UTA4: Rates Dataset

该数据集包含临床医生在诊断多个患者时的严重性评级（BIRADS），这些数据来自用户测试和分析4（UTA4）研究。数据集用于测量与患者诊断相关的严重性评级（BIRADS），并已在AVI 2020会议上发表。

This dataset comprises severity ratings (BIRADS) assigned by clinicians during the diagnosis of multiple patients, derived from the User Testing and Analysis 4 (UTA4) study. It is utilized to measure the severity ratings (BIRADS) associated with patient diagnoses and has been presented at the AVI 2020 conference.

原始信息汇总

UTA4: Rates Dataset 概述

数据集描述

• 名称: UTA4: Rates Dataset
• 内容: 该数据集包含临床医生在诊断患者时使用的严重性评级（BIRADS），这些数据来源于用户测试与分析4（UTA4）研究。
• 目的: 通过提供此数据集，鼓励研究社区专注于解决难题，特别是在单模态与多模态诊断比较方面。
• 应用: 用于研究单模态与多模态医疗影像诊断的比较，使用了prototype-single-modality和prototype-multi-modality两个原型进行比较。
• 相关项目: 与BreastScreening和MIDA项目相关，这两个项目涉及使用深度卷积神经网络（CNNs）进行研究。

数据集资源

• 发布平台: 数据集通过Kaggle、data.world、figshare和OpenML等平台发布。

引用信息

• 引用格式: 使用以下BibTeX条目引用此数据集：

  @inproceedings{10.1145/3399715.3399744, author = {Calisto, Francisco Maria and Nunes, Nuno and Nascimento, Jacinto C.}, title = {BreastScreening: On the Use of Multi-Modality in Medical Imaging Diagnosis}, year = {2020}, isbn = {9781450375351}, publisher = {Association for Computing Machinery}, address = {New York, NY, USA}, url = {https://doi.org/10.1145/3399715.3399744}, doi = {10.1145/3399715.3399744}, abstract = {This paper describes the field research, design and comparative deployment of a multimodal medical imaging user interface for breast screening. The main contributions described here are threefold: 1) The design of an advanced visual interface for multimodal diagnosis of breast cancer (BreastScreening); 2) Insights from the field comparison of Single-Modality vs Multi-Modality screening of breast cancer diagnosis with 31 clinicians and 566 images; and 3) The visualization of the two main types of breast lesions in the following image modalities: (i) MammoGraphy (MG) in both Craniocaudal (CC) and Mediolateral oblique (MLO) views; (ii) UltraSound (US); and (iii) Magnetic Resonance Imaging (MRI). We summarize our work with recommendations from the radiologists for guiding the future design of medical imaging interfaces.}, booktitle = {Proceedings of the International Conference on Advanced Visual Interfaces}, articleno = {49}, numpages = {5}, keywords = {user-centered design, multimodality, medical imaging, human-computer interaction, healthcare systems, breast cancer, annotations}, location = {Salerno, Italy}, series = {AVI 20} }

版权与许可

• 版权: 由Instituto Superior Técnico持有。
• 许可: 数据集遵循GNU AGPLv3和CC-BY-SA-4.0许可。

搜集汇总

数据集介绍

构建方式

UTA4: Rates Dataset的构建基于临床医生在诊断患者过程中对严重程度（BIRADS）的评估数据。该数据集来源于用户测试与分析4（UTA4）研究，研究在临床机构中进行，涉及单模态与多模态诊断的比较。数据收集过程中，使用了单模态和多模态原型系统，结合了BreastScreening和MIDA项目的研究成果，旨在通过深度学习技术提升医学影像诊断的准确性。数据集的构建严格遵循了临床研究的规范，确保了数据的可靠性和科学性。

使用方法

UTA4: Rates Dataset的使用方法较为灵活，用户可以通过Git工具克隆该数据集到本地环境。数据集提供了Python脚本`demo.py`，用户可以通过运行该脚本快速了解数据集的基本结构和内容。此外，数据集的使用文档详细介绍了如何安装和配置环境，确保用户能够顺利使用数据。研究人员可以根据需要提取数据，进行单模态与多模态诊断的比较研究，或结合深度学习模型进行进一步的医学影像分析。

背景与挑战

背景概述

UTA4: Rates Dataset是由MIMBCD-UI团队于2020年创建的一个数据集，旨在支持乳腺癌筛查中的多模态医学影像诊断研究。该数据集的核心研究问题围绕单模态与多模态影像在乳腺癌诊断中的效果对比，特别是在临床医生使用不同影像技术（如乳腺X线摄影、超声和磁共振成像）时的诊断准确性。该数据集的研究成果已在人机交互领域的顶级会议AVI 2020上发表，展示了其在提升医学影像诊断界面设计方面的潜力。通过结合深度学习技术，该数据集为乳腺癌筛查的自动化诊断提供了重要的数据支持，推动了医学影像与人工智能的交叉研究。

当前挑战

UTA4: Rates Dataset在构建过程中面临的主要挑战包括数据收集的复杂性和多模态数据的整合。首先，临床数据的获取需要与多家医疗机构合作，确保数据的多样性和代表性，同时还需遵守严格的隐私保护法规。其次，不同影像模态（如X线、超声和MRI）的数据格式和分辨率差异较大，如何有效整合这些异构数据以支持深度学习模型的训练是一个技术难题。此外，该数据集旨在解决乳腺癌诊断中的多模态影像分类问题，如何设计高效的算法以充分利用多模态信息的互补性，进一步提升诊断准确性，是该领域当前面临的核心挑战。

常用场景

经典使用场景

UTA4: Rates Dataset 在医学影像诊断领域中被广泛用于评估单模态与多模态影像在乳腺癌筛查中的效果。该数据集通过收集临床医生在诊断过程中对患者影像的严重程度评分（BIRADS），为研究者提供了丰富的实验数据。这些数据不仅帮助研究者分析不同影像模态的诊断准确性，还为优化医学影像用户界面设计提供了重要参考。

解决学术问题

UTA4: Rates Dataset 解决了医学影像诊断中单模态与多模态影像对比的学术研究问题。通过提供临床医生在诊断过程中的评分数据，该数据集帮助研究者深入理解不同影像模态在乳腺癌筛查中的表现差异。此外，该数据集还为医学影像用户界面的设计优化提供了数据支持，推动了人机交互领域的研究进展。

实际应用

UTA4: Rates Dataset 在实际应用中主要用于乳腺癌筛查的影像诊断系统开发。通过分析临床医生对不同影像模态的评分数据，医疗机构可以优化其影像诊断流程，提升诊断的准确性和效率。此外，该数据集还为医学影像用户界面的设计提供了数据支持，帮助开发更符合临床需求的诊断工具。

数据集最近研究

最新研究方向

在医学影像诊断领域，UTA4: Rates Dataset为研究人员提供了关于乳腺癌筛查的严重程度评分（BIRADS）数据，这些数据来源于临床医生在单模态与多模态诊断环境下的实际测试。该数据集的最新研究方向集中在如何利用深度学习技术，特别是卷积神经网络（CNNs），来优化多模态医学影像的诊断流程。通过结合人机交互（HCI）的设计理念，研究旨在提升医生在诊断过程中的效率和准确性。此外，该数据集的应用还推动了医疗界对于多模态影像诊断界面设计的深入探讨，为未来的医疗技术发展提供了重要的数据支持和理论依据。