ccpo-bus-cot-training-data

CCPO BUS-CoT训练数据集是一个用于对比性提示优化（CCPO）风格实验的数据集，具体为BUS-CoT（可能指图像-文本对集合）的训练子集。该数据集经过更新，移除了与固定测试集（RQ1_1，包含133个BUS-CoT肿瘤样本）重叠的78个样本，以确保训练和测试集之间的独立性。原始数据包含4197行，移除后剩余4119行训练数据。数据集主要由一个CSV文件和两个图像目录构成：CSV文件（trainval_noise_caption_pairs_negslot50_uniform.csv）存储图像-文本对，使用仓库相对路径链接图像，其中imagepath指向正面图像（位于images/目录），imagepath_neg指向负面图像（位于negative/目录）。images/目录包含过滤后CSV引用的正面BUS-CoT图像，negative/目录包含扩散生成的负面图像。数据形式为图像-文本对，包含正面和负面样本，适用于对比学习、图像-文本对齐或相关视觉-语言建模任务的训练。

The CCPO BUS-CoT training dataset is a dataset for Contrastive Prompt Optimization (CCPO) style experiments, specifically the training subset of BUS-CoT (likely referring to an image-text pair collection). It has been updated to remove 78 samples overlapping with a fixed test set (RQ1_1, containing 133 BUS-CoT tumor samples) to ensure independence between the training and test sets. The original data contained 4197 rows, and after removal, 4119 rows of training data remain. The dataset primarily consists of a CSV file and two image directories: the CSV file (trainval_noise_caption_pairs_negslot50_uniform.csv) stores image-text pairs, using repository relative paths to link images, where imagepath points to positive images (located in the images/ directory) and imagepath_neg points to negative images (located in the negative/ directory). The images/ directory contains filtered positive BUS-CoT images referenced by the CSV, and the negative/ directory contains diffusion-generated negative images. The data format is image-text pairs, including both positive and negative samples, suitable for training in contrastive learning, image-text alignment, or related vision-language modeling tasks.

原始信息汇总

数据集概述

数据集名称：CCPO BUS-CoT training data
许可证：MIT
规模：1K < 样本数 < 10K（实际：4119条训练样本）

更新说明

• 移除了与固定 RQ1_1 测试集重叠的样本。
• 原始CSV行数：4197行。
• 因与 RQ1_1 BUS-CoT肿瘤样本重叠移除：78行。
• 剩余训练行数：4119行。

数据结构

数据集包含以下文件/目录：

• trainval_noise_caption_pairs_negslot50_uniform.csv
  使用仓库相对路径引用图像：
  • imagepath → images/<文件名>
  • imagepath_neg → negative/<文件名>
• images/
  存放过滤后CSV引用的正样本BUS-CoT图像。
• negative/
  存放扩散模型生成的负样本图像，由过滤后CSV引用。

重叠处理策略

上传前，已排除所有正样本BUS-CoT图像文件名与固定 RQ1_1 测试集（133个样本）中任何BUS-CoT图像文件名匹配的行。

搜集汇总

数据集介绍

构建方式

该数据集源自CCPO风格实验中的BUS-CoT训练子集，原始数据包含4197个CSV行，经过与固定RQ1_1测试集去重处理后，剔除了78个重叠的肿瘤样本行，最终保留4119个有效训练样本。数据构建依托于一个三元组结构：正样本图像通过BUS-CoT流程生成并存储于images目录，负样本图像则基于扩散模型生成并存放于negative目录，两者通过trainval_noise_caption_pairs_negslot50_uniform.csv文件中的repo相对路径（imagepath与imagepath_neg）进行关联。

使用方法

使用该数据集时，首先需加载trainval_noise_caption_pairs_negslot50_uniform.csv文件，其中包含图像路径和对应负样本路径。接着，依据relative路径从images和negative文件夹中读取正负图像，并配合文本描述构成训练三元组。由于数据已针对测试集进行去重过滤，可直接用于CCPO-style对比学习或图像-文本匹配任务的模型训练，无需额外拆分验证集。建议采用标准的数据加载管线，将图像预处理为统一尺寸后输入模型。

背景与挑战

背景概述

超声成像在乳腺癌诊断中具有重要价值，但病灶区域模糊、边界不清晰等问题使得AI辅助诊断面临挑战。CCPO BUS-CoT训练数据集由相关研究团队于近期创建，聚焦于通过对比偏好优化（CCPO）策略提升超声图像中肿瘤分割与分类的鲁棒性。该数据集的核心研究问题在于如何利用负样本生成与对比学习范式，增强模型对噪声标注和图像质量退化的抗干扰能力。其通过扩散模型生成的负样本图像，为弱监督学习场景下的性能提升提供了关键数据支撑，在医学影像分析领域展现出显著的研究潜力与应用价值。

当前挑战

该数据集主要应对两大挑战。领域问题层面，超声图像中肿瘤与周围组织对比度低、形态多变，传统模型易受噪声和模糊边界干扰，导致分割与分类精度不足。构建过程中，需设计高效策略筛选与固定测试集（RQ1_1）重叠的样本，原始4197行数据中剔除了78行重叠样本，确保训练集独立性；同时利用扩散模型生成高质量负样本，需平衡图像真实性与噪声表征的多样性，避免负样本过于极端或与正样本混淆，这对生成模型的参数调优与数据质量控制提出了严苛要求。

常用场景

经典使用场景

在医学图像分析的前沿领域，CCPO BUS-CoT训练数据集为超声乳腺影像的自动解读提供了宝贵的资源。该数据集包含近4200张经过精心筛选的乳腺超声图像，其中正样本来自临床真实病例，负样本则通过扩散模型合成生成。研究者可将其用于训练视觉语言模型，使其在给定超声图像后，生成符合思维链（Chain-of-Thought）逻辑的诊断描述，从而提升模型在少样本场景下的推理稳健性。数据集的构建严格剔除了与公开测试集重叠的样本，确保了训练与评估的独立性，成为评估对比思维链优化策略是否有效抵御对抗性样本攻击的基准平台。

解决学术问题

该数据集直面医学图像分析中的一个核心挑战：如何让深度学习模型在面对噪声、模糊或故意干扰的输入时，依然能够保持可靠的决策逻辑。传统方法往往依赖大规模标注数据来覆盖各种变异，但临床场景中罕见病或极端案例的数据稀缺使得模型泛化能力受限。CCPO BUS-CoT训练数据通过引入对比思维链学习范式，促使模型在生成诊断推理路径的同时，自动区分正负样本的视觉差异。这一机制显著提升了模型对对抗性干扰的鲁棒性，为构建可解释且安全的医学辅助诊断系统奠定了方法论基础，推动了可信人工智能在医疗领域的落地。

实际应用

在实际临床环境中，该数据集支撑的模型可嵌入到超声诊断工作站中，作为放射科医生的实时第二意见提供者。当医生采集到疑似恶性病变的乳腺超声图像时，系统能够自动输出结构化的、按思维链组织的放射学报告，从局部纹理异常到整体边界形态逐步给出诊断依据。急诊与基层医疗机构尤其受益于此，因为非专科医生面对复杂超声影像时容易误判，而具备对比思维链能力的模型能有效降低漏诊率。此外，该数据集训练出的模型还可部署在移动端远程会诊平台，在带宽受限条件下仍能生成可靠的诊断逻辑，助力医疗资源均质化。

数据集最近研究

最新研究方向

该数据集聚焦于对比链式思维（Contrastive Chain-of-Thought）在医学影像分析中的前沿应用，特别是针对乳腺癌超声（BUS）图像的区域描述与推理任务。通过引入扩散模型生成的负样本，数据集旨在增强模型对视觉特征的对比学习能力，提升诊断推理的鲁棒性与可解释性。这一研究方向紧密关联大语言模型与视觉-语言模型在医疗领域的落地探索，近期热点包括利用CoT技术辅助临床决策、减少对标注数据的依赖，以及通过对比训练缓解模型幻觉问题。该数据集通过严格的交叉验证划分策略（排除与固定测试集重叠的样本），保障了实验评估的公正性，为构建可信赖的医学AI推理系统奠定了重要基础，对推动智能医疗诊断的透明化与精准化具有显著意义。