- Descriptif :
DukeUltrasound est un ensemble de données échographiques collectées à l'Université Duke avec une sonde Verasonics c52v. Il contient des données de formation de faisceaux à retard et somme (DAS) ainsi que des données post-traitées avec Siemens Dynamic TCE pour la réduction du chatoiement, l'amélioration du contraste et l'amélioration de la visibilité des structures anatomiques. Ces données ont été recueillies avec le soutien du National Institute of Biomedical Imaging and Bioengineering sous Grant R01-EB026574 et des National Institutes of Health sous Grant 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 de l'harmonic
de champ booléen.
-
Taille du téléchargement :
12.78 GiB
Taille du jeu de données :
13.79 GiB
Mise en cache automatique ( documentation ): Non
Fractionnements :
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 :
Caractéristique | Classe | Façonner | Dtype | Description |
---|---|---|---|---|
FonctionnalitésDict | ||||
comme | FonctionnalitésDict | |||
das/dB | Tenseur | (Aucun,) | float32 | |
das/image | Tenseur | (Aucun,) | float32 | |
das/réel | Tenseur | (Aucun,) | float32 | |
dtce | Tenseur | (Aucun,) | float32 | |
f0_hz | Tenseur | float32 | ||
angle_final | Tenseur | float32 | ||
rayon_final | Tenseur | float32 | ||
focus_cm | Tenseur | float32 | ||
harmonique | Tenseur | bourdonner | ||
la taille | Tenseur | uint32 | ||
angle_initial | Tenseur | float32 | ||
rayon_initial | Tenseur | float32 | ||
sonde | Tenseur | chaîne de caractères | ||
scanner | Tenseur | chaîne de caractères | ||
cibler | Tenseur | chaîne de caractères | ||
horodatage_id | Tenseur | uint32 | ||
Tension | Tenseur | float32 | ||
largeur | Tenseur | uint32 |
Clés supervisées (Voir
as_supervised
doc ):('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}
}
, - Descriptif :
DukeUltrasound est un ensemble de données échographiques collectées à l'Université Duke avec une sonde Verasonics c52v. Il contient des données de formation de faisceaux à retard et somme (DAS) ainsi que des données post-traitées avec Siemens Dynamic TCE pour la réduction du chatoiement, l'amélioration du contraste et l'amélioration de la visibilité des structures anatomiques. Ces données ont été recueillies avec le soutien du National Institute of Biomedical Imaging and Bioengineering sous Grant R01-EB026574 et des National Institutes of Health sous Grant 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 de l'harmonic
de champ booléen.
-
Taille du téléchargement :
12.78 GiB
Taille du jeu de données :
13.79 GiB
Mise en cache automatique ( documentation ): Non
Fractionnements :
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 :
Caractéristique | Classe | Façonner | Dtype | Description |
---|---|---|---|---|
FonctionnalitésDict | ||||
comme | FonctionnalitésDict | |||
das/dB | Tenseur | (Aucun,) | float32 | |
das/image | Tenseur | (Aucun,) | float32 | |
das/réel | Tenseur | (Aucun,) | float32 | |
dtce | Tenseur | (Aucun,) | float32 | |
f0_hz | Tenseur | float32 | ||
angle_final | Tenseur | float32 | ||
rayon_final | Tenseur | float32 | ||
focus_cm | Tenseur | float32 | ||
harmonique | Tenseur | bourdonner | ||
la taille | Tenseur | uint32 | ||
angle_initial | Tenseur | float32 | ||
rayon_initial | Tenseur | float32 | ||
sonde | Tenseur | chaîne de caractères | ||
scanner | Tenseur | chaîne de caractères | ||
cibler | Tenseur | chaîne de caractères | ||
horodatage_id | Tenseur | uint32 | ||
Tension | Tenseur | float32 | ||
largeur | Tenseur | uint32 |
Clés supervisées (Voir
as_supervised
doc ):('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}
}