Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
PadChest-GR : un ensemble de données radiographiques thoraciques bilingues X pour la génération de rapports de radiologie ancrés
Created by
Haebom
Auteur
Daniel C. Castro, Aurelia Bustos, Shruthi Bannur, Stephanie L. Hyland, Kenza Bouzid, Maria Teodora Wetscherek, Maria Dolores S anchez-Valverde, Lara Jaques-P erez, Lourdes P erez- Rodriguez, Kenji Takeda, Jose Mar ia Salinas, Javier Alvarez-Valle, Joaqu in Galant Herrero, Antonio Pertusa
Contour
PadChest-GR est le premier ensemble de données annotées manuellement conçu pour former des modèles de génération de rapports radiologiques factuels (GRRG) pour les images thoraciques X-line. Il contient 4 555 études thoraciques X-line (3 099 anormales et 1 456 normales) et fournit des listes de phrases décrivant les résultats positifs et négatifs individuels en anglais et en espagnol. Au total, 7 037 phrases de résultats positifs et 3 422 phrases de résultats négatifs sont incluses, et chaque phrase de résultat positif est associée à un maximum de deux ensembles indépendants de cadres de délimitation étiquetés par différents lecteurs, ainsi qu'à des étiquettes catégorielles pour le type, la localisation et la progression de la recherche. Cet ensemble de données constitue une ressource précieuse pour le développement et l'évaluation de modèles GRRG qui comprennent et interprètent les images radiologiques et le texte généré.
Takeaways, Limitations
•
Takeaways:
◦
Fourniture du premier ensemble de données annotées manuellement pour la formation de modèles de génération de rapports de radiologie fondés sur des preuves (GRRG) pour les images de rayons thoraciques X.
◦
Support bilingue en anglais et en espagnol.
◦
Fournit une annotation complète et des informations de localisation précises pour les résultats positifs et négatifs.
◦
Fournit des ressources utiles pour développer et évaluer les modèles GRRG.
•
Limitations:
◦
L’ensemble de données peut être relativement petit (4 555 études).
