RSNA

最新推荐文章于 2024-06-28 00:02:58 发布
转载 最新推荐文章于 2024-06-28 00:02:58 发布 · 1k 阅读 · 0
文章标签：

#rsna #医学图像

RSNA
　　RSNA：全名 Radiological Society Of North America 北美放射学会
展会介绍:
北美放射学会（Radiological Society of North America, RSNA）是由美国和加拿大两国联合组建的地区性放射学学术团体，成立于1915年，今年是第92届，开始称西方伦琴学会（Western Roentgen Society），1919年改为RSNA。RSNA是国际上成立早、会员多、科学水平高、学术活动活跃的学会，会员主要在美国和加拿大，分为会员、准会员和荣誉会员等。国际会员分布在欧洲、亚洲和大洋洲的多个国家和地区，分为会员和荣誉会员。 
RSNA的目标是通过教育和研究活动促进放射学和相关科学的高水平发展。RSNA为放射学者和保健学家提供继续教育计划和高质量的学习材料，并不断地改进这些教育活动的内容。RSNA致力于放射学各方面和相关学科的研究，包括促进健康检查的基础临床医学研究，并鼓励放射学家之间的交流合作以及其会员同其他医学分支及专业保健人员之间的交流等。
全名：Radiological Society of North America 北美放射学会
RSNA Intracranial Hemorrhage Detection的discussion整理
微电子学与固体电子学-俞驰
10-11 1538
＃－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－ 这个比赛，kaggle notebook中使用命令查看数据集大小： !du -h --max-depth=1 /kaggle/input/rsna-intracranial-hemorrhage-detection 39G /kaggle/input/rsna-intracranial-hemorrhag...
3D打印前沿进展与技术分享—— 2016 RSNA 收获分享（上）
医影杂记
02-10 535
本PPT主要目的为记录、整理和分享RSNA 2016参会过程中3D打印学习的收获。 包含了大量会议讲座PPT现场拍照，向所有的讲座专家致以敬意。同时，未能取得他们的分享授权，也致以歉意。
【亲测免费】 探索医学影像的未来：RSNA脑内出血检测项目
gitblog_00039的博客
06-07 521
探索医学影像的未来：RSNA脑内出血检测项目 在这个数字化的时代，医疗图像识别技术正以惊人的速度发展。RSNA Intracranial Hemorrhage Detection 是一个在Kaggle上举办的竞赛项目，它不仅仅是一个比赛，更是一个展示深度学习如何用于医学影像诊断的优秀案例。这个项目最终获得了第11名的好成绩，现在，让我们一起深入了解一下它的魅力。 项目介绍 该项目主要目标是通过深度...
RSNA 2024大揭秘：如何精准分类腰椎退行性病变？
斯人若彩虹，遇上方知有！
06-28 1887
RSNA 2024大揭秘：如何精准分类腰椎退行性病变？从数据开始了解整个分类过程！！！
kaggle 入门系列翻译（四） RSNA 肺炎预测
liutianheng654的博客
10-08 2280
https://github.com/mdai/ml-lessons/blob/master/lesson3-rsna-pneumonia-detection-kaggle.ipynb 上述是官方提供的一个教学，点进去之后共有四个章节，本文先翻译第一个章节： 针对使用深度学习进行医疗图像识别 第一课：胸部和腹部x光的分类 这是对用于医学图像分类的实用机器学习的高级介绍。本教程的目标是建立一...
RSNA Pneumonia（RSNA肺炎）yolov8格式数据集，该数据集包含5950个训练数据，662个测试数据
03-03
RSNA Pneumonia（RSNA肺炎）yolov8格式数据集，该数据集包含5950个训练数据，662个测试数据 RSNA Pneumonia Detection Challenge数据集是一个用于肺炎检测挑战的数据集，它包含了胸部X光图像以及相应的标签，用于...
RSNA肺炎检测数据集VOC+YOLO格式6012张1类别.7z
05-28
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：6012 标注数量(xml文件个数)：6012 标注数量(txt文件个数)：...
RSNA-Pneumonia-Detection-Challenge:目的是预测与肺炎相关的肺部混浊以及胸部X线照片中的边界框。 目的是检测是否对患有肺炎的肺进行分类，并丢弃其他种类的不透明物，例如由液体，细菌，肺癌等引起的不透明物。可以应用各种算法，但是我们继续使用YOLO事实证明这是最好的。 我们从https那里获得了大部分帮助
03-30
RSNA（Radiological Society of North America）肺炎检测挑战是一个旨在利用人工智能技术自动识别胸部X光片中的肺炎症状的竞赛。该挑战的核心任务是预测肺部的混浊区域，即肺炎可能存在的区域，并精确地标记出边界框...
医学影像数据集 RSNA 国际COVID-19开放放射学数据库 (RICORD) 版本（MIDRC-RICORD-1b）
04-26
北美放射学会 (RSNA) 组建了RSNA 国际 COVID-19 开放放射学数据库 (RICORD)，该数据库是与 COVID-19 相关的影像数据集和专家注释的集合，以支持研究和教育。RICORD 数据集免费提供给研究界，并将被纳入医学成像和...
RSNA2019人工智能影像学.pdf
07-10
在RSNA 2019年会上，有关人工智能的研究报告被按照不同的部位和疾病类型分类总结，展示了一些最新研究成果和技术应用。这些研究通过深度学习技术，例如卷积神经网络（CNN），来进行图像分割和特征提取，以提高医学...
kaggle新赛：RSNA 2023 腹部创伤检测大赛赛题解析（CV）
学姐带你玩AI的博客
07-29 796
腹部钝力创伤是最常见的创伤性损伤类型之一，最常见的原因是机动车事故。来自数十台不同CT机器的扫描已经过重新处理，以使用运行长度编码无损压缩格式，但保留了其他差异，例如每像素的位数，像素范围和像素表示。为此目的开发先进的算法有可能改善全球的创伤护理和患者预后。本次比赛的目标是在创伤患者的CT扫描中识别几种潜在的伤害。请注意，标记为健康的患者可能仍有其他医疗问题，例如癌症或骨折，这些问题恰好不在竞争标签的涵盖范围内。对于测试集中的每个患者 ID，参赛者必须预测每种不同可能的损伤类型和程度的概率。
RSNA Intracranial Hemorrhage Detection的EDA整理
微电子学与固体电子学-俞驰
10-08 912
EDA链接 解读说明或者解读链接 Public Score EDA: View dicom images with correct windowing CT流程与CT图像的windowing操作(转载＋整理) EDA - DICOM tags & windowing head CTs 单纯统计数据，没啥用 但是有个新的windowi...
kaggle竞赛RSNA Screening Mammography Breast Cancer Detection
weixin_59505571的博客
06-22 1014
本次竞赛为2023年初的一场kaggle竞赛，最终成绩铜牌。
RSNA Intracranial Hemorrhage Detection有提交结果的kernel简要分析和汇总
微电子学与固体电子学-俞驰
10-08 1137
Kernel名称 模型 得分 See like a Radiologist with Systematic Windowing Pytorch ResNeXt 32x8d CenterCrop ResNext 0.084 Pytorch ResNeXt 32x8d 50/50% target data ResNext 0.0...
超越影像——RSNA 2016参展随感 (三.完结）
医影杂记
01-07 1131
而今年RSNA上，大家讨论最多的却是”解构PACS (Deconstructing PACS)”。一批中小规模软件厂商，还有一些老牌的三维可视化软件厂商，都以解构PACS作为宣传口号，推出了自己的特色软件产品。解构PACS具体的含义指什么？一般认为，解构PACS的核心目标是消除不同影像信息管理系统之间的隔阂。例如，打破放射PACS、心血管PACS和超声PACS系统之间的数据壁垒，将不同系统的数据统一、集中存放在一个系统中。解构PACS的意义在哪里？给医生和患者带来的最直接益处之一，是能够将以患者为中心的影像
kaggle 入门系列翻译（三） RSNA 肺炎预测
liutianheng654的博客
10-02 5200
https://www.kaggle.com/peterchang77/exploratory-data-analysis 概述   比赛主要用来识别二维高分辨率图像的胸片中是否存在肺炎的区域。肺炎只是导致胸片显示出问题的一种可能，且每幅图可能有数个肺炎区域或没有肺炎区域。 文章由一个放射科医师和机器学习双重专家编写，介绍该数据集的底层结构、成像结构和标签类型 首先导入依赖库： im...
【Challenge笔记】RSNA Intracranial Hemorrhage Detection
JMU_Ma的博客
05-30 1630
文章目录摘要比赛信息思路思路一总览数据预处理方法总结思路二 摘要 RSNA Intracranial Hemorrhage Detection，这个比赛输入目前相对其他CV赛题来讲较为少见，是一个纯分类问题。在目前的CV赛题/Paper主要攻克的方向是检测+分类。单纯的分类的问题较为少见。（当然这也只是我的一家只见），初步想到这里最开始学CV的时候的LetNet-5这个相对来讲比较简单的模型。 比赛信息 Challenge地址：https://www.kaggle.com/c/rsna-intracran
各国际会议的影响因子
lcj_cjfykx的专栏
02-13 5863
from: http://blog.sina.com.cn/s/blog_48a6fe080100c26f.html     转自：http://citeseer.ist.psu.edu/impact.html 这个是citeseer排的影响因子，包括conferences & journals Estimated impact of publication venu
聊聊RSNA2017上的机器学习
医影杂记
12-27 1039
今年RSNA新增加了“机器学习”，作为大会16个细分主题之一。放射医生对于机器有智能，能够分析影像，给出结论或建议，早已习以为常；让放射医生惊讶的是，从2015年开始，机器突然自己会学习了，这个就厉害了；而大多数放射医生其实并不关心，也不太容易搞明白，机器是用“深度神经网络”还是其他什么模型来学习的。
RSNA 骨龄
最新发布
06-03
<think>好的，用户现在想了解RSNA骨龄相关的项目或数据集，特别是与医学影像分析和深度学习模型训练有关的内容。首先，我需要回顾之前的对话和系统提供的引用，看看有没有相关的信息。在引用[1]里提到RSNA BoneAge骨龄预测数据集，用户可能已经注意到这个数据集，所以需要详细展开。接下来，我应该先确认用户的需求是什么。他们可能对数据集的结构、应用场景、已有的研究成果以及如何访问和使用数据集感兴趣。根据引用[1]，数据集地址包括百度AIStudio和Kaggle，可能需要提供这两个平台的链接，方便用户访问。另外，用户可能想知道数据的具体内容，比如X光图像的数量、标注信息、年龄分布等，这些信息对训练深度学习模型很重要。然后，结合引用[3]，其中提到YOLOv5在骨骼检测中的应用，但骨龄预测可能更多使用回归或分类模型，比如ResNet、DenseNet或者CNN结合骨龄回归。需要解释数据预处理的方法，比如图像标准化、关键点检测（如手腕区域），以及评估指标，比如MAE。用户可能还想知道数据集的挑战，比如不同种族、性别的差异，这对模型泛化能力的影响。此外，相关的项目或比赛信息也很重要，比如RSNA举办的比赛，可以引导用户参考优胜方案，学习最佳实践。 还需要考虑用户是否有实际应用的需求，比如医学诊断或学术研究，因此提供应用场景和实际意义会帮助用户理解数据集的价值。同时，确保回答结构清晰，分点说明数据集概况、应用场景、技术要点和相关资源，方便用户逐步理解。最后，生成的相关问题需要覆盖数据集的获取、预处理、模型选择、挑战和实际应用，确保用户能进一步探索他们感兴趣的方面。检查引用标记是否正确，确保所有引用来自提供的资料，特别是引用[1]和引用[3]中的相关信息。</think>### RSNA骨龄数据集与医学影像分析 RSNA骨龄数据集（RSNA Bone Age Dataset）是医学影像分析领域的重要资源，专注于通过手部X光图像预测儿童骨龄，广泛应用于儿科发育评估和内分泌疾病诊断[^1]。 #### 数据集概况 - **数据来源**：由北美放射学会（RSNA）联合多家医院收集，包含手部X光图像及对应骨龄标注。 - **数据量**：约12,600张匿名儿童手部X射线图像（年龄范围0-18岁）[^1]。 - **标注信息**： - 骨龄（以月为单位） - 性别（男性/女性） - 拍摄部位（左手/右手） - **数据格式**：DICOM原始医学影像文件+CSV标注文件[^1] #### 应用场景 1. **儿科发育评估**：通过骨龄与实际年龄的差异诊断生长异常 2. **内分泌疾病筛查**：如甲状腺功能减退、性早熟等 3. **司法骨龄鉴定**：法律年龄争议案件中的生物学年龄判定 4. **运动员选材**：青少年运动员发育潜力评估 #### 深度学习技术要点 1. **模型架构**： - 基础模型：ResNet、DenseNet、Inception等CNN网络 - 改进方案：U-Net结合关键区域检测（如手腕骨化中心） - 最新进展：Vision Transformer（ViT）与混合架构[^3] 2. **关键预处理步骤**： ```python # 示例预处理流程 def preprocess_dicom(img_path): # DICOM像素值转换 ds = pydicom.dcmread(img_path) img = ds.pixel_array.astype(float) img = (img - img.min()) / (img.max() - img.min()) * 255 # 手腕区域检测 roi = detect_roi(img) # 使用YOLOv5定位关键区域[^3] return cv2.resize(roi, (224,224)) ``` 3. **评估指标**： - 平均绝对误差（MAE）：主流评估指标，优秀模型可达4-6个月误差 - 对称平均绝对百分比误差（sMAPE） - Bland-Altman分析（医学统计一致性检验） #### 相关资源 - **官方数据地址**： - [Kaggle版本](https://www.kaggle.com/datasets/kmader/rsna-bone-age) - [百度AI Studio镜像](https://aistudio.baidu.com/datasetdetail/36300) - **参考项目**： - 2017 RSNA骨龄挑战赛优胜方案（集成多模型+关键区域注意力） - [BoneAgeNet](https://github.com/zhanglab-aim/BoneAgeNet)开源项目 #### 挑战与解决方案 | 挑战 | 解决方案 | |-------|----------| | 性别差异 | 分性别训练模型或添加性别嵌入 | | 种族差异 | 多中心数据集增强（如结合中国骨龄数据集）| | 图像质量 | GAN-based数据增强 | | 标注主观性 | 多专家标注+模糊逻辑处理 |
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值