Aprenda o que há de mais recente em aprendizado de máquina, IA generativa e muito mais no WiML Symposium 2023 Registre-se

Esta página foi traduzida pela API Cloud Translation.

chexpert

Descrição :

CheXpert é um grande conjunto de dados de radiografias de tórax e competição para interpretação automatizada de radiografia de tórax, que apresenta rótulos de incerteza e conjuntos de avaliação padrão de referência rotulados por radiologistas. Consiste em 224.316 radiografias de tórax de 65.240 pacientes, onde os exames radiográficos de tórax e os relatórios radiológicos associados foram coletados retrospectivamente no Stanford Hospital. Cada relatório foi rotulado para a presença de 14 observações como positivas, negativas ou incertas. Decidimos as 14 observações com base na prevalência nos relatórios e na relevância clínica.

O conjunto de dados CheXpert deve ser baixado separadamente depois de ler e concordar com um Acordo de Uso de Pesquisa. Para fazer isso, siga as instruções no site, https://stanfordmlgroup.github.io/competitions/chexpert/

Documentação Adicional : Explore em Papers With Code
Página inicial : https://stanfordmlgroup.github.io/competitions/chexpert/
Código -fonte: tfds.image_classification.Chexpert
Versões :
- 3.1.0 (padrão): Sem notas de versão.
Tamanho do download : Unknown size
Tamanho do conjunto de dados : Unknown size
Instruções de download manual : este conjunto de dados exige que você baixe os dados de origem manualmente em download_config.manual_dir (o padrão é ~/tensorflow_datasets/downloads/manual/ ):
Você deve se registrar e concordar com o contrato do usuário na página do conjunto de dados: https://stanfordmlgroup.github.io/competitions/chexpert/ Depois, você deve colocar o diretório CheXpert-v1.0-small no manual_dir. Deve conter subdiretórios: train/ e valid/ com imagens e também os arquivos train.csv e valid.csv.
Armazenado em cache automaticamente ( documentação ): Desconhecido
Divisões :

Dividir	Exemplos

Estrutura de recursos :

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),
})

Documentação do recurso:

Característica	Classe	Forma	Tipo D
	RecursosDict
imagem	Imagem	(Nenhuma, Nenhuma, 3)	uint8
image_view	ClassLabel		int64
etiqueta	Sequência(ClassLabel)	(Nenhum,)	int64
nome	Texto		corda

Chaves supervisionadas (Consulte as_supervised doc ): ('image', 'label')
Figura ( tfds.show_examples ): Não compatível.
Exemplos ( tfds.as_dataframe ): Ausente.
Citação :

@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}
}