Aperçu des données
| Nom de l'ensemble de données | 医学影像通用标注数据集 |
| Volume total des données | 108 500 cas (y compris CT/X-Ray/ échographie/IRM polymodulaire) |
| 模态分布 | CT 42 000 / Rayon X 35 000 / Ultrasons 18 000 / IRM 13 500 |
| AnnotationType | Cadres de détection des maladies, cloisons sémantiques, étiquettes de classification, points clés |
| Covered Body Parts | Poitrine, abdominale, os, poitrine, thyroïde, crâne. |
| Source des données | Établissements médicaux multicoopératifs + ensembles de données publics améliorés (conformité autorisée) |
| Format Output | DICOM / NIfTI / PNG / COCO JSON / YOLO TXT |
| Normes de contrôle de la qualité | Double étiquette du médecin + autorisation du directeur, précision de classification & g; 98 %, divisé Die & g; 0,88 |
Description détaillée des dimensions des données
| Field Name | Type de données | Value Range / Description |
|---|---|---|
| case_id | String(32) | Identification des cas de dissémination |
| modality | Enum | CT | XRAY | US | MRI |
| body_part | Enum | CHEST | ABDOMEN | BONE | BREAST | THYROID | BRAIN |
| finding_label | Enum(Multi) | NORMAL | NODULE | MASS | FRACTURE | EFFUSION | CALCIFICATION 等 |
| bbox | Array[4] | [x_center, y_center, largeur, haut] |
| segmentation | Array | Encodage au format COCO polygone ou RLE |
| classification | Object | {primary, secondary, confidence} |
| image_size | Array[2] | [height_px, width_px] |
| slice_index | Integer | Numérotation des tranches dans la séquence CT/IRM |
| acquisition_date | Date | Date de l'inspection (années seulement) |
| device_manufacturer | String | GE / Siemens / Philips / Canon / Mindray |
Échantillon de données JSON non identifié
标注规范与质量控制
标注流程
Utilisez le modèle "pré-marque + correction manuelle + contre-vérification". D'abord, le modèle AI (YOLO/MedSAM) génère l'étiquette initiale, puis il est révisé indépendamment par deux médecins, et finalement le directeur décide de la différence. Le processus est 60% plus efficace qu'une étiquette purement manuelle, tout en maintenant un taux de précision élevé.
Indicateurs de contrôle de la qualité
98.7%
ClassificationAccuracy
0.89
Séparer les dés
0.91
Essai mAP@0.5
<2.1%
争议率
AI Training Use Cases
Criblage universel des poêles
Modèle applicable: YOLOV8/v9/DTR/RT-DRR/DINO. Modèle générique transmodulaire et transversal du test du poêle, qui peut servir de base au modèle de base pour l'image médicale AI.
多器官分割
Modèle d'application: TotalSegmentator / nnU-Net / SAM-Med2D. Modèles de partition génériques formés couvrant plusieurs organes dans leur corps entier, supportant des modèles CT/MRI à double module.
Radiographie du thorax.
Modèle d'application : R2Gen / X-REM / CheXagent (Voir l'encodeur + décodeur LLM). Modèle généré automatiquement basé sur la correspondance graphique des données.
La régionalisation et la luxabilité
Application du modèle: DomainBed / DANN / SWAD. Formation à un modèle non sensible à l'échelle du domaine pour la collecte d'équipements à l'aide de données multi-centres et multi-équipements.
Get This Dataset
L'ensemble de données génériques sur l'image médicale est souplement autorisé par la mosaïque/partie pour soutenir la personnalisation du sous-ensemble.
137-5502-0164 Online ConsultationRelated Datasets
商业应用价值
Image de l'A.I.M. SaaS
Un service de visionnage assisté par l'IA dans les nuages est offert aux centres vidéo régionaux et aux institutions d'examen médical, couvrant des scènes à haute fréquence (HF) telles que les nœuds pulmonaires, les fractures, les glandes thyroïde.
Imagination des dispositifs médicaux
Aides à l'IA en temps réel intégrées à l'extrémité du dispositif CT/DR/échographie, enregistrement fonctionnel NMPA AI obtenu par l'usine auxiliaire médicale.
Modèle de base préformation
Le premier est le langage multimodulaire de préformation à grande échelle pour les modèles de base d'images médicales (par exemple RadImageNet, BioMedCLIP).