O Dia da Comunidade de ML é dia 9 de novembro! Junte-nos para atualização de TensorFlow, JAX, e mais Saiba mais

chexpert

  • Descrição:

CheXpert é um grande conjunto de dados de radiografias de tórax e competição para interpretação automatizada de radiografias de tórax, que apresenta rótulos de incerteza e conjuntos de avaliação de padrões de referência rotulados por radiologistas. Consiste em 224.316 radiografias de tórax de 65.240 pacientes, onde os exames radiográficos de tórax e os relatórios de radiologia associados foram coletados retrospectivamente no Stanford Hospital. Cada relatório foi rotulado quanto à presença de 14 observações como positivas, negativas ou incertas. Decidimos pelas 14 observações com base na prevalência nos relatórios e na relevância clínica.

O conjunto de dados CheXpert deve ser baixado separadamente depois de ler e concordar com um Acordo de Uso de Pesquisa. Para fazer isso, siga as instruções no site, https://stanfordmlgroup.github.io/competitions/chexpert/

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

  • O código-fonte: tfds.image_classification.Chexpert

  • versões:

    • 3.1.0 (padrão): Não há notas de lançamento.
  • Tamanho do download: Unknown size

  • Tamanho do conjunto de dados: Unknown size

  • Instruções baixar o manual: Este conjunto de dados requer que você baixe os dados de origem manualmente para download_config.manual_dir (o padrão é ~/tensorflow_datasets/downloads/manual/ ):
    Você deve se registrar e concordou com o Contrato do usuário na página conjunto de dados: https://stanfordmlgroup.github.io/competitions/chexpert/ Depois, você tem que colocar o diretório-CheXpert-v1.0 pequena na manual_dir. Ele deve conter subdiretórios: train / e valid / with images e também os arquivos train.csv e valid.csv.

  • Cache-Auto ( documentação ): Desconhecido

  • desdobramentos:

Dividir Exemplos
  • 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}
}