COVID-19 image data collection

该项目旨在构建一个公开的胸部X光和CT图像数据集，包含COVID-19阳性或疑似患者的图像，以及其他病毒性和细菌性肺炎的图像。数据来源于公共资源和医院及医生的间接收集，所有图像和数据均在此GitHub仓库中公开发布。

This project aims to construct a publicly accessible dataset of chest X-ray and CT images, encompassing images from patients confirmed or suspected of COVID-19, as well as those with viral and bacterial pneumonia. The data is sourced from public resources and indirectly collected from hospitals and physicians, with all images and data being openly published in this GitHub repository.

原始信息汇总

数据集概述

数据集名称

COVID-19 Image Data Collection

数据集目的

构建一个公开的开放数据集，包含COVID-19阳性患者或疑似患者的胸部X光和CT图像，以及其他病毒性和细菌性肺炎的图像。

数据来源

数据来源于公共资源以及通过医院和医生的间接收集。

数据集内容

• 胸部X光和CT图像
• 元数据文件（metadata.csv）
• 数据加载器示例

标签结构

标签采用层次结构，具体结构可参考hierarchy.jpg。

数据集统计

• COVID19_Dataset num_samples=481 views=[PA, AP]
• COVID19_Dataset num_samples=173 views=[AP Supine]

注释信息

• 肺部边界框
• 胸部X光分割
• 肺炎严重程度评分
• 生成的肺部分割
• Brixia评分
• 肺部及其他分割

数据集使用许可

• 图像的许可信息在metadata.csv文件中指定。
• 元数据文件、脚本和其他文档的许可为CC BY-NC-SA 4.0。

数据集贡献

• 直接提交数据至项目
• 帮助识别未包含的出版物
• 提交数据至其他网站
• 提供图像中问题区域的边界框/掩码

数据集背景

在COVID-19大流行背景下，旨在通过这些图像开发基于AI的方法来预测和理解感染，以改善预后预测，辅助患者护理管理。

数据集目标

• 使用胸部X光或CT图像进行健康与肺炎的预测
• 进行预后/严重程度预测（生存、需要插管、需要补充氧气）

预期成果

• 为医生提供数字第二意见，增强诊断信心
• 提供量化评分，用于研究和评估
• 促进基于ML的工具的并行开发和快速本地验证

联系信息

项目负责人：Joseph Paul Cohen, Postdoctoral Fellow, Mila, University of Montreal

引用信息

• COVID-19 Image Data Collection: Prospective Predictions Are the Future
• COVID-19 image data collection

搜集汇总

数据集介绍

构建方式

该数据集的构建旨在收集与COVID-19相关的胸部X光和CT图像，涵盖了确诊或疑似感染COVID-19的患者，以及其他病毒性和细菌性肺炎（如MERS、SARS和ARDS）的图像。数据来源包括公共数据库以及通过间接方式从医院和医生处收集的图像。所有图像和相关数据均通过此GitHub仓库公开发布。数据集的构建过程严格遵循了蒙特利尔大学伦理委员会的批准，确保了数据收集的合法性和伦理性。

特点

该数据集的一个显著特点是其标签的层次结构，这种结构有助于更细致地分类和分析图像。此外，数据集包含了多种视图（如PA、AP和AP Supine），以及详细的元数据，包括图像的来源、患者信息和诊断结果。这些特点使得该数据集不仅适用于COVID-19的诊断研究，还可用于其他肺炎类型的比较分析。

使用方法

使用该数据集时，研究者可以通过提供的元数据文件和数据加载器示例进行数据访问和处理。数据加载器示例展示了如何在Google Colab中加载和预处理数据。此外，数据集还提供了多种注释，如肺部边界框、胸部X光分割和肺炎严重程度评分，这些注释可用于进一步的图像分析和模型训练。研究者应确保在使用数据时遵守相应的许可证要求，并参考相关文献以确保研究的准确性和可靠性。

背景与挑战

背景概述

在COVID-19大流行的背景下，提升预后预测以优化患者护理成为当务之急。COVID-19图像数据集由蒙特利尔大学的Joseph Paul Cohen博士领导的研究团队创建，旨在构建一个公开的胸部X光和CT图像数据集，用于分析COVID-19阳性或疑似患者，以及其他病毒性和细菌性肺炎（如MERS、SARS和ARDS）。该数据集不仅从公共资源中收集数据，还通过间接方式从医院和医生处获取，所有图像和数据均公开发布于GitHub仓库。此项目已获得蒙特利尔大学伦理委员会的批准（CERSES-20-058-D），并期望通过这些图像开发基于人工智能的方法来预测和理解感染情况。

当前挑战

COVID-19图像数据集在构建过程中面临多项挑战。首先，数据来源多样，包括公共资源和医院，确保数据质量和一致性是一大难题。其次，图像标注的复杂性，如肺部边界框和胸部X光分割，需要精确且耗时的处理。此外，数据集的多样性也带来了分类和预测模型的挑战，特别是如何在健康与肺炎、细菌性与病毒性肺炎之间进行准确区分。最后，尽管已有一些初步模型，如Chester AI Radiology Assistant平台，但模型的临床验证和实际应用仍需进一步研究和验证。

常用场景

经典使用场景

在COVID-19大流行背景下，COVID-19图像数据集主要用于开发基于人工智能的诊断和预后工具。该数据集包含胸部X光和CT图像，涵盖COVID-19阳性患者、疑似患者以及患有其他病毒性和细菌性肺炎的患者。通过这些图像，研究人员可以训练模型以区分健康与肺炎、预测病情严重程度及生存率，从而为临床医生提供辅助决策支持。

实际应用

在实际应用中，COVID-19图像数据集被广泛用于开发和部署AI辅助诊断工具。这些工具能够快速分析患者的胸部X光或CT图像，提供初步的诊断建议和病情评估，从而减轻医疗工作者的负担，提高诊断效率。此外，这些工具还可以用于远程医疗，特别是在资源匮乏的地区，帮助实现更广泛的医疗覆盖和及时的病情管理。

衍生相关工作

基于COVID-19图像数据集，许多相关研究工作得以展开。例如，有研究团队开发了用于肺部分割和病变区域检测的算法，这些算法能够自动识别和量化肺部异常区域，从而辅助医生进行更精确的诊断。此外，还有研究利用该数据集进行深度学习模型的训练，以预测COVID-19患者的病情进展和治疗效果，这些工作为临床决策提供了重要的数据支持。