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 .

Diviso Esempi
'A' 1.362
'B' 1.194
'MARK' 420
'test' 438
'train' 2.556
'validation' 278
  • 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 :
Caratteristica Classe Forma Tipo D Descrizione
CaratteristicheDict
das CaratteristicheDict
da/dB Tensore (Nessuno,) float32
das/immag Tensore (Nessuno,) float32
das/reale Tensore (Nessuno,) float32
dtce Tensore (Nessuno,) float32
f0_hz Tensore float32
angolo_finale Tensore float32
raggio_finale Tensore float32
messa a fuoco_cm Tensore float32
armonico Tensore bool
altezza Tensore uint32
angolo_iniziale Tensore float32
raggio_iniziale Tensore float32
sonda Tensore corda
scanner Tensore corda
bersaglio Tensore corda
timestamp_id Tensore uint32
voltaggio Tensore float32
larghezza Tensore uint32
  • 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}
}