FG-CXR|医学影像分析数据集|放射学报告生成数据集

FG-CXR数据集由阿肯色大学创建，旨在增强胸部X光报告生成系统的可解释性。该数据集包含2951张胸部X光图像，每张图像都配有放射科医生注释的细粒度对齐的注视注意力热图和相应的放射学报告。数据集的创建过程涉及对放射科医生注视模式的详细分析，并通过高斯模糊处理生成注视频率图。FG-CXR数据集主要应用于医学影像分析领域，旨在解决现有报告生成模型缺乏解释性和与放射科医生实际诊断过程不一致的问题。

AI搜集汇总

数据集介绍

构建方式

FG-CXR数据集的构建基于放射科医生在胸部X光片（CXR）分析中的注视模式和诊断报告。该数据集通过收集放射科医生在诊断过程中的注视坐标和相应的注视热图，以及与这些注视点精确对齐的诊断报告，从而实现了注视数据与诊断内容的高度一致性。这种精细的对齐方式确保了数据集在模拟真实放射科医生诊断过程中的准确性和可靠性。

特点

FG-CXR数据集的主要特点在于其高度的精细对齐和解释性。与现有的数据集相比，FG-CXR不仅提供了注视序列和报告，还通过注视热图与诊断报告的精确对齐，增强了数据集的解释性。这种对齐方式使得模型能够更好地理解放射科医生的诊断过程，从而提高报告生成的准确性和可解释性。

使用方法

FG-CXR数据集可用于开发和评估基于注视解释的放射学报告生成模型。研究者可以利用该数据集训练模型，使其能够生成与放射科医生注视模式紧密对齐的诊断报告。此外，该数据集还可用于研究注视模式与诊断报告之间的关联，以及如何通过注视数据提高模型的解释性和准确性。

背景与挑战

背景概述

在计算机辅助诊断（CAD）系统中，开发可解释的胸部X光（CXR）报告生成系统变得日益重要，这使得放射科医生能够理解这些系统所做出的决策。尽管已有多种数据集和方法专注于报告生成，但这些模型生成的报告与真实放射科医生的解释之间的对齐度仍然存在显著差距。为此，Trong Thang Pham等人于2024年引入了细粒度CXR（FG-CXR）数据集，该数据集提供了放射科医生生成的描述与相应解剖部位的注视注意力热图之间的精细配对信息。FG-CXR数据集通过确保注视注意力与诊断记录之间的紧密对齐，填补了现有数据集的空白，并为开发更接近真实放射科医生诊断过程的模型提供了基础。

当前挑战

FG-CXR数据集面临的挑战主要包括两个方面：一是如何确保生成的报告与放射科医生的注视注意力热图高度对齐，这需要解决注视位置与报告内容之间的时序对齐问题；二是如何在构建过程中处理大量复杂的医学图像和注视数据，确保数据的准确性和一致性。此外，现有的黑箱图像描述方法在生成报告时无法解释CXR中哪些信息被利用以及如何利用，这限制了其在医疗领域的应用。因此，开发一种既能生成准确报告又能解释其决策过程的模型是当前的主要挑战。

常用场景

经典使用场景

在医学影像分析领域，FG-CXR数据集以其独特的细粒度注释和放射科医生对胸部X光片的注视热图而著称。该数据集通过将放射科医生的注视热图与相应的诊断报告精确对齐，为研究者提供了一个模拟真实诊断过程的平台。通过分析放射科医生的注视模式，研究者可以开发出更加透明和可解释的报告生成系统，从而提高计算机辅助诊断（CAD）系统的可靠性。

实际应用

在实际应用中，FG-CXR数据集为放射科医生提供了一个辅助工具，帮助他们更快速、准确地生成诊断报告。通过模拟放射科医生的注视模式，系统能够自动生成与专家判断高度一致的报告，从而减轻医生的工作负担。此外，该数据集还可用于培训新一代的医学影像分析算法，提高其在实际临床环境中的表现。

衍生相关工作

基于FG-CXR数据集，研究者们开发了多种创新性的算法和模型。例如，Gen-XAI框架通过模拟放射科医生的注视模式，生成具有高解释性的诊断报告。此外，该数据集还促进了医学影像分割和报告生成领域的研究，推动了相关技术的进步。这些衍生工作不仅提升了医学影像分析的准确性，还增强了系统的透明度和可解释性。