Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2506.02738

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2506.02738 (cs)
[提交于 2025年6月3日 (v1) ,最后修订 2025年6月4日 (此版本, v2)]

标题: Open-PMC-18M:用于多模态表示学习的高保真大规模医学数据集

标题: Open-PMC-18M: A High-Fidelity Large Scale Medical Dataset for Multimodal Representation Learning

Authors:Negin Baghbanzadeh, Sajad Ashkezari, Elham Dolatabadi, Arash Afkanpour
摘要: 复合图形(由多个子图组成的多面板合成图)在生物医学文献中无处不在,但大规模子图提取仍未得到充分解决。 以往关于子图提取的工作在数据集规模和通用性方面都受到限制,留下了一个关键的开放问题:通过大规模子图提取实现的高保真图像-文本对齐如何影响视觉语言模型的表征学习? 我们通过引入一个基于Transformer对象检测的可扩展子图提取管道解决了这一差距,该管道在由50万张复合图形组成的合成语料库上进行训练,并在ImageCLEF 2016和合成基准测试中取得了最先进的性能。 利用这个管道,我们发布了OPEN-PMC-18M,这是一个大规模高质量的生物医学视觉语言数据集,包含1800万个与临床相关的子图-标题对,涵盖放射学、显微镜和可见光摄影。 我们在精心策划的数据集上训练和评估了视觉语言模型,在检索、零样本分类和鲁棒性基准测试中表现出改进的性能,超过了现有的基线。 我们发布我们的数据集、模型和代码,以支持可重复的基准测试和进一步研究生物医学视觉语言建模和表征学习。
摘要: Compound figures, which are multi-panel composites containing diverse subfigures, are ubiquitous in biomedical literature, yet large-scale subfigure extraction remains largely unaddressed. Prior work on subfigure extraction has been limited in both dataset size and generalizability, leaving a critical open question: How does high-fidelity image-text alignment via large-scale subfigure extraction impact representation learning in vision-language models? We address this gap by introducing a scalable subfigure extraction pipeline based on transformer-based object detection, trained on a synthetic corpus of 500,000 compound figures, and achieving state-of-the-art performance on both ImageCLEF 2016 and synthetic benchmarks. Using this pipeline, we release OPEN-PMC-18M, a large-scale high quality biomedical vision-language dataset comprising 18 million clinically relevant subfigure-caption pairs spanning radiology, microscopy, and visible light photography. We train and evaluate vision-language models on our curated datasets and show improved performance across retrieval, zero-shot classification, and robustness benchmarks, outperforming existing baselines. We release our dataset, models, and code to support reproducible benchmarks and further study into biomedical vision-language modeling and representation learning.
评论: 15页
主题: 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2506.02738 [cs.CV]
  (或者 arXiv:2506.02738v2 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2506.02738
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Negin Baghbanzadeh [查看电子邮件]
[v1] 星期二, 2025 年 6 月 3 日 10:53:19 UTC (3,385 KB)
[v2] 星期三, 2025 年 6 月 4 日 12:14:31 UTC (3,385 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-06
切换浏览方式为:
cs

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号