duke_ultrasound

• Description :

DukeUltrasound est un ensemble de données échographiques collectées à l'Université Duke avec une sonde Verasonics c52v. Il contient des données formées par faisceau de retard et de somme (DAS) ainsi que des données post-traitées avec Siemens Dynamic TCE pour la réduction des taches, l'amélioration du contraste et l'amélioration de la visibilité des structures anatomiques. Ces données ont été collectées avec le soutien de l'Institut national d'imagerie biomédicale et de bioingénierie sous la subvention R01-EB026574 et des National Institutes of Health sous la subvention 5T32GM007171-44. Un exemple d'utilisation est disponible ici .

• Page d'accueil : https://github.com/ouwen/mimicknet

• Code source : tfds.datasets.duke_ultrasound.Builder

• Versions :

  • 1.0.0 : Version initiale.
  • 1.0.1 (par défaut) : corrige l'analyse des harmonic de champ booléen.
  • 2.0.0 : Correction de l'horodatage_id de %Y%m%d%H%M%S à l'horodatage posix.

• Taille du téléchargement : 12.78 GiB

• Taille de l'ensemble de données : 13.79 GiB

• Mise en cache automatique ( documentation ) : Non

• Divisions :

• Structure des fonctionnalités :

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,
})

• Documentation des fonctionnalités :

• Clés supervisées (Voir doc as_supervised ) : ('das/dB', 'dtce')

• Figure ( tfds.show_examples ) : non pris en charge.

• Exemples ( tfds.as_dataframe ) :

• Citation :

@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}
}