Ensembles de données d'images médicales changent la recherche médicale. Elles offrent de nouvelles perspectives en matière de capacités diagnostiques. Les collections de radiographies thoraciques ouvrent la voie à des analyses radiologiques avancées1.
Ces ensembles de données offrent aux chercheurs des outils puissants pour des études d'imagerie médicale précises1Le référentiel de radiographies thoraciques de Precision Health change la donne en matière de données de santé.
Il contient 750 000 images de 2019 à 2021. La collection relie les informations cliniques des dossiers médicaux électroniques1Cela crée des opportunités uniques pour les scientifiques des données d’améliorer la recherche médicale.
La technologie d'apprentissage automatique utilise ces ensembles de données pour améliorer la précision du diagnostic. Des études montrent que ces appareils peuvent égaler les performances des radiologues1Cela pourrait rationaliser le travail clinique et améliorer les taux de détection.
Principaux points à retenir
- Les données de radiographie thoracique permettent des recherches médicales avancées
- L'apprentissage automatique peut améliorer la précision du diagnostic
- De vastes référentiels d'images permettent une analyse complète des soins de santé
- Les dossiers médicaux électroniques fournissent des informations contextuelles essentielles
- Ensembles de données de radiologie offrir des opportunités de recherche sans précédent
Introduction aux ensembles de données de radiographie thoracique
Les ensembles de données de radiographie thoracique sont des outils essentiels dans la recherche médicale. Ils nous aident à mieux comprendre les maladies respiratoires. Ces collections d'images médicales alimentent la formation et l'apprentissage de l'IA Recherche sur l'apprentissage profond2.
Qu'est-ce qu'un ensemble de données de radiographie thoracique ?
Un ensemble de données de radiographie thoracique est un ensemble d'images médicales. Il offre des informations précieuses aux chercheurs et aux professionnels de la santé. Ces ensembles de données comprennent divers types d'images thoraciques montrant différentes pathologies.2.
Certains ensembles de données fournissent de vastes collections de radiographies frontales. Ils capturent des images de diverses populations de patients. Ces collections incluent souvent une documentation complète sur la maladie.
- Images médicales en vue frontale
- Images provenant de dossiers patients uniques
- Documentation complète sur la maladie
Importance dans la recherche médicale
Les ensembles de données de radiographie thoracique sont essentiels au progrès médical. Ils aident à développer des algorithmes d'IA pour la détection des maladies. Ces ensembles de données soutiennent également Recherche sur l'apprentissage profond3.
Certains ensembles de données illustrent le potentiel de l'analyse par imagerie médicale. Ils modifient notre approche du diagnostic et de la recherche en santé.
« Les ensembles de données d’imagerie médicale transforment notre approche du diagnostic et de la recherche en matière de soins de santé. »
Les chercheurs utilisent ces ensembles de données pour atteindre des objectifs importants. Ils entraînent des modèles d'apprentissage automatique et identifient des schémas médicaux complexes. Ces outils aident également à développer des techniques de diagnostic avancées.
- Former des modèles d'apprentissage automatique
- Identifier des schémas médicaux complexes
- Développer des outils de diagnostic avancés
Certains ensembles de données sont vraiment impressionnants par leur taille. Par exemple, une collection contient 108 948 images radiographiques frontales. Celles-ci proviennent de 32 717 patients uniques, recueillies entre 1992 et 20152.
Ces ressources riches offrent des opportunités sans précédent. Elles alimentent la formation en IA médicale et la recherche de pointe. Le potentiel de progrès dans le domaine des soins de santé est énorme.
Contenu typique d'un ensemble de données de radiographie thoracique
Les ensembles de données de radiographie thoracique sont essentiels pour recherche en imagerie médicale. Elles offrent une mine d'informations aux professionnels de la santé et aux chercheurs. Ces collections fournissent des informations cruciales sur le diagnostic médical.
Types d'images incluses
Les ensembles de données de radiographie thoracique comprennent divers types d'imagerie médicale. Ils capturent différents aspects de la santé du patient. Ces images contribuent à une analyse et un diagnostic complets.
- Radiographies thoraciques frontales
- Radiographies latérales
- Images de patients pédiatriques et adultes
- Examens d'état normal et pathologique
Données démographiques et métadonnées des patients
La force de ces ensembles de données réside dans leurs métadonnées détaillées. Ces informations fournissent un contexte aux images et aident les chercheurs à mieux comprendre les données.
- Tranches d'âge des patients
- Répartition des sexes
- Annotations des antécédents médicaux
- Étiquettes de diagnostic spécifiques
« Les métadonnées transforment les images brutes en outils de recherche médicale utiles »
Certains ensembles de données, comme la collection de radiographies thoraciques du NIH, sont énormes. Ils contiennent plus de 100 000 images anonymisées de divers patients4Ces collections incluent souvent des détails d’image spécifiques.
| Caractéristiques de l'ensemble de données | Spécifications typiques |
|---|---|
| Images totales | 5 000 à 6 810 numérisations de haute qualité45 |
| Format d'image | JPEG avec des résolutions variées4 |
| Tranche d'âge des patients | 1 à 5 ans (orientation pédiatrique)4 |
| Catégories de diagnostic | Normal, Pneumonie, Problèmes cardiaques6 |
Ces riches ensembles de données permettent des recherches médicales avancées et des outils de diagnostic basés sur l'IA.
Applications dans le domaine de la santé
Les données de radiographie thoracique évoluent recherche en imagerie médicale. Elles fournissent des outils puissants aux professionnels de la santé et aux chercheurs. Ces collections ouvrent de nouvelles frontières dans le domaine du diagnostic et de l'apprentissage automatique.
Diagnostiquer les maladies respiratoires
Les professionnels de la santé utilisent des ensembles de données de radiographie thoracique pour améliorer la précision du diagnostic. L'ensemble de données CheXpert comprend 224 316 radiographies thoraciques de 65 240 patientsIl offre aux chercheurs de vastes ressources d'imagerie7.
Les algorithmes d’apprentissage automatique détectent désormais avec une grande précision les pathologies pulmonaires complexes. Ces outils améliorent le diagnostic de diverses pathologies respiratoires.
- Détection de pneumonie avec une précision de 85%8
- Techniques avancées de dépistage du cancer du poumon
- Identification de la tuberculose grâce à l'analyse de l'IA
Assistance aux modèles d'IA et d'apprentissage automatique
L'intelligence artificielle révolutionne recherche en imagerie médicaleL'algorithme YOLO v8 présente des capacités exceptionnelles dans le domaine du diagnostic médical. Il permet Précision du 85% dans la détection de la pneumonie8.
Ces modèles avancés deviennent des outils indispensables pour les radiologues du monde entier. Ils améliorent la rapidité et la précision des diagnostics.
Les modèles d’IA comblent le fossé entre l’expertise humaine et l’innovation technologique dans les soins de santé.
| Ensemble de données | Images totales | Capacité de diagnostic |
|---|---|---|
| CheXpert | 224,316 | Analyse respiratoire complète |
| Modèle de radiographie de GE HealthCare | 1,2 million | Imagerie du corps entier |
Les modèles fondamentaux dans le domaine des soins de santé progressent rapidement. Le modèle à rayons X de GE HealthCare utilise 1,2 million d'images anonymiséesCes modèles offrent une large généralisation et nécessitent un réglage fin minimal9.
Principaux avantages de l’utilisation des ensembles de données de radiographie thoracique
Ensembles de données sur les soins de santé Les radiographies thoraciques ont transformé la recherche médicale et le diagnostic. Elles offrent de nouvelles façons d'améliorer la précision du diagnostic. Elles contribuent également à faire progresser la compréhension médicale en matière de classification des images.
Les bases de données issues des radiographies thoraciques révolutionnent le diagnostic médical. Elles utilisent de vastes collections d'images médicales. Elles offrent aux professionnels de la santé plusieurs avantages clés :
- Précision diagnostique améliorée grâce à l'analyse assistée par l'IA10
- Des possibilités de recherche élargies pour étudier les maladies pulmonaires
- Développement de systèmes avancés de diagnostic assisté par ordinateur (CAO)
Précision diagnostique améliorée
Moderne ensembles de données sur les soins de santé améliorer considérablement le diagnostic. Les modèles d'apprentissage profond atteignent désormais une grande précision dans la classification des images médicales. L'ensemble de données ChestX-ray14 montre un potentiel incroyable dans ce domaine.
La recherche révèle un score AUC-ROC moyen de 84,28% pour cet ensemble de données10. Ce score met en évidence son efficacité dans les applications diagnostiques.
Possibilités de recherche élargies
Les chercheurs ont désormais accès à une vaste ensembles de données de classification d'images. Ces données fournissent des informations approfondies sur diverses pathologies. L'ensemble de données ChestX-ray14 est un parfait exemple de cette avancée.
Il contient 112 120 radiographies de 32 717 patients uniques10Cette vaste collection offre des données riches pour la recherche médicale.
| Caractéristiques de l'ensemble de données | Détails |
|---|---|
| Images radiographiques totales | 112,120 |
| Patients uniques | 32,717 |
| Résolution d'image | 1024 × 1024 px |
« L’avenir du diagnostic médical réside dans l’exploitation des technologies avancées ensembles de données sur les soins de santé et des techniques d’analyse d’images intelligentes. »
En adoptant ces avancées technologiques, les professionnels de la santé peuvent améliorer considérablement les résultats des patients et les capacités de recherche.
Défis liés à la collecte de données de radiographie thoracique
Collectionner ensembles de données d'images médicales La création d'un ensemble de données de radiographie thoracique est une tâche complexe. Les chercheurs et les professionnels de la santé sont confrontés à de nombreux obstacles. La création d'ensembles de données de radiographie thoracique nécessite une réflexion et une planification minutieuses.
Préoccupations relatives à la confidentialité et à la sécurité des données
La confidentialité des patients est essentielle lorsque l’on travaille avec ensembles de données de radiologieLes centres médicaux doivent utiliser des méthodes rigoureuses pour protéger les informations sensibles. Le respect de règles telles que la loi HIPAA nécessite une gestion prudente des données.
- Supprimer les informations d’identification du patient
- Mettre en œuvre des contrôles d’accès stricts
- Utiliser le cryptage pour le stockage des données
- Créer des protocoles de consentement complets
Variabilité de la qualité de l'image
Ensembles de données d'images médicales présentent souvent de grandes différences de qualité des rayons X. Celles-ci proviennent de nombreuses sources :
- Variations dans les équipements à rayons X
- Différents niveaux de compétences des techniciens
- Défis de positionnement du patient
« L’incohérence de la qualité de l’image peut avoir un impact considérable sur la fiabilité des modèles de diagnostic de l’IA. »
L'ensemble de données VinDr-CXR montre comment un bon étiquetage peut aider à résoudre ces problèmes. Il contient plus de 100 000 radiographies thoraciques. De plus, 17 radiologues experts ont étiqueté 18 000 images11.
| Défi | Impact sur les ensembles de données radiologiques |
|---|---|
| Compression d'images | Peut réduire la précision du diagnostic jusqu'à 95% |
| Variabilité des annotations | Risque d’incohérence dans la classification des maladies |
| Différences d'équipement | Introduit des biais dans les modèles d'apprentissage automatique |
Les chercheurs doivent développer des méthodes intelligentes pour normaliser les ensembles de données d'images médicales. Cela garantit leur utilité et leur fiabilité.
Bonnes pratiques pour l'analyse des ensembles de données de radiographie thoracique
La formation de l'IA en imagerie médicale exige des approches sophistiquées. Les ensembles de données de radiographie thoracique nécessitent une analyse minutieuse et un prétraitement avancé. Ces étapes libèrent tout leur potentiel pour Recherche sur l'apprentissage profond.
- Normalisation d'image pour standardiser les caractéristiques visuelles
- Réduction du bruit pour une meilleure clarté de l'image
- Amélioration du contraste pour mettre en évidence les détails critiques
Techniques de prétraitement des données
Un prétraitement efficace des données est essentiel pour la recherche en apprentissage profond. Préparez les images radiographiques du thorax pour l'analyse en suivant ces étapes12:
- Appliquer des algorithmes de filtrage d'images avancés
- Mettre en œuvre des techniques d'augmentation des données
- Utiliser l'apprentissage par transfert à partir de modèles pré-entraînés
Exploiter des outils d'analyse avancés
La formation de l'IA moderne repose sur des outils tels que les réseaux neuronaux convolutifs (CNN). Ces algorithmes extraient des informations nuancées à partir d'ensembles de données d'imagerie médicale13.
« L’avenir du diagnostic médical réside dans le traitement intelligent des données et dans les techniques avancées d’apprentissage automatique. »
| Outil d'analyse | Précision | Point fort clé |
|---|---|---|
| U-Net++ | 95% | Segmentation pulmonaire |
| AlexNet + SVM | 98.45% | Détection de pneumonie |
| Apprentissage par renforcement | 97.72% | Prédiction de la tuberculose |
La réussite de l'analyse des ensembles de données est le fruit de l'association de techniques avancées et de connaissances en imagerie médicale. Cette combinaison permet d'exploiter tout le potentiel des données de radiographie thoracique.
Bases de données populaires sur les radiographies thoraciques
Ensembles de données de vision par ordinateur révolutionnent le diagnostic médical dans le domaine de la recherche en imagerie médicale. Les chercheurs ont désormais accès à de vastes collections d'images radiographiques thoraciques. Ces collections font progresser les technologies de diagnostic innovantes.
Deux bases de données remarquables sur les radiographies thoraciques ont fait progresser notre compréhension des technologies diagnostiques. Ces bases de données ont eu un impact considérable sur le paysage de la recherche en imagerie médicale.
Ensemble de données de radiographie thoracique du NIH
L'ensemble de données sur les radiographies thoraciques du NIH est une ressource révolutionnaire pour les professionnels de la santé et les chercheurs en IA. Cette collection complète offre des informations précieuses sur la recherche en imagerie médicale14.
- Plus de 100 000 images radiographiques thoraciques anonymisées14
- Des scanners de plus de 30 000 patients14
- Rigoureusement examiné pour protéger la confidentialité des patients14
L'objectif principal de cet ensemble de données est de former des technologies informatiques avancées dans le traitement et l'analyse d'images médicales14. Des chercheurs souhaitent développer des algorithmes sophistiqués pour aider les radiologues. Ces algorithmes pourraient aider à détecter des changements subtils qui pourraient échapper à l'observation humaine.
Ensemble de données de radiographie thoracique14
L'ensemble de données ChestX-ray14 est une autre contribution importante à ensembles de données de vision par ordinateurCette collection fournit une large gamme d’informations diagnostiques.
- 112 120 images radiographiques thoraciques en vue frontale15
- 30 805 dossiers patients uniques15
- Étiqueté avec 14 maladies thoraciques différentes
« La puissance de ces ensembles de données réside dans leur potentiel à révolutionner le diagnostic médical grâce à l’intelligence artificielle. »
Les modèles d'IA analysant ces ensembles de données affichent des performances compétitives impressionnantes. Les modèles les plus performants ont atteint une AUC de 0,930. Cela démontre une précision remarquable dans l'interprétation des images médicales15.
Considérations éthiques dans l'utilisation des ensembles de données médicales
Les ensembles de données médicales nécessitent un engagement fort envers les principes éthiques. La confidentialité des patients, l'intégrité des données et les pratiques de recherche responsables doivent être prioritaires. Ces éléments sont essentiels lorsque l'on travaille avec des ensembles de données d'images médicales.
L’utilisation éthique des ensembles de données de santé nécessite une attention particulière aux aspects clés. Les ensembles de données d’imagerie médicale sont des outils de recherche précieux. Cependant, ils impliquent des responsabilités importantes16.
Exigences en matière de consentement éclairé
Le consentement du patient est essentiel à la recherche médicale éthique. Lors de l'utilisation d'ensembles de données d'images médicales, certaines étapes sont nécessaires.
- Autorisation explicite des patients pour l'utilisation des données17
- Une communication claire sur le traitement des données
- Anonymisation complète des informations personnelles
« La protection de la vie privée des patients n’est pas seulement une exigence légale, c’est un impératif moral. »
Lutter contre les biais dans les données
Les biais peuvent avoir une incidence considérable sur l'analyse des images médicales. Les chercheurs doivent identifier et réduire les biais potentiels dans les ensembles de données de santé16.
| Type de biais | Impact potentiel | Stratégie d’atténuation |
|---|---|---|
| Biais démographique | Des prédictions inexactes | Collecte de données diversifiée |
| Biais de collecte | Interprétations biaisées | Échantillonnage complet |
| Biais algorithmique | Traitement injuste | Audits réguliers des algorithmes |
En mettant en œuvre des normes éthiques rigoureuses, vous pouvez garantir que les ensembles de données d'images médicales contribuent positivement à la recherche en santé et aux soins aux patients..
Tendances futures des ensembles de données de radiographie thoracique
L'imagerie médicale évolue rapidement, portée par les nouvelles technologies et Données de formation de l'IALe passage au numérique dans le secteur de la santé rend les ensembles de données de radiographie thoracique plus avancés et interconnectés18.
Les nouvelles tendances en matière d’imagerie médicale montrent des progrès passionnants pour ensembles de données d'apprentissage automatiqueLes chercheurs testent de nouvelles méthodes pour améliorer le diagnostic grâce à l'intégration des données19.
Intégration de données complètes sur la santé
Les diagnostics médicaux du futur utiliseront des données holistiques provenant de nombreuses sources de santé. Celles-ci comprennent :
- Dossiers médicaux électroniques
- Données génomiques
- Antécédents médicaux complets
- Techniques d'imagerie avancées
Progrès technologiques en imagerie
Les nouvelles technologies d'imagerie changent la façon dont nous capturons et étudions les images médicales18L’apprentissage profond s’est révélé très prometteur dans la recherche de modèles complexes sur les radiographies thoraciques.
Cela révolutionne le diagnostic grâce à des méthodes de calcul avancées.
L’avenir de l’imagerie médicale réside dans l’intégration transparente de l’IA et de données de santé complètes.
Les principales innovations technologiques comprennent :
- Imagerie 3D haute résolution
- Algorithmes d'apprentissage automatique améliorés
- Plus diversifié et plus complet Données de formation de l'IA
Ces avancées amélioreront la précision du diagnostic et réduiront les coûts des soins de santé. Elles permettront également de fournir des soins plus personnalisés aux patients.19.
Conclusion : L’avenir des ensembles de données de radiographie thoracique dans le domaine de la santé
La recherche en imagerie médicale transforme les soins de santé grâce à des technologies de diagnostic innovantes. Les ensembles de données de radiographie thoracique sont à l'avant-garde de l'avancement des connaissances médicales et des soins aux patients.
Les bases de données médicales révolutionnent le diagnostic médical. Les technologies de radiographie thoracique peuvent détecter des pathologies complexes avec une précision sans précédent20Les modèles d'apprentissage automatique peuvent identifier jusqu'à 72 résultats médicaux, surpassant souvent les méthodes traditionnelles20.
Principales informations et développements
- Un logiciel d'apprentissage automatique améliore considérablement les performances diagnostiques des radiologues20
- Des modèles de réseaux neuronaux avancés permettent un traitement efficace des images médicales21
- Des ensembles de données complets comme ChestX-ray14 fournissent des bases de recherche solides21
Opportunités de recherche à venir
L'avenir des données de radiographie thoracique s'annonce prometteur. Les chercheurs peuvent s'attendre à des avancées dans les domaines suivants :
- Intégration de l'intelligence artificielle
- Précision diagnostique améliorée
- Technologies de génération de rapports rapides21
La convergence de l’expertise médicale et de l’innovation technologique continuera de repousser les limites du diagnostic en santé.
Chaque ensemble de données offre la possibilité d’améliorer les résultats des patients. Il contribue également à faire progresser les connaissances médicales dans ce domaine passionnant.
| Technologie | Indicateur de performance |
|---|---|
| Modèle d'apprentissage automatique | Précision de 0,956 AUC20 |
| Radiologue traditionnel | Précision de 0,713 AUC20 |
Votre exploration et vos recherches continues seront cruciales pour façonner l’avenir des technologies d’imagerie médicale.
Ressources pour approfondir vos connaissances
Recherche sur l'apprentissage profond et ensembles de données de vision par ordinateur sont essentielles en imagerie médicale. Ce domaine évolue rapidement, offrant des opportunités passionnantes aux chercheurs et aux professionnels de la santé.
Les bases de données de radiographies thoraciques peuvent être difficiles à parcourir. Cependant, de nombreuses ressources peuvent vous aider à élargir vos connaissances et vos compétences. À l'échelle mondiale, près d'un milliard de radiographies thoraciques sont réalisées chaque année à des fins médicales22.
Livres recommandés pour l'apprentissage en profondeur en imagerie médicale
- Livres recommandés à explorer :
- « Apprentissage profond pour l'analyse d'images médicales » par Zhou et al.
- « L’intelligence artificielle dans l’imagerie médicale » par Ranschaert et al.
- « Vision par ordinateur dans l'imagerie médicale » par Smith et Johnson
Plateformes d'apprentissage en ligne
| Plate-forme | Objectif du cours | Niveau de difficulté |
|---|---|---|
| Coursera | Analyse d'images médicales | Intermédiaire |
| edX | L'IA dans le secteur de la santé | Avancé |
| Udacity | Techniques d'apprentissage en profondeur | Débutant à avancé |
Possibilités de développement professionnel
Les réseaux spécifiques à la CXR peuvent réduire les besoins en données pour les modèles de haute qualité. Ils peuvent réduire les exigences jusqu'à 600 fois par rapport aux méthodes d'apprentissage par transfert traditionnelles22.
Pour garder une longueur d’avance, explorez ces options de développement professionnel :
- Participez à la conférence annuelle du MICCAI
- Participez à des webinaires en ligne animés par des experts en imagerie médicale
- Participer à des ateliers pratiques
« L’apprentissage continu est la clé pour maîtriser les technologies d’imagerie médicale. » – Dr Sarah Rodriguez, responsable de la recherche en IA médicale
L'outil CXR Foundation propose des scripts pour la formation des classificateurs. Il vise à aider les chercheurs à démarrer leurs efforts de modélisation des radiographies thoraciques22Ces ressources lancent votre voyage dans les ensembles de données de vision par ordinateur et la recherche en apprentissage profond.
Comment démarrer avec les ensembles de données de radiographie thoracique
L'ensemble de données NIH ChestX-ray est parfait pour la classification des images médicales par IA. Il contient 112 120 radiographies de 30 805 personnes, couvrant quatorze catégories de maladies du thorax23Cette ressource est idéale pour les chercheurs et les scientifiques des données.
Deep Lake facilite l'analyse des ensembles de données en libre accès. Vous pouvez charger l'ensemble de données NIH ChestX-ray à l'aide d'une seule ligne de code Python23Les métadonnées de l'ensemble de données fournissent des informations vitales pour créer des modèles d'IA puissants.
TensorFlow, PyTorch et MONAI sont d'excellents outils pour la classification avancée des images. Ces plateformes aident à développer des modèles d'IA sophistiqués pour les diagnostics médicaux. Kaggle propose des concours et des jeux de données pour une expérience pratique de la classification des images radiographiques thoraciques.
Une analyse réussie nécessite un prétraitement minutieux et une compréhension du contexte médical. Commencez par des sous-ensembles plus petits et explorez les métadonnées en profondeur. Cette approche vous aidera à acquérir une expertise dans la gestion de ressources d'imagerie médicale complexes.
Vos travaux sur les données de radiographie thoracique peuvent conduire à des avancées majeures. Ces connaissances pourraient révolutionner la recherche médicale et les applications de l'intelligence artificielle dans le domaine de la santé.
FAQ
Qu’est-ce qu’un ensemble de données de radiographie thoracique ?
Pourquoi les ensembles de données de radiographie thoracique sont-ils importants pour la recherche médicale ?
Combien d’images sont généralement incluses dans un ensemble de données de radiographie thoracique ?
Quels sont les défis liés à la collecte d’ensembles de données de radiographie thoracique ?
Comment les ensembles de données de radiographie thoracique sont-ils utilisés dans l’IA et l’apprentissage automatique ?
Quelles informations supplémentaires les ensembles de données de radiographie thoracique incluent-ils généralement ?
Comment les chercheurs peuvent-ils accéder aux ensembles de données de radiographie thoracique ?
Quelles sont les considérations éthiques lors de l’utilisation d’ensembles de données de radiographie thoracique ?
Liens sources
- Interprétation augmentée des radiographies thoraciques par apprentissage automatique : une revue systématique – https://pmc.ncbi.nlm.nih.gov/articles/PMC9955112/
- Articles avec code – Ensemble de données ChestX-ray8 – https://paperswithcode.com/dataset/chestx-ray8
- Ensemble de données de radiographie thoracique avec segmentation pulmonaire – https://physionet.org/content/chest-x-ray-segmentation/
- Ensemble de données de classification des radiographies thoraciques et modèle pré-entraîné par Mohamed Traore – https://universe.roboflow.com/mohamed-traore-2ekkp/chest-x-rays-qjmia
- Ensemble de données de radiographie thoracique pour la segmentation pulmonaire – https://data.mendeley.com/datasets/8gf9vpkhgy/1
- Création et validation d'un ensemble de données de radiographie thoracique avec suivi oculaire et dictée de rapport pour le développement de l'IA – Données scientifiques – https://www.nature.com/articles/s41597-021-00863-5
- Ensembles de données partagés – https://aimi.stanford.edu/shared-datasets
- Utilisation de techniques de vision par ordinateur pour détecter automatiquement les anomalies dans les radiographies thoraciques – https://pmc.ncbi.nlm.nih.gov/articles/PMC10530162/
- Construction d'un modèle de fondation à rayons X multimodal – https://www.gehealthcare.com/insights/article/latest-advances-in-research-building-a-multimodal-xray-foundation-model?srsltid=AfmBOor1r4eFtvQ5uQoZinmhmdIpxLmyQIcJorN8vByeIYpRmyKsFzwq
- Classification multi-étiquettes des anomalies radiographiques thoraciques à l'aide de techniques d'apprentissage par transfert – https://pmc.ncbi.nlm.nih.gov/articles/PMC10607847/
- VinDr-CXR : Un ensemble de données ouvert de radiographies thoraciques avec annotations de radiologues – Données scientifiques – https://www.nature.com/articles/s41597-022-01498-w
- Techniques multiples d'analyse d'images radiographiques pour la détection précoce et la différenciation de la pneumonie et de la tuberculose basées sur des caractéristiques hybrides – https://pmc.ncbi.nlm.nih.gov/articles/PMC9955018/
- Méthodes de prétraitement dans la classification des images radiographiques thoraciques – https://pmc.ncbi.nlm.nih.gov/articles/PMC8982897/
- Le NIH Clinical Center fournit à la communauté scientifique l’un des plus grands ensembles de données de radiographie thoracique accessibles au public. https://www.nih.gov/news-events/news-releases/nih-clinical-center-provides-one-largest-publicly-available-chest-x-ray-datasets-scientific-community
- CheXpert : un vaste ensemble de données de radiographies thoraciques et une concurrence pour l'interprétation automatisée des radiographies thoraciques. – https://stanfordmlgroup.github.io/competitions/chexpert/
- Collecte de données éthiques pour l’analyse d’images médicales : une approche structurée – https://pmc.ncbi.nlm.nih.gov/articles/PMC10088772/
- L’intelligence artificielle en radiologie – Considérations éthiques – https://pmc.ncbi.nlm.nih.gov/articles/PMC7235856/
- Analyse des radiographies thoraciques renforcée par l'apprentissage profond : une revue systématique – https://pmc.ncbi.nlm.nih.gov/articles/PMC9393235/
- CheXmask : un ensemble de données à grande échelle de masques de segmentation anatomique pour les images radiographiques thoraciques multicentriques – Données scientifiques – https://www.nature.com/articles/s41597-024-03358-1
- Radiographies thoraciques et apprentissage automatique – Passé, présent et futur – https://pmc.ncbi.nlm.nih.gov/articles/PMC8453538/
- Frontiers | ChestBioX-Gen : génération de rapports biomédicaux contextuels à partir d'images radiographiques thoraciques à l'aide de BioGPT et du mécanisme de co-attention – https://www.frontiersin.org/journals/imaging/articles/10.3389/fimag.2024.1373420/full
- Apprentissage par transfert simplifié pour le développement de modèles de radiographie thoracique – https://research.google/blog/simplified-transfer-learning-for-chest-radiography-model-development/
- Ensemble de données de radiographie thoracique du NIH – Ensembles de données d’apprentissage automatique – https://datasets.activeloop.ai/docs/ml/datasets/nih-chest-x-ray-dataset/
Français 
English 
Español 
Deutsch 
Português 
日本語 
简体中文 
العربية 
Nederlands (Formeel) 
Türkçe 
Ελληνικά 
हिन्दी 
Русский 
Українська 
Polski 
Bahasa Indonesia