expert

  • Description:

CheXpert est un vaste ensemble de données sur les radiographies pulmonaires et la concurrence pour l'interprétation automatisée des radiographies pulmonaires, qui comprend des étiquettes d'incertitude et des ensembles d'évaluation standard de référence étiquetés par le radiologue. Il se compose de 224 316 radiographies thoraciques de 65 240 patients, où les examens radiographiques thoraciques et les rapports de radiologie associés ont été collectés rétrospectivement à l'hôpital de Stanford. Chaque rapport a été étiqueté pour la présence de 14 observations comme positif, négatif ou incertain. Nous avons choisi les 14 observations sur la base de la prévalence dans les rapports et de la pertinence clinique.

L'ensemble de données CheXpert doit être téléchargé séparément après avoir lu et accepté un accord d'utilisation de la recherche. Pour ce faire, s'il vous plaît suivez les instructions sur le site, https://stanfordmlgroup.github.io/competitions/chexpert/

  • Page d' accueil: https://stanfordmlgroup.github.io/competitions/chexpert/

  • Code source: tfds.image_classification.Chexpert

  • versions:

    • 3.1.0 (par défaut): Aucune note de version.
  • Taille du téléchargement: Unknown size

  • Taille Dataset: Unknown size

  • Instructions de téléchargement Manuel: Cet ensemble de données , vous devez télécharger les données source manuellement dans download_config.manual_dir (par défaut ~/tensorflow_datasets/downloads/manual/ ):
    Vous devez vous inscrire et accepter un accord d'utilisateur sur la page du jeu de données: https://stanfordmlgroup.github.io/competitions/chexpert/ Ensuite, vous devez mettre le répertoire CheXpert-v1.0-petit dans le manual_dir. Il doit contenir des sous-répertoires : train/ et valid/ avec des images ainsi que des fichiers train.csv et valid.csv.

  • Mis en cache automatique ( documentation ): Inconnu

  • scissions:

Diviser Exemples
  • Caractéristiques:
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}
}