有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
NIH Chest X-ray Dataset|医学影像数据集|机器学习数据集
收藏github2024-02-21 更新2024-05-31 收录
下载链接：
https://github.com/anshuak100/NIH-Chest-X-ray-Dataset
下载链接
链接失效反馈资源简介：
NIH胸部X光数据集包含来自30,805名独特患者的112,120张带有疾病标签的X光图像。数据集的标签通过自然语言处理从相关放射学报告中提取，预计准确率超过90%，适用于弱监督学习。
创建时间：
2018-12-31
原始信息汇总
NIH-Chest-X-ray-Dataset
数据集概述
数据集组成
- 包含112,120张X光图像，图像带有疾病标签。
- 图像来自30,805名独特的患者。
标签生成
- 使用自然语言处理（NLP）从相关放射学报告中提取疾病分类标签。
- 标签准确性预计超过90%，适用于弱监督学习。
数据限制
- 图像标签通过NLP提取，可能存在错误标签，但NLP标签准确性估计超过90%。
- 疾病区域边界框数量非常有限（参考BBox_list_2017.csv）。
- 胸部X光放射学报告不公开共享。
目标
- 使用简单模型在Keras中对X光图像进行分类，特别是如何使用flow_from_dataframe处理更混乱的数据集。
AI搜集汇总
数据集介绍
构建方式
NIH Chest X-ray Dataset的构建过程体现了大规模医学影像数据集在临床诊断中的重要性。该数据集包含来自30,805名患者的112,120张胸部X光图像，每张图像均附有疾病标签。这些标签通过自然语言处理技术从相关的放射学报告中提取，确保了标签的准确性超过90%。尽管原始放射学报告未公开，但详细的标注过程在公开论文《ChestX-ray8: Hospital-scale Chest X-ray Database and Benchmarks on Weakly-Supervised Classification and Localization of Common Thorax Diseases》中有详细描述。
特点
NIH Chest X-ray Dataset以其规模庞大和标注精确而著称。数据集涵盖了多种胸部疾病，适用于弱监督学习任务。尽管标签通过自然语言处理技术自动生成，但其准确率超过90%，为医学影像分析提供了可靠的基础。然而，数据集也存在一些局限性，例如疾病区域的边界框数量有限，且原始放射学报告未公开。这些特点使得该数据集在推动计算机辅助诊断技术发展的同时，也为后续研究提供了改进的空间。
使用方法
NIH Chest X-ray Dataset的使用方法主要围绕医学影像分类任务展开。用户可以通过Keras框架中的flow_from_dataframe函数处理数据集，构建简单的分类模型。由于数据集涉及多标签问题，建议使用binary_crossentropy作为损失函数。此外，用户还可以通过手动标注或更新现有标签，进一步提升数据集的实用性和准确性。该数据集为研究人员提供了一个强大的工具，用于探索和开发基于胸部X光图像的计算机辅助诊断技术。
背景与挑战
背景概述
NIH Chest X-ray Dataset由美国国立卫生研究院（NIH）于2017年发布，旨在推动胸部X光影像的计算机辅助检测与诊断（CAD）研究。该数据集由112,120张X光影像组成，涵盖30,805名患者，并通过自然语言处理技术从放射报告中提取疾病标签，标签准确率预计超过90%。作为当时最大的公开胸部X光影像数据集，它填补了该领域数据稀缺的空白，为弱监督学习提供了重要资源。其发布显著推动了胸部疾病自动诊断技术的发展，并在医学影像分析领域产生了广泛影响。
当前挑战
NIH Chest X-ray Dataset在解决胸部X光影像自动诊断问题时面临多重挑战。首先，尽管标签准确率较高，但其通过自然语言处理自动提取的方式仍可能导致部分错误标签，影响模型训练的可靠性。其次，数据集缺乏详细的疾病区域边界框标注，限制了病灶定位研究的进展。此外，原始放射报告未公开，进一步增加了数据验证和扩展的难度。在构建过程中，研究人员面临大规模影像标注资源匮乏的挑战，不得不依赖自动化技术，这也为数据质量的控制带来了潜在风险。
常用场景
经典使用场景
在医学影像分析领域，NIH Chest X-ray Dataset被广泛用于开发和验证计算机辅助检测与诊断（CAD）系统。该数据集包含大量标注的胸部X光片，为研究人员提供了丰富的训练和测试资源，特别是在多标签分类和疾病定位任务中，其应用尤为突出。通过深度学习模型，研究人员能够利用该数据集进行疾病自动检测，显著提升了诊断的准确性和效率。
实际应用
在实际医疗场景中，NIH Chest X-ray Dataset被用于开发临床辅助诊断工具，帮助医生快速识别胸部疾病，如肺炎、肺结节等。通过基于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，特别是在资源匮乏的地区，这种自动化诊断工具的应用具有重要的现实意义。
衍生相关工作
NIH Chest X-ray Dataset的发布催生了一系列经典研究工作，如CheXNet等深度学习模型。这些模型在疾病分类和定位任务中取得了显著成果，并推动了医学影像分析领域的技术进步。此外，该数据集还激发了更多关于弱监督学习和多标签分类的研究，为后续的学术探索提供了坚实的基础。
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
基于站点观测的中国1km土壤湿度日尺度数据集（2000-2022）
本研究提供了中国范围1km高质量的土壤湿度数据集-SMCI1.0(Soil Moisture of China by in situ data, version 1.0)，SMCI1.0是包含2000-2022年、日尺度、以10厘米为间隔10层深度（10-100cm）的高时空分辨率土壤湿度，数据单位为0.001m³/m³，缺失值为-999，投影为WGS1984。该数据集是以中国气象局提供的1,648个站点观测10层土壤湿度作为基准，使用ERA5_Land气象强迫数据、叶面积指数（LAI）、土地覆盖类型（Landtypes）、地形（DEM）和土壤特性（Soil properties）作为协变量，通过机器学习方式获得。本研究进行了两组实验以验证SMCI1.0的精度，时间尺度上：ubRMSE为0.041-0.052，R为0.883-0.919；空间尺度上：ubRMSE为0.045-0.051，R为0.866-0.893。 由于SMCI1.0是基于实地观测的土壤湿度，它可以作为现有基于模型和卫星数据集的有效补充。该数据产品可用于各种水文、气象、生态分析和建模，尤其在需要高质量、高分辨率土壤湿度的应用上至关重要。有关数据集的引用及详细描述，请阅读说明文档。为便于使用，本研究提供了两种不同分辨率的版本：30 秒（~1km）和0.1度（~9km）。
国家青藏高原科学数据中心 收录
Subway Dataset
该数据集包含了全球多个城市的地铁系统数据，包括车站信息、线路图、列车时刻表、乘客流量等。数据集旨在帮助研究人员和开发者分析和模拟城市交通系统，优化地铁运营和乘客体验。
www.kaggle.com 收录
YOLO Drone Detection Dataset
为了促进无人机检测模型的开发和评估，我们引入了一个新颖且全面的数据集，专门为训练和测试无人机检测算法而设计。该数据集来源于Kaggle上的公开数据集，包含在各种环境和摄像机视角下捕获的多样化的带注释图像。数据集包括无人机实例以及其他常见对象，以实现强大的检测和分类。
github 收录
中国食物成分数据库
食物成分数据比较准确而详细地描述农作物、水产类、畜禽肉类等人类赖以生存的基本食物的品质和营养成分含量。它是一个重要的我国公共卫生数据和营养信息资源，是提供人类基本需求和基本社会保障的先决条件；也是一个国家制定相关法规标准、实施有关营养政策、开展食品贸易和进行营养健康教育的基础，兼具学术、经济、社会等多种价值。 本数据集收录了基于2002年食物成分表的1506条食物的31项营养成分（含胆固醇）数据，657条食物的18种氨基酸数据、441条食物的32种脂肪酸数据、130条食物的碘数据、114条食物的大豆异黄酮数据。
国家人口健康科学数据中心 收录
长江干流实时水位观测数据集（2024年）
该数据集为长江干流主要水文站实时水位观测数据集，包含了汉口、户口、九江、宜昌等16个水文站点的逐小时或逐日水位观测数据。 该数据集包含3个excel表格文件，长江干流站点.xls，逐日水位.xlsx，逐小时水位.xlsx。
国家地球系统科学数据中心 收录