duke_ultrasound

• Descrizione :

DukeUltrasound è un set di dati ecografici raccolto presso la Duke University con una sonda Verasonics c52v. Contiene dati beamformed con ritardo e somma (DAS) nonché dati post-elaborati con Siemens Dynamic TCE per la riduzione delle macchie, l'aumento del contrasto e il miglioramento della visibilità delle strutture anatomiche. Questi dati sono stati raccolti con il supporto del National Institute of Biomedical Imaging and Bioengineering con la sovvenzione R01-EB026574 e del National Institutes of Health con la sovvenzione 5T32GM007171-44. Un esempio di utilizzo è disponibile qui .

• Home page : https://github.com/ouwen/mimicknet

• Codice sorgente : tfds.datasets.duke_ultrasound.Builder

• Versioni :

  • 1.0.0 : versione iniziale.
  • 1.0.1 (predefinito): Corregge l'analisi harmonic del campo booleano.
  • 2.0.0 : corretto timestamp_id da %Y%m%d%H%M%S a timestamp posix.

• Dimensione download : 12.78 GiB

• Dimensione del set di dati : 13.79 GiB

• Memorizzazione nella cache automatica ( documentazione ): No

• Divide :

• Struttura delle caratteristiche :

FeaturesDict({
    'das': FeaturesDict({
        'dB': Tensor(shape=(None,), dtype=float32),
        'imag': Tensor(shape=(None,), dtype=float32),
        'real': Tensor(shape=(None,), dtype=float32),
    }),
    'dtce': Tensor(shape=(None,), dtype=float32),
    'f0_hz': float32,
    'final_angle': float32,
    'final_radius': float32,
    'focus_cm': float32,
    'harmonic': bool,
    'height': uint32,
    'initial_angle': float32,
    'initial_radius': float32,
    'probe': string,
    'scanner': string,
    'target': string,
    'timestamp_id': uint32,
    'voltage': float32,
    'width': uint32,
})

• Documentazione delle funzionalità :

• Chiavi supervisionate (vedi il documento as_supervised ): ('das/dB', 'dtce')

• Figura ( tfds.show_examples ): non supportato.

• Esempi ( tfds.as_dataframe ):

• Citazione :

@article{DBLP:journals/corr/abs-1908-05782,
  author    = {Ouwen Huang and
               Will Long and
               Nick Bottenus and
               Gregg E. Trahey and
               Sina Farsiu and
               Mark L. Palmeri},
  title     = {MimickNet, Matching Clinical Post-Processing Under Realistic Black-Box
               Constraints},
  journal   = {CoRR},
  volume    = {abs/1908.05782},
  year      = {2019},
  url       = {http://arxiv.org/abs/1908.05782},
  archivePrefix = {arXiv},
  eprint    = {1908.05782},
  timestamp = {Mon, 19 Aug 2019 13:21:03 +0200},
  biburl    = {https://dblp.org/rec/bib/journals/corr/abs-1908-05782},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}