duke_ultrasound

  • Mô tả :

DukeUltrasound là tập dữ liệu siêu âm được thu thập tại Đại học Duke bằng đầu dò Verasonics c52v. Nó chứa dữ liệu dạng chùm trễ và tổng (DAS) cũng như dữ liệu được xử lý sau với Siemens Dynamic TCE để giảm đốm, tăng cường độ tương phản và cải thiện độ rõ nét của cấu trúc giải phẫu. Những dữ liệu này được thu thập với sự hỗ trợ từ Viện Kỹ thuật Sinh học và Hình ảnh Y sinh Quốc gia theo Grant R01-EB026574 và Viện Y tế Quốc gia theo Grant 5T32GM007171-44. Một ví dụ sử dụng có sẵn ở đây .

Tách ra Các ví dụ
'A' 1.362
'B' 1.194
'MARK' 420
'test' 438
'train' 2,556
'validation' 278
  • Cấu trúc tính năng :
FeaturesDict({
    'das': FeaturesDict({
        'dB': Tensor(shape=(None,), dtype=tf.float32),
        'imag': Tensor(shape=(None,), dtype=tf.float32),
        'real': Tensor(shape=(None,), dtype=tf.float32),
    }),
    'dtce': Tensor(shape=(None,), dtype=tf.float32),
    'f0_hz': tf.float32,
    'final_angle': tf.float32,
    'final_radius': tf.float32,
    'focus_cm': tf.float32,
    'harmonic': tf.bool,
    'height': tf.uint32,
    'initial_angle': tf.float32,
    'initial_radius': tf.float32,
    'probe': tf.string,
    'scanner': tf.string,
    'target': tf.string,
    'timestamp_id': tf.uint32,
    'voltage': tf.float32,
    'width': tf.uint32,
})
  • Tài liệu tính năng :
Tính năng Lớp Hình dạng Loại Sự miêu tả
Các tính năng
das Các tính năng
das / dB Tensor (Không có,) tf.float32
das / tưởng tượng Tensor (Không có,) tf.float32
das / real Tensor (Không có,) tf.float32
dtce Tensor (Không có,) tf.float32
f0_hz Tensor tf.float32
final_angle Tensor tf.float32
final_radius Tensor tf.float32
focus_cm Tensor tf.float32
điều hòa Tensor tf.bool
chiều cao Tensor tf.uint32
ban đầu Tensor tf.float32
ban đầu Tensor tf.float32
thăm dò Tensor tf.string
máy quét Tensor tf.string
Mục tiêu Tensor tf.string
timestamp_id Tensor tf.uint32
Vôn Tensor tf.float32
chiều rộng Tensor tf.uint32
  • Trích dẫn :
@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}
}