Chest X-ray Masks and Labels
Radiographies thoraciques accompagnées de masques de segmentation pulmonaires, utiles pour des tâches comme la détection de pathologies ou l’adaptation de domaine.
2403 fichiers, radiographies en DICOM + masques en PNG
CC0: Public Domain
Description
Ce dataset fournit un ensemble d’images médicales composé de radiographies thoraciques et de masques de segmentation associés. Les images proviennent de plusieurs hôpitaux et institutions de santé, avec une variété de pathologies pulmonaires représentées, notamment la tuberculose. Certains masques peuvent être manquants, ce qui invite à une vérification manuelle ou à l’enrichissement du dataset.
À quoi sert ce dataset ?
- Entraîner des modèles de segmentation pulmonaire sur radiographies médicales
- Développer des classifieurs pour détecter la tuberculose ou d'autres anomalies pulmonaires
- Évaluer la robustesse des modèles sur des images issues de différentes sources cliniques
Peut-on l’enrichir ou l’améliorer ?
Oui, il est possible de compléter les masques manquants, d’annoter davantage les anomalies visibles ou encore d’adapter les images pour des scénarios multilingues. Des améliorations comme l’alignement automatique, la normalisation d’intensité ou l’augmentation des données sont pertinentes ici.
🔎 En résumé
🧠 Recommandé pour
- Chercheurs en imagerie médicale
- Projets de segmentation pulmonaire
- Adaptation de domaine médicale
🔧 Outils compatibles
- MONAI
- PyTorch
- MedPy
- ITK-SNAP
- Keras
💡 Astuce
Pour améliorer les résultats, utilisez des techniques d’augmentation spécifiques à l’imagerie radiologique comme l’inversion de contraste ou le flou gaussien.
Questions fréquemment posées
Est-ce que les masques sont complets pour chaque radiographie ?
Non, certaines radiographies n’ont pas de masque associé. Il est conseillé de vérifier manuellement ou de compléter avec vos propres annotations.
Peut-on utiliser ce dataset pour entraîner un modèle de diagnostic automatique ?
Oui, dans un cadre de recherche uniquement. Il ne doit pas être utilisé à des fins cliniques sans validation médicale réglementée.
Les images sont-elles anonymisées et prêtes à l’emploi ?
Oui, toutes les images sont dé-identifiées et fournies dans un format DICOM adapté aux traitements en deep learning.
