Dataset Overview
| Nombre del conjunto de datos | Conjunto de datos de referencia general para imágenes médicas |
| Volumen total de datos | 108.500 casos (incluidos los polimodilares CT/X-Ray/ ultrasonido/RM) |
| Distribución modelo | CT 42 000 / X-Ray 35 000 / Ultrasonido 18.000 / RM 13 500 |
| AnotaciónTipo | Marcos de detección de enfermedades, particiones semánticas, etiquetas de clasificación, puntos clave |
| Partes del cuerpo cubiertas | Lactante, abdominal, hueso, mama, tiroides, cráneo. |
| Fuente de datos | Instituciones médicas multicooperativas + conjuntos de datos públicos mejorados (aplicación autorizada) |
| Formato de salida | DICOM / NIfTI / PNG / COCO JSON / YOLO TXT |
| Normas de control de calidad | Doble etiqueta médico + despacho de director, precisión de clasificación " g; 98%, Didos divididos " g; 0.88 |
Descripción detallada de las dimensiones de datos
| Nombre del campo | Tipo de datos | Rango de valor / Descripción |
|---|---|---|
| case_id | String(32) | ID para casos de desensibilización |
| modality | Enum | CT | XRAY | US | MRI |
| body_part | Enum | CHEST | ABDOMEN | BONE | BREAST | THYROID | BRAIN |
| finding_label | Enum(Multi) | NORMAL |
| bbox | Array[4] | [x_centro, y_centro, ancho, alto] |
| segmentation | Array | Poligon o encodificación de formato COCO |
| classification | Object | {primary, secondary, confidence} |
| image_size | Array[2] | [height_px, width_px] |
| slice_index | Integer | Clices numeradas en secuencia CT/MRI |
| acquisition_date | Date | Fecha de inspección (sólo años) |
| device_manufacturer | String | GE / Siemens / Philips / Canon / Mindray |
Muestra de datos JSON de identificación
标注规范与质量控制
标注流程
Utilizar el modelo "pre-mark + corrección manual + cross-check". En primer lugar, el modelo AI (YOLO/MedSAM) genera la etiqueta inicial, luego es revisado independientemente por dos médicos, y finalmente el director decide la diferencia. El proceso es 60% más eficiente que una etiqueta puramente manual, manteniendo una alta tasa de precisión.
Indicadores de control de calidad
98.7%
ClasificaciónPrecisión
0.89
Dividir dados
0.91
Test mAP@0.5
<2.1%
争议率
Casos de uso de capacitación de AI
Selección universal de las estufas
Modelo aplicable: YOLOv8/v9/DTR/RT-DRR/DINO. Modelo genérico de sección transversal de la prueba de la estufa, que puede servir como base de modelo base para la imagen médica AI.
多器官分割
Modelo de aplicación: TotalSegmentator / nnU-Net / SAM-Med2D. Modelos de partición genéricos capacitados que abarcan múltiples órganos en todo su cuerpo, apoyando patrones duales CT/MRI.
Radiografía de pecho auto-reportación.
Modelo de aplicación: R2Gen / X-REM / CheXagent (View Encoder + decodificador LLM). Modelo autogenerado basado en la combinación gráfica de datos.
Regionalización y Luxabilidad
Modelo de aplicación: DomainBed / DANN / SWAD. Formación en modelo de dominio no sensible para la recogida de equipos utilizando datos multicéntricos y de varios niveles.
Obtener este Dataset
El conjunto de datos genéricos de imagen médica está autorizado flexiblemente por el mosaico/parte para apoyar la personalización del subconjunto.
137-5502-0164 Consulta en líneaDatos relacionados
商业应用价值
A.I.M. image SaaS
Se proporciona un servicio de visualización asistido por IA en la nube a centros regionales de vídeo e instituciones de reconocimiento médico, que cubre escenas de alta frecuencia (HF), como nudos pulmonares, fracturas, glándulas tiroideas.
Imaginación de dispositivos médicos
Ayudas de IA en tiempo real incrustadas en el extremo del dispositivo CT/DR/ ultrasonido, registro funcional NMPA AI obtenido por la Planta Médica Auxiliar.
Modelo básico de pre-entrenamiento
El primero es el lenguaje pre-entrenamiento multimodular a gran escala para modelos de base de imagen médica (por ejemplo, RadImageNet, BioMedCLIP).