Curated Dataset from GRAZPEDWRI-DX

本论文中使用的数据集是从GRAZPEDWRI-DX中精选的，该数据集用于手腕病理识别的细粒度识别问题。数据集包含了训练、验证和测试集的图像数据。

The dataset used in this paper is curated from GRAZPEDWRI-DX, which is designed for the fine-grained recognition task of wrist pathology identification. This dataset includes image data for training, validation, and test sets.

原始信息汇总

数据集概述

数据集来源

该数据集是从GRAZPEDWRI-DX中精心筛选的，用于研究儿童手腕病理识别。筛选后的数据集链接为：Curated Dataset。

数据集结构

数据集分为训练集、验证集和测试集，具体结构如下：

├── train/ │ ├── 0/ │ | ├── 0/0133_0306769778_07_WRI-R2_M015-1.png │ | ├── 0133_0306769778_07_WRI-R2_M015-3.png │ | └── .... │ ├── 1/ │ | ├── 0025_0483842914_01_WRI-L2_F000.png │ | ├── 0053_1119833109_03_WRI-R1_F005.png │ | └── .... │ └── .... └── val/ │ ├── 0/ │ | ├── 0133_0306769778_07_WRI-R2_M015-0.png │ | ├── 0133_0306769778_07_WRI-R2_M015-2.png │ | └── .... │ ├── 1/ │ | ├── 0042_0827512771_04_WRI-R2_M015.png │ | ├── 0071_0680563744_02_WRI-R1_F009.png │ | └── .... │ └── .... └── test/ │ ├── 0/ │ | ├── 0772_0547017117_03_WRI-R1_M017-0.png │ | ├── 0772_0547017117_03_WRI-R1_M017-1.png │ | └── .... │ ├── 1/ │ | ├── 0069_0502540283_01_WRI-L1_M013.png │ | ├── 0078_1212376595_01_WRI-L1_M011.png │ | └── .... │ └── .... └── test2/ │ ├── 0/ │ | ├── 0772_0547017117_03_WRI-R1_M017.png │ | ├── 0834_0240036198_01_WRI-R1_M014.png │ | └── .... │ ├── 1/ │ | ├── 0069_0502540283_01_WRI-L1_M013.png │ | ├── 0115_0432451427_01_WRI-L2_M004.png │ | └── .... │ └── ....

预训练模型

精炼的细粒度视觉识别（FGVR）模型的权重可以在以下链接找到：Weights。

评估结果

该方法在有限的测试集上表现出色，具体评估结果如下：

与其他深度神经网络的比较

模型	测试准确率 (%)
EfficientNetV2	53.59
NFNet	65.40
VGG16	65.82
ViT	70.25
DeiT3	70.89
RegNet	72.36
DenseNet201	73.42
MobileNetV2	76.37
CMAL	76.58
RexNet100	77.43
ResNet101	77.43
IELT	78.10
DenseNet121	78.21
ResNest101e	78.27
InceptionV4	78.69
MetaFormer	78.90
ResNet50	79.11
InceptionV3	79.54
EfficientNet_b0	79.96
YOLOv8x	80.50
HERBS	82.70
Our Approach (PIM for FGVR)	84.38

LION集成和FPN调整

模型	测试集1准确率 (%)	测试集2准确率 (%)
PIM	84.38	82.50
PIM + LION	85.44	83.75

搜集汇总

数据集介绍

构建方式

在构建Curated Dataset from GRAZPEDWRI-DX时，研究团队从原始数据集中精心挑选并整理了相关图像，以确保数据集的高质量和代表性。该数据集的构建过程严格遵循医学图像处理的标准，旨在为儿科手腕病理识别提供一个有限但高质量的数据资源。通过细致的筛选和分类，数据集被划分为训练集、验证集和测试集，以支持深度学习模型的训练和评估。

特点

Curated Dataset from GRAZPEDWRI-DX的主要特点在于其精细的分类和高质量的图像数据。该数据集不仅包含了多种手腕病理的图像，还通过精细的标注确保了每张图像的准确性和可用性。此外，数据集的有限性反映了实际医学研究中的数据约束，使得该数据集在训练和验证模型时更具挑战性和现实意义。

使用方法

使用Curated Dataset from GRAZPEDWRI-DX时，用户首先需要安装所需的依赖包，并下载数据集和预训练模型权重。数据集的结构清晰，分为训练、验证和测试集，用户可以根据需要调整配置文件进行模型训练和评估。通过运行相应的Python脚本，用户可以进行模型训练、评估、热图生成和推理，从而全面利用该数据集进行手腕病理识别的研究和应用。

背景与挑战

背景概述

Curated Dataset from GRAZPEDWRI-DX 数据集源自于对GRAZPEDWRI-DX数据集的精选，主要用于儿科手腕病理识别的研究。该数据集由Ammar Ahmed等研究人员于2024年创建，旨在解决在有限数据条件下进行精细分类的问题。通过结合LION优化和Grad-CAM技术，研究团队提出了一种高效的模型架构，显著提升了手腕病理识别的准确性和敏感性。此数据集不仅为儿科医学领域提供了宝贵的研究资源，还展示了在数据稀缺情况下如何通过先进技术实现高性能分类的潜力。

当前挑战

尽管Curated Dataset from GRAZPEDWRI-DX在手腕病理识别方面取得了显著成果，但其构建和应用过程中仍面临诸多挑战。首先，数据集的规模较小，反映了实际医疗研究中的数据限制，这使得模型训练和验证过程充满挑战。其次，手腕病理的细微差异要求高精度的分类模型，这对模型的复杂性和计算资源提出了高要求。此外，数据集的多样性和代表性问题也是需要解决的关键挑战，以确保模型在不同病例中的泛化能力。

常用场景

经典使用场景

在儿科腕部病理识别领域，Curated Dataset from GRAZPEDWRI-DX数据集的经典使用场景主要集中在细粒度识别任务上。通过利用该数据集，研究者们能够训练和验证其细粒度识别模型，特别是在有限数据条件下，如何通过优化架构和集成LION优化技术来提升识别精度。这种细粒度识别方法不仅在学术研究中具有重要意义，也在实际临床应用中展现了其潜力。

实际应用

在实际应用中，Curated Dataset from GRAZPEDWRI-DX数据集被广泛用于开发和验证儿科腕部病理的自动识别系统。这些系统可以辅助医生进行快速且准确的诊断，特别是在资源有限的环境中。通过集成该数据集训练的模型，医疗机构能够提高诊断效率，减少误诊率，从而改善患者的治疗效果和预后。

衍生相关工作

基于Curated Dataset from GRAZPEDWRI-DX数据集，研究者们开发了多种细粒度识别模型，并在此基础上进行了深入的优化和扩展。例如，通过集成LION优化技术和调整特征金字塔网络（FPN），研究者们显著提升了模型的性能。此外，该数据集还促进了可解释AI技术如Grad-CAM的应用，使得模型不仅高效，而且更加透明和可解释。