RSNA2018,中国AI新势力

在刚结束的RSNA2018会议上,AI成为焦点,多家中国医疗AI公司如柏视医疗、推想、汇医慧影、依图、深睿、青燕祥云PereDoc等集体亮相,展示了各自在乳腺癌AI、病理图像分析、MR影像等领域的最新成果。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

就在刚刚过去的这个周末,RSNA2018降下帷幕。AI仍然是今年RSNA的会议热点。而今年一个新的突出亮点,则是一批中国医疗AI公司的集体高调亮相RSNA,基本上,目前国内医疗AI赛道的头部公司都参加了本次展会。

关于各AI公司参会的详细内容,各种网络新闻报道都已放出。这里,采用百度搜索,加手工数据合并的方法,做了一张表格,简单综合看一下各家在本次展会上都秀出了哪些肌肉。

不再多说,直接上表格。

一些需要说明的:

  • 统计都是基于网络公开的报告。采用最简单的只要出现“关键字”就算有的方法。也就是说,假如在某篇报道中,某家公司说自己在本次RSNA上展出了某项AI产品,就按照“有”来统计。

  • 关于“病种”,做了一定的合并。但大家可以看出,这里仍然是重复交叉,或界定不准确的地方。例如,有的公司展出了乳腺癌AI,但可能采用乳腺钼靶,也可能采用病理图像,或者MR影像。

  • 上述公司之外,联影、东软等中国企业也参加了本次展会,但主要以展出影像设备为主。这里没有列入统计。

  • 很仓促、随意的一个随手统计,大家也就是随便一看吧。经不起考证。


资料来源网页链接如下,大家有兴趣,可以点击查看更详细信息。

综合https://baijiahao.baidu.com/s?id=1618443099713888721&wfr=spider&for=pc
综合http://www.scbzol.com/content/80145.html
综合https://baijiahao.baidu.com/s?id=1618525308560765487&wfr=spider&for=pc
综合https://baijiahao.baidu.com/s?id=1586026678960651957&wfr=spider&for=pc
柏视医疗https://vcbeat.net/NjUzMDlhMDI1MmJjZThkOTc5NWYzOTk3ZTAxNjE4ZWM%3D
推想http://hebei.ifeng.com/a/20181126/7055436_0.shtml
汇医慧影http://www.chinaz.com/news/mt/2018/1129/964270.shtml
依图http://www.afzhan.com/news/detail/71953.html
深睿http://www.jkb.com.cn/yzyd/2018/1130/443789.html
青燕祥云PereDochttps://xinwen.pconline.com.cn/1204/12040204.html
<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 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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