szperacz

• opis :

CheXpert to duży zbiór danych dotyczących zdjęć rentgenowskich klatki piersiowej i konkursu na zautomatyzowaną interpretację zdjęć rentgenowskich klatki piersiowej, który zawiera etykiety niepewności i zestawy oceny standardów referencyjnych oznaczonych przez radiologów. Składa się z 224 316 radiogramów klatki piersiowej 65 240 pacjentów, na których badania radiologiczne klatki piersiowej i powiązane raporty radiologiczne zostały zebrane retrospektywnie ze szpitala Stanford. Każdy raport został oznaczony na obecność 14 obserwacji jako pozytywne, negatywne lub niepewne. Zdecydowaliśmy się na 14 obserwacji na podstawie częstości występowania w raportach i istotności klinicznej.

Zestaw danych CheXpert należy pobrać oddzielnie po przeczytaniu i wyrażeniu zgody na Umowę o korzystanie z badań. Aby to zrobić, postępuj zgodnie z instrukcjami na stronie internetowej, https://stanfordmlgroup.github.io/competitions/chexpert/

• Dodatkowa dokumentacja : Przeglądaj dokumenty z kodem north_east

• Strona główna : https://stanfordmlgroup.github.io/competitions/chexpert/

• Kod źródłowy : tfds.image_classification.Chexpert

• Wersje :

  • 3.1.0 (domyślnie): Brak informacji o wersji.

• Rozmiar pliku do pobrania : Unknown size

• Rozmiar zbioru danych : Unknown size

• Instrukcje ręcznego pobierania : ten zestaw danych wymaga ręcznego pobrania danych źródłowych do download_config.manual_dir (domyślnie ~/tensorflow_datasets/downloads/manual/ ):
  Musisz zarejestrować się i zaakceptować umowę użytkownika na stronie zestawu danych: https://stanfordmlgroup.github.io/competitions/chexpert/ Następnie musisz umieścić katalog CheXpert-v1.0-small w katalogu manual_dir. Powinien zawierać podkatalogi: train/ i valid/ z obrazkami oraz pliki train.csv i valid.csv.

• Automatyczne buforowanie ( dokumentacja ): Nieznane

• Podziały :

• Struktura funkcji :

FeaturesDict({
    'image': Image(shape=(None, None, 3), dtype=uint8),
    'image_view': ClassLabel(shape=(), dtype=int64, num_classes=2),
    'label': Sequence(ClassLabel(shape=(), dtype=int64, num_classes=4)),
    'name': Text(shape=(), dtype=string),
})

• Dokumentacja funkcji :

• Klucze nadzorowane (zobacz dokument as_supervised ): ('image', 'label')

• Rysunek ( tfds.show_examples ): Nieobsługiwany.

• Przykłady ( tfds.as_dataframe ): Brak.

• Cytat :

@article{DBLP:journals/corr/abs-1901-07031,
  author    = {Jeremy Irvin and Pranav Rajpurkar and Michael Ko and Yifan Yu and Silviana Ciurea{-}Ilcus and Chris Chute and Henrik Marklund and Behzad Haghgoo and Robyn L. Ball and Katie Shpanskaya and Jayne Seekins and David A. Mong and Safwan S. Halabi and Jesse K. Sandberg and Ricky Jones and David B. Larson and Curtis P. Langlotz and Bhavik N. Patel and Matthew P. Lungren and Andrew Y. Ng},
  title     = {CheXpert: {A} Large Chest Radiograph Dataset with Uncertainty Labels and Expert Comparison},
  journal   = {CoRR},
  volume    = {abs/1901.07031},
  year      = {2019},
  url       = {http://arxiv.org/abs/1901.07031},
  archivePrefix = {arXiv},
  eprint    = {1901.07031},
  timestamp = {Fri, 01 Feb 2019 13:39:59 +0100},
  biburl    = {https://dblp.org/rec/bib/journals/corr/abs-1901-07031},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}