¡El Día de la Comunidad de ML es el 9 de noviembre! Únase a nosotros para recibir actualizaciones de TensorFlow, JAX, y más Más información

chexpert

  • Descripción:

CheXpert es un gran conjunto de datos de radiografías de tórax y una competencia por la interpretación automatizada de radiografías de tórax, que presenta etiquetas de incertidumbre y conjuntos de evaluación de estándares de referencia etiquetados por radiólogos. Consta de 224,316 radiografías de tórax de 65,240 pacientes, donde los exámenes radiográficos de tórax y los informes radiológicos asociados se recopilaron retrospectivamente del Hospital de Stanford. Cada informe fue etiquetado por la presencia de 14 observaciones como positivas, negativas o inciertas. Decidimos las 14 observaciones en función de la prevalencia en los informes y la relevancia clínica.

El conjunto de datos de CheXpert debe descargarse por separado después de leer y aceptar un Acuerdo de uso de investigación. Para ello, siga las instrucciones de la página web, https://stanfordmlgroup.github.io/competitions/chexpert/

  • Inicio: https://stanfordmlgroup.github.io/competitions/chexpert/

  • El código fuente: tfds.image_classification.Chexpert

  • versiones:

    • 3.1.0 (por defecto): No hay notas de la versión.
  • Tamaño del paquete: Unknown size

  • Tamaño de conjunto de datos: Unknown size

  • Las instrucciones de descarga manual: Este conjunto de datos se requiere para descargar los datos de origen manualmente en download_config.manual_dir (por defecto ~/tensorflow_datasets/downloads/manual/ ):
    Usted debe registrarse y acepta el acuerdo de usuario en la página de datos: https://stanfordmlgroup.github.io/competitions/chexpert/ Después, usted tiene que poner el directorio CheXpert-v1.0-pequeña en el manual_dir. Debe contener subdirectorios: train / y valid / con imágenes y también archivos train.csv y valid.csv.

  • Auto-caché ( documentación ): Desconocido

  • Fraccionamientos:

Separar Ejemplos de
  • características:
FeaturesDict({
    'image': Image(shape=(None, None, 3), dtype=tf.uint8),
    'image_view': ClassLabel(shape=(), dtype=tf.int64, num_classes=2),
    'label': Sequence(ClassLabel(shape=(), dtype=tf.int64, num_classes=4)),
    'name': Text(shape=(), dtype=tf.string),
})
@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}
}