Pomoc chronić Wielkiej Rafy Koralowej z TensorFlow na Kaggle Dołącz Wyzwanie

Chefpert!

  • opis:

CheXpert to duży zbiór danych dotyczących prześwietleń klatki piersiowej i konkurencji w zakresie zautomatyzowanej interpretacji prześwietleń klatki piersiowej, który zawiera etykiety niepewności i referencyjne zestawy do oceny standardów referencyjnych oznaczone przez radiologa. Składa się on z 224 316 radiogramów klatki piersiowej 65 240 pacjentów, z których retrospektywnie zebrano badania radiologiczne klatki piersiowej i związane z nimi raporty radiologiczne ze szpitala Stanford. Każdy raport został oznaczony jako obecność 14 obserwacji jako pozytywnych, negatywnych lub niepewnych. Zdecydowaliśmy się na 14 obserwacji na podstawie częstości występowania w raportach i znaczenia klinicznego.

Zbiór danych CheXpert należy pobrać osobno po przeczytaniu i zaakceptowaniu Umowy o wykorzystaniu badań. Aby to zrobić, należy postępować zgodnie z instrukcjami na stronie internetowej, https://stanfordmlgroup.github.io/competitions/chexpert/

  • Strona domowa: https://stanfordmlgroup.github.io/competitions/chexpert/

  • Kod źródłowy: tfds.image_classification.Chexpert

  • wersje:

    • 3.1.0 (domyślnie): Brak Uwagi do wydania.
  • Wielkość pliku: Unknown size

  • Zbiór danych rozmiar: Unknown size

  • Ręczne pobieranie instrukcje: Ten zestaw danych wymaga, aby ręcznie pobrać dane źródłowe do download_config.manual_dir (domyślnie ~/tensorflow_datasets/downloads/manual/ )
    Musisz zarejestrować się i zgodzić się na porozumienie użytkownika na stronie zestawu danych: https://stanfordmlgroup.github.io/competitions/chexpert/ Następnie trzeba umieścić w katalogu CheXpert-v1.0-mały w manual_dir. Powinien zawierać podkatalogi: train/ i valid/ z obrazkami oraz pliki train.csv i valid.csv.

  • Auto-buforowane ( dokumentacja ): Nieznany

  • dzieli:

Rozdzielać Przykłady
  • Cechy:
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}
}