Conozca lo último en aprendizaje automático, IA generativa y más en el Simposio WiML 2023.

Se usó la API de Cloud Translation para traducir esta página.

experto

Descripción :

CheXpert es un gran conjunto de datos de radiografías de tórax y competencia para la interpretación automatizada de radiografías de tórax, que presenta etiquetas de incertidumbre y conjuntos de evaluación estándar de referencia etiquetados por radiólogos. Consta de 224 316 radiografías de tórax de 65 240 pacientes, donde los exámenes radiográficos de tórax y los informes radiológicos asociados se recopilaron retrospectivamente del Stanford Hospital. Cada informe fue etiquetado por la presencia de 14 observaciones como positivo, negativo o incierto. Decidimos las 14 observaciones en función de la prevalencia en los informes y la relevancia clínica.

El conjunto de datos de CheXpert debe descargarse por separado después de leer y aceptar un Acuerdo de uso de investigación. Para hacerlo, siga las instrucciones del sitio web, https://stanfordmlgroup.github.io/competitions/chexpert/

Documentación adicional : Explore en Papers With Code
Página de inicio: https://stanfordmlgroup.github.io/competitions/chexpert/
Código fuente : tfds.image_classification.Chexpert
Versiones :
- 3.1.0 (predeterminado): Sin notas de la versión.
Tamaño de descarga : Unknown size
Tamaño del conjunto de datos : Unknown size
Instrucciones de descarga manual : este conjunto de datos requiere que descargue los datos de origen manualmente en download_config.manual_dir (el valor predeterminado es ~/tensorflow_datasets/downloads/manual/ ):
Debe registrarse y aceptar el acuerdo de usuario en la página del conjunto de datos: https://stanfordmlgroup.github.io/competitions/chexpert/ Luego, debe colocar el directorio CheXpert-v1.0-small en manual_dir. Debe contener subdirectorios: train/ y valid/ con imágenes y también archivos train.csv y valid.csv.
Auto-caché ( documentación ): Desconocido
Divisiones :

Separar	Ejemplos

Estructura de características :

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),
})

Documentación de características :

Rasgo	Clase	Forma	Tipo D
	CaracterísticasDict
imagen	Imagen	(Ninguno, Ninguno, 3)	uint8
imagen_vista	Etiqueta de clase		int64
etiqueta	Secuencia (Etiqueta de clase)	(Ninguna,)	int64
nombre	Texto		cuerda

Claves supervisadas (Ver as_supervised ): ('image', 'label')
Figura ( tfds.show_examples ): no compatible.
Ejemplos ( tfds.as_dataframe ): Falta.
Cita :

@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}
}