chexpert

  • Descriptif :

CheXpert est un vaste ensemble de données sur les radiographies pulmonaires et la concurrence pour l'interprétation automatisée des radiographies pulmonaires, qui comprend des étiquettes d'incertitude et des ensembles d'évaluation standard de référence marqués par des radiologues. Il se compose de 224 316 radiographies thoraciques de 65 240 patients, où les examens radiographiques thoraciques et les rapports de radiologie associés ont été collectés rétrospectivement à l'hôpital de Stanford. Chaque rapport a été étiqueté pour la présence de 14 observations comme positives, négatives ou incertaines. Nous avons retenu les 14 observations sur la base de la prévalence dans les rapports et de la pertinence clinique.

L'ensemble de données CheXpert doit être téléchargé séparément après avoir lu et accepté un accord d'utilisation de la recherche. Pour ce faire, veuillez suivre les instructions sur le site Web, https://stanfordmlgroup.github.io/competitions/chexpert/

  • Documentation complémentaire : Explorer sur Papers With Code

  • Page d'accueil : https://stanfordmlgroup.github.io/competitions/chexpert/

  • Code source : tfds.image_classification.Chexpert

  • Versions :

    • 3.1.0 (par défaut) : aucune note de version.

  • Taille du téléchargement : Unknown size

  • Taille du jeu de données : Unknown size

  • Instructions de téléchargement manuel : cet ensemble de données nécessite que vous téléchargiez manuellement les données source dans download_config.manual_dir (par défaut, ~/tensorflow_datasets/downloads/manual/ ) :
    Vous devez vous inscrire et accepter l'accord d'utilisation sur la page de l'ensemble de données : https://stanfordmlgroup.github.io/competitions/chexpert/ Ensuite, vous devez mettre le répertoire CheXpert-v1.0-small dans le manual_dir. Il doit contenir des sous-répertoires : train/ et valid/ avec des images, ainsi que les fichiers train.csv et valid.csv.

  • Mise en cache automatique ( documentation ): Inconnu

  • Fractionnements :

Diviser Exemples
  • Structure des fonctionnalités :
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),
})
  • Documentation des fonctionnalités :
Caractéristique Classer Forme Dtype La description
FonctionnalitésDict
image Image (Aucun, Aucun, 3) uint8
image_view Étiquette de classe int64
étiquette Séquence(ClassLabel) (Aucun,) int64
Nom Texte chaîne de caractères
@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}
}