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 :

Diviser	Exemples
'A'	1 362
'B'	1 194
'MARK'	420
'test'	438
'train'	2 556
'validation'	278

• 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 :

Fonctionnalité	Classe	Forme	Type D	Description
	FonctionnalitésDict
c'est	FonctionnalitésDict
das/dB	Tenseur	(Aucun,)	flotteur32
jour/image	Tenseur	(Aucun,)	flotteur32
das/réel	Tenseur	(Aucun,)	flotteur32
dtce	Tenseur	(Aucun,)	flotteur32
f0_hz	Tenseur		flotteur32
angle_final	Tenseur		flotteur32
rayon_final	Tenseur		flotteur32
focus_cm	Tenseur		flotteur32
harmonique	Tenseur		bouffon
hauteur	Tenseur		uint32
angle_initial	Tenseur		flotteur32
rayon_initial	Tenseur		flotteur32
sonde	Tenseur		chaîne
scanner	Tenseur		chaîne
cible	Tenseur		chaîne
horodatage_id	Tenseur		uint32
tension	Tenseur		flotteur32
largeur	Tenseur		uint32

• 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}
}