NIH发布包含10600张CT图像数据库 为AI算法测试铺路

简介: 美国国立卫生研究院(NIH)最近发布了一个庞大的胸部X光数据库,现已公开近10600张CT扫描图像,以支持医疗人工智能算法的开发和测试。这个大型成像数据库被称为DeepLesion,是由美国国立卫生研究院的Ronald Summers及其同事创建的。

美国国立卫生研究院(NIH)最近发布了一个庞大的胸部X光数据库,现已公开近10600张CT扫描图像,以支持医疗人工智能算法的开发和测试。这个大型成像数据库被称为DeepLesion,是由美国国立卫生研究院的Ronald Summers及其同事创建的。他们对其机构里的放射科医生的CT扫描结果进行了临床相关的标注。

Summers是NIH影像生物标记和计算机辅助诊断实验室的高级研究员和放射学家。

根据美国国立卫生研究院的说法,这些标注通常很复杂,包括描述病变大小和位置的箭头、线条、分割和文本,以便让临床医生可以监测疾病变化。标注医学图像需要广泛的临床经验,并且会耗费大量时间。
实际上,缺乏可用于训练AI算法的大型医学图像数据库一直被认为是AI技术寻求突破的主要障碍之一。Summers及其同事的努力就是为了改变这种状况,至少在X光方面 。去年他们发布了ChestX-ray8数据库,库中包含了100000张X光图像。

DeepLesion通过提供足够强大的CT扫描数据库和附带的标注来训练深度神经网络,从而帮助绕过这些障碍。美国国立卫生研究院建议,有朝一日可以“使科学界能够创建一个具有统一框架的大规模通用病变检测器”。

image

该数据库包括来自马里兰州贝塞斯达NIH临床中心的4400多名患者的大约10600项研究。虽然目前大多数数据库包含10至数百个单一类型的病变,但该组设计的DeepLesion可容纳超过32000个病灶,涵盖各种放射学发现,如肺结节、淋巴结肿大和肝肿瘤。

有了多范畴的病变数据库,DeepLesion为研究人员提供了开发人工智能算法的机会,能够自动检测和诊断多种病变类型。美国国立卫生研究院指出,未来它还可能发展成为一个通用病变检测器,可用作初始筛选工具,并将其结果发送到其他更专业的算法。此外,研究人员可能可以在同一次CT扫描中研究不同类型病变之间的关系,从而全面评估癌症负担。

为了开始展示这种潜力,Summers及其同事用DeepLesion数据库来训练一个典型的通用病变检测器,以发现各种病变。他们的探测器灵敏度达到81.1%,每个图像有5个假阳性。

研究人员计划继续向DeepLesion添加图像,以提高检测器的准确性,他们希望将MRI扫描包含在数据库中,并结合未来多家医院的数据。该研究小组认为,除了病变检测外,该数据库还可以帮助训练算法对病变进行分类,并根据现有模式预测病变的发展。

原文发布时间为:2018-08-05
本文来自云栖社区合作伙伴“专知”,了解相关信息可以关注“专知”

相关文章
|
存储 关系型数据库 数据库
附部署代码|云数据库RDS 全托管 Supabase服务:小白轻松搞定开发AI应用
本文通过一个 Agentic RAG 应用的完整构建流程,展示了如何借助 RDS Supabase 快速搭建具备知识处理与智能决策能力的 AI 应用,展示从数据准备到应用部署的全流程,相较于传统开发模式效率大幅提升。
附部署代码|云数据库RDS 全托管 Supabase服务:小白轻松搞定开发AI应用
|
人工智能 测试技术 项目管理
测试不再碎片化:AI智能体平台「项目资料套件」功能上线!
在实际项目中,需求文档分散、整理费时、测试遗漏等问题常困扰测试工作。霍格沃兹推出AI智能体测试平台全新功能——项目资料套件,可将多个关联文档打包管理,并一键生成测试用例,提升测试完整性与效率。支持套件创建、文档关联、编辑删除及用例生成,适用于复杂项目、版本迭代等场景,助力实现智能化测试协作,让测试更高效、更专业。
|
存储 人工智能 算法
AI测试平台实战:深入解析自动化评分和多模型对比评测
在AI技术迅猛发展的今天,测试工程师面临着如何高效评估大模型性能的全新挑战。本文将深入探讨AI测试平台中自动化评分与多模型对比评测的关键技术与实践方法,为测试工程师提供可落地的解决方案。
|
人工智能 运维 NoSQL
云栖大会|AI浪潮下的NoSQL演进:下一代数据库的破局之道
AI浪潮下的NoSQL演进:下一代数据库的破局之道
|
人工智能 Cloud Native 关系型数据库
云栖重磅|瑶池数据库:从云原生数据底座向“AI就绪”的多模态数据底座演进
瑶池数据库:从云原生数据底座向“AI就绪”的多模态数据底座演进
|
人工智能 自然语言处理 JavaScript
Playwright MCP在UI回归测试中的实战:构建AI自主测试智能体
Playwright MCP结合AI智能体,革新UI回归测试:通过自然语言驱动浏览器操作,降低脚本编写门槛,提升测试效率与覆盖范围。借助快照解析、智能定位与Jira等工具集成,实现从需求描述到自动化执行的闭环,推动测试迈向智能化、民主化新阶段。