May, 2024

ROCOv2: 放射学中的对象在上下文中的第二个版本，一个更新的多模态图像数据集

PDF
TL;DR该研究介绍了 Radiology Object in COntext 版本 2（ROCOv2）的多模态数据集，包含放射性图片和医疗概念及标题，并提供用于训练图像标注模型的图像 - 标题对，以及用于多标签图像分类的 Unified Medical Language System（UMLS）概念。此外，该数据集可用于医学领域模型的预训练和多任务学习深度学习模型的评估。
automated medical image analysisradiology object in context version 2multimodal datasetconcept detectiondeep learning models
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

  • Microsoft COCO：上下文中的通用物体

    本研究旨在推进目标识别的最新进展，提出了一种数据集的形式，通过将目标识别的问题置于场景理解的更广泛背景下，聚集了包含常见物品的复杂日常场景的图像，并利用每个实例分割对物品进行标记以协助精确定位，该数据集包含 91 种 4 岁儿童容易识别的对象类型，有 328k 张图像和 250 万个标记实例。本文最终提供了一种基于可变形零件模型的边界框和分割检测结果的基线性能分析。

    May, 2014

  • 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

  • MIMIC-CXR-JPG：一个大型公开可用的带标签胸部 X 射线数据库

    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

  • 医学视觉语言理解和生成的多模型预训练：新基准的实证研究

    通过提出一个高质量的医学放射照片数据集 (RadioGraphy Captions)，本文对医学领域的视觉 - 语言 (VL) 预训练 (VLP) 进行了深入的实验分析，得出了一些指导未来医学 VL 任务研究和新的强基准的关键结论。

    Jun, 2023

  • 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

  • PadChest：一种大型胸部 X 射线影像数据集，具有多标签注释报告

    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

  • 从放射学报告和 X 光胸片图像中进行跨模态全局局部表示学习

    本文使用公開的印第安納大學放射學報告 (IU-RR) 資料集，訓練具有全局和局部的語言和視覺元素的多模式表示學習方法，進而診斷五種肺病理學，包括肺不脹、心臟肥大、水腫、胸膜積液和實質密度增加。使用 CheXpert 和 CheXphoto 這兩種不同的訓練資料集，平均 AUC 在 0.85 至 0.87 之間，這些結果與使用 UI-RR 的其他研究相比也相當有競爭力。

    Jan, 2023

  • 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

  • 通过对比学习视觉语境

    利用 Attend-and-Compare 模块提高了深度学习模型在胸部 X 光识别任务及 COCO 对象检测和分割任务中的表现，通过建模目标物体与其相关背景之间的区别，帮助解决了从 X 光图像中发现疾病的难题。

    Jul, 2020