esperto

• Descrizione :

CheXpert è un ampio set di dati di radiografie del torace e competizione per l'interpretazione automatizzata delle radiografie del torace, che presenta etichette di incertezza e set di valutazione standard di riferimento etichettati dal radiologo. Consiste in 224.316 radiografie del torace di 65.240 pazienti, in cui gli esami radiografici del torace e i referti radiologici associati sono stati raccolti retrospettivamente dallo Stanford Hospital. Ogni rapporto è stato etichettato per la presenza di 14 osservazioni come positive, negative o incerte. Abbiamo deciso le 14 osservazioni in base alla prevalenza nelle segnalazioni e alla rilevanza clinica.

Il set di dati CheXpert deve essere scaricato separatamente dopo aver letto e accettato un contratto di utilizzo della ricerca. Per farlo, segui le istruzioni sul sito web, https://stanfordmlgroup.github.io/competitions/chexpert/

• Documentazione aggiuntiva : Esplora documenti con codice north_east

• Pagina iniziale : https://stanfordmlgroup.github.io/competitions/chexpert/

• Codice sorgente : tfds.image_classification.Chexpert

• Versioni :

  • 3.1.0 (impostazione predefinita): nessuna nota di rilascio.

• Dimensioni del download : Unknown size

• Dimensioni del set di dati : Unknown size

• Istruzioni per il download manuale : questo set di dati richiede di scaricare manualmente i dati di origine in download_config.manual_dir (il valore predefinito ~/tensorflow_datasets/downloads/manual/ ):
  È necessario registrarsi e accettare l'accordo con l'utente nella pagina del set di dati: https://stanfordmlgroup.github.io/competitions/chexpert/ Successivamente, è necessario inserire la directory CheXpert-v1.0-small in manual_dir. Dovrebbe contenere sottodirectory: train/ e valid/ con immagini e anche i file train.csv e valid.csv.

• Cache automatica ( documentazione ): Sconosciuto

• Divisioni :

• Struttura delle caratteristiche :

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),
})

• Documentazione delle funzionalità :

• Chiavi supervisionate (vedi as_supervised doc ): ('image', 'label')

• Figura ( tfds.show_examples ): non supportato.

• Esempi ( tfds.as_dataframe ): Mancante.

• Citazione :

@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}
}