证明其快速准确，可在全球范围内帮助乳腺癌诊断。

    May, 2023