CheXpert：一个带有不确定性标签与专家对比的大型胸部 X 射线数据集
计算机视觉与模式识别
2019-01-23 v1 人工智能
机器学习
图像与视频处理
摘要
大规模带标签的数据集已推动深度学习方法在各种医学影像任务上达到专家级表现。我们提出 CheXpert，一个包含 65,240 名患者的 224,316 张胸部 X 射线影像的大型数据集。我们设计了一个标注器，用于自动检测放射学报告中 14 种征象的存在与否，捕捉 X 射线解读中固有的不确定性。我们研究了利用不确定性标签训练卷积神经网络的不同方法，这些网络在给定可用正位和侧位 X 射线时输出这些征象的概率。在一个由 3 名获委员会认证的放射科医生手动标注的 200 项胸部放射学研究的验证集上，我们发现不同的不确定性处理方法对不同病变有用。随后我们在一个由 5 名获委员会认证的放射科医生共识标注的 500 项胸部放射学研究组成的测试集上评估我们的最佳模型，并将模型在 5 种选定病变检测上的表现与另外 3 名放射科医生进行比较。在心脏肥大、水肿和胸腔积液上，模型的 ROC 与 PR 曲线位于所有 3 名放射科医生操作点之上。我们向公众发布该数据集，作为评估胸部 X 射线解读模型性能的标准基准。数据集可在 https://stanfordmlgroup.github.io/competitions/chexpert 免费获取。
引用
@article{arxiv.1901.07031,
title = {CheXpert: A Large Chest Radiograph Dataset with Uncertainty Labels and Expert Comparison},
author = {Jeremy Irvin and Pranav Rajpurkar and Michael Ko and Yifan Yu and Silviana Ciurea-Ilcus and Chris Chute and Henrik Marklund and Behzad Haghgoo and Robyn Ball and Katie Shpanskaya and Jayne Seekins and David A. Mong and Safwan S. Halabi and Jesse K. Sandberg and Ricky Jones and David B. Larson and Curtis P. Langlotz and Bhavik N. Patel and Matthew P. Lungren and Andrew Y. Ng},
journal= {arXiv preprint arXiv:1901.07031},
year = {2019}
}
备注
Published in AAAI 2019