با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
توضیحات :
CheXpert مجموعه داده بزرگی از اشعه ایکس قفسه سینه و رقابت برای تفسیر خودکار اشعه ایکس قفسه سینه است که دارای برچسب های عدم قطعیت و مجموعه های ارزیابی استاندارد مرجع با برچسب رادیولوژیست است. این شامل 224316 رادیوگرافی قفسه سینه از 65240 بیمار است که در آن معاینات رادیوگرافی قفسه سینه و گزارش های رادیولوژی مرتبط به صورت گذشته نگر از بیمارستان استنفورد جمع آوری شد. هر گزارش برای حضور 14 مشاهدات مثبت، منفی یا نامشخص برچسب گذاری شد. ما در مورد 14 مشاهده بر اساس شیوع در گزارش ها و ارتباط بالینی تصمیم گرفتیم.
مجموعه داده CheXpert باید پس از مطالعه و موافقت با توافقنامه استفاده تحقیقاتی به طور جداگانه دانلود شود. برای انجام این کار، لطفا دستورالعمل های موجود در وب سایت، https://stanfordmlgroup.github.io/competitions/chexpert/ را دنبال کنید.
دستورالعمل‌های دانلود دستی : این مجموعه داده از شما می‌خواهد که داده‌های منبع را به صورت دستی در download_config.manual_dir (پیش‌فرض به ~/tensorflow_datasets/downloads/manual/ ): شما باید ثبت نام کنید و با توافق کاربر در صفحه مجموعه داده موافقت کنید: https://stanfordmlgroup.github.io/competitions/chexpert/ پس از آن، باید دایرکتوری CheXpert-v1.0-small را در manual_dir قرار دهید. این باید شامل زیر شاخه‌هایی باشد: train/ و valid/ با تصاویر و همچنین فایل‌های train.csv و valid.csv.
@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}
}
تاریخ آخرین بهروزرسانی 2022-12-06 بهوقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین بهروزرسانی 2022-12-06 بهوقت ساعت هماهنگ جهانی."],[],[],null,["# chexpert\n\n\u003cbr /\u003e\n\n| **Warning:** Manual download required. See instructions below.\n\n- **Description**:\n\nCheXpert is a large dataset of chest X-rays and competition for automated chest\nx-ray interpretation, which features uncertainty labels and radiologist-labeled\nreference standard evaluation sets. It consists of 224,316 chest radiographs of\n65,240 patients, where the chest radiographic examinations and the associated\nradiology reports were retrospectively collected from Stanford Hospital. Each\nreport was labeled for the presence of 14 observations as positive, negative, or\nuncertain. We decided on the 14 observations based on the prevalence in the\nreports and clinical relevance.\n\nThe CheXpert dataset must be downloaded separately after reading and agreeing to\na Research Use Agreement. To do so, please follow the instructions on the\nwebsite, \u003chttps://stanfordmlgroup.github.io/competitions/chexpert/\u003e\n\n- **Additional Documentation** :\n [Explore on Papers With Code\n north_east](https://paperswithcode.com/dataset/chexpert)\n\n- **Homepage** :\n \u003chttps://stanfordmlgroup.github.io/competitions/chexpert/\u003e\n\n- **Source code** :\n [`tfds.image_classification.Chexpert`](https://github.com/tensorflow/datasets/tree/master/tensorflow_datasets/image_classification/chexpert.py)\n\n- **Versions**:\n\n - **`3.1.0`** (default): No release notes.\n- **Download size** : `Unknown size`\n\n- **Dataset size** : `Unknown size`\n\n- **Manual download instructions** : This dataset requires you to\n download the source data manually into `download_config.manual_dir`\n (defaults to `~/tensorflow_datasets/downloads/manual/`): \n\n You must register and agree to user agreement on the dataset page:\n \u003chttps://stanfordmlgroup.github.io/competitions/chexpert/\u003e\n Afterwards, you have to put the CheXpert-v1.0-small directory in the\n manual_dir. It should contain subdirectories: train/ and valid/ with images\n and also train.csv and valid.csv files.\n\n- **Auto-cached**\n ([documentation](https://www.tensorflow.org/datasets/performances#auto-caching)):\n Unknown\n\n- **Splits**:\n\n| Split | Examples |\n|-------|----------|\n\n- **Feature structure**:\n\n FeaturesDict({\n 'image': Image(shape=(None, None, 3), dtype=uint8),\n 'image_view': ClassLabel(shape=(), dtype=int64, num_classes=2),\n 'label': Sequence(ClassLabel(shape=(), dtype=int64, num_classes=4)),\n 'name': Text(shape=(), dtype=string),\n })\n\n- **Feature documentation**:\n\n| Feature | Class | Shape | Dtype | Description |\n|------------|----------------------|-----------------|--------|-------------|\n| | FeaturesDict | | | |\n| image | Image | (None, None, 3) | uint8 | |\n| image_view | ClassLabel | | int64 | |\n| label | Sequence(ClassLabel) | (None,) | int64 | |\n| name | Text | | string | |\n\n- **Supervised keys** (See\n [`as_supervised` doc](https://www.tensorflow.org/datasets/api_docs/python/tfds/load#args)):\n `('image', 'label')`\n\n- **Figure**\n ([tfds.show_examples](https://www.tensorflow.org/datasets/api_docs/python/tfds/visualization/show_examples)):\n Not supported.\n\n- **Examples**\n ([tfds.as_dataframe](https://www.tensorflow.org/datasets/api_docs/python/tfds/as_dataframe)):\n Missing.\n\n- **Citation**:\n\n @article{DBLP:journals/corr/abs-1901-07031,\n 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},\n title = {CheXpert: {A} Large Chest Radiograph Dataset with Uncertainty Labels and Expert Comparison},\n journal = {CoRR},\n volume = {abs/1901.07031},\n year = {2019},\n url = {http://arxiv.org/abs/1901.07031},\n archivePrefix = {arXiv},\n eprint = {1901.07031},\n timestamp = {Fri, 01 Feb 2019 13:39:59 +0100},\n biburl = {https://dblp.org/rec/bib/journals/corr/abs-1901-07031},\n bibsource = {dblp computer science bibliography, https://dblp.org}\n }"]]
