Görselleştirme : Verilerinizi Bilin keşfedin
Açıklama :
CBIS-DDSM (DDSM'nin Küratörlü Göğüs Görüntüleme Alt Kümesi), Tarama Mamografisi için Dijital Veritabanının (DDSM) güncellenmiş ve standartlaştırılmış bir sürümüdür. DDSM, 2.620 taranmış film mamografi çalışmasından oluşan bir veri tabanıdır. Doğrulanmış patoloji bilgileri ile normal, iyi huylu ve kötü huylu vakaları içerir.
Varsayılan yapılandırma, geleneksel bir görüntü sınıflandırma ayarında çözülecek görevi çerçevelemek için ( http://arxiv.org/abs/1708.09427 ) adresindeki açıklamaya uygun olarak orijinal mamogramlardan çıkarılan yamalardan yapılmıştır.
Ana Sayfa : https://wiki.cancerimagingarchive.net/display/Public/CBIS-DDSM
Kaynak kodu :
tfds.image_classification.CuratedBreastImagingDDSM
sürümler :
-
2.0.1
: Yeni bölünmüş API ( https://tensorflow.org/datasets/splits ) -
3.0.0
(varsayılan): Daha iyi kırpma örneklemesi ( https://github.com/tensorflow/datasets/pull/2502 )
-
Manuel indirme talimatları : Bu veri kümesi, kaynak verileri manuel olarak
download_config.manual_dir
içine indirmenizi gerektirir (varsayılan olarak~/tensorflow_datasets/downloads/manual/
şeklindedir):
Görselleri https://wiki.cancerimagingarchive.net/display/Public/CBIS-DDSM adresinden indirebilirsiniz.
Veri kümesindeki görüntüleri indirmek ve okumak için özel yazılım ve kitaplıklar gerektiğinden, TFDS, kullanıcının orijinal DCIM dosyalarını indirdiğini ve PNG'ye dönüştürdüğünü varsayar.
Tekrarlanabilir sonuçları garanti etmek için PNG dosyalarını oluşturmak için aşağıdaki komutlar (veya eşdeğerleri) kullanılmalıdır:
find $DATASET_DCIM_DIR -name '*.dcm' | \
xargs -n1 -P8 -I{} bash -c 'f={}; dcmj2pnm $f | convert - ${f/.dcm/.png}'
Elde edilen resimler manual_dir
içine yerleştirilmelidir, örneğin: <manual_dir>/Mass-Training_P_01981_RIGHT_MLO_1/1.3.6.../000000.png
.
Otomatik önbelleğe alınmış ( belgeleme ): Hayır
Denetlenen anahtarlar (Bkz.
as_supervised
doc ):None
Alıntı :
@misc{CBIS_DDSM_Citation,
doi = {10.7937/k9/tcia.2016.7o02s9cy},
url = {https://wiki.cancerimagingarchive.net/x/lZNXAQ},
author = {Sawyer-Lee, Rebecca and Gimenez, Francisco and Hoogi, Assaf and Rubin, Daniel},
title = {Curated Breast Imaging Subset of DDSM},
publisher = {The Cancer Imaging Archive},
year = {2016},
}
@article{TCIA_Citation,
author = {
K. Clark and B. Vendt and K. Smith and J. Freymann and J. Kirby and
P. Koppel and S. Moore and S. Phillips and D. Maffitt and M. Pringle and
L. Tarbox and F. Prior
},
title = { {The Cancer Imaging Archive (TCIA): Maintaining and Operating a
Public Information Repository} },
journal = {Journal of Digital Imaging},
volume = {26},
month = {December},
year = {2013},
pages = {1045-1057},
}
@article{DBLP:journals/corr/abs-1708-09427,
author = {Li Shen},
title = {End-to-end Training for Whole Image Breast Cancer Diagnosis using
An All Convolutional Design},
journal = {CoRR},
volume = {abs/1708.09427},
year = {2017},
url = {http://arxiv.org/abs/1708.09427},
archivePrefix = {arXiv},
eprint = {1708.09427},
timestamp = {Mon, 13 Aug 2018 16:48:35 +0200},
biburl = {https://dblp.org/rec/bib/journals/corr/abs-1708-09427},
bibsource = {dblp computer science bibliography, https://dblp.org}
}
curated_breast_imaging_ddsm/yamalar (varsayılan yapılandırma)
Yapılandırma açıklaması : Hem kalsifikasyon hem de toplu vakalar içeren yamalar ve anormallik içermeyen yollar. Geleneksel 5 sınıflı bir sınıflandırma görevi olarak tasarlanmıştır.
İndirme boyutu :
2.01 MiB
Veri kümesi boyutu :
801.46 MiB
bölmeler :
Bölmek | örnekler |
---|---|
'test' | 9.770 |
'train' | 49.780 |
'validation' | 5.580 |
- Özellik yapısı :
FeaturesDict({
'id': Text(shape=(), dtype=string),
'image': Image(shape=(None, None, 1), dtype=uint8),
'label': ClassLabel(shape=(), dtype=int64, num_classes=5),
})
- Özellik belgeleri :
Özellik | Sınıf | Şekil | Dtipi | Tanım |
---|---|---|---|---|
ÖzelliklerDict | ||||
İD | Metin | sicim | ||
resim | resim | (Yok, Yok, 1) | uint8 | |
etiket | SınıfEtiketi | int64 |
- Şekil ( tfds.show_examples ):
- Örnekler ( tfds.as_dataframe ):
curated_breast_imaging_ddsm/original-calc
Yapılandırma açıklaması : Kalsifikasyon vakalarının kayıpsız PNG'de sıkıştırılmış orijinal görüntüleri.
İndirme boyutu :
1.06 MiB
Veri kümesi boyutu :
4.42 GiB
bölmeler :
Bölmek | örnekler |
---|---|
'test' | 284 |
'train' | 1.227 |
- Özellik yapısı :
FeaturesDict({
'abnormalities': Sequence({
'assessment': ClassLabel(shape=(), dtype=int64, num_classes=6),
'calc_distribution': ClassLabel(shape=(), dtype=int64, num_classes=10),
'calc_type': ClassLabel(shape=(), dtype=int64, num_classes=48),
'id': int32,
'mask': Image(shape=(None, None, 1), dtype=uint8),
'pathology': ClassLabel(shape=(), dtype=int64, num_classes=3),
'subtlety': ClassLabel(shape=(), dtype=int64, num_classes=6),
}),
'breast': ClassLabel(shape=(), dtype=int64, num_classes=2),
'id': Text(shape=(), dtype=string),
'image': Image(shape=(None, None, 1), dtype=uint8),
'patient': Text(shape=(), dtype=string),
'view': ClassLabel(shape=(), dtype=int64, num_classes=2),
})
- Özellik belgeleri :
Özellik | Sınıf | Şekil | Dtipi | Tanım |
---|---|---|---|---|
ÖzelliklerDict | ||||
anormallikler | Sekans | |||
anormallikler/değerlendirme | SınıfEtiketi | int64 | ||
anormallikler/calc_distribution | SınıfEtiketi | int64 | ||
anormallikler/calc_type | SınıfEtiketi | int64 | ||
anormallikler/kimlik | tensör | int32 | ||
anormallikler/maske | resim | (Yok, Yok, 1) | uint8 | |
anormallikler/patoloji | SınıfEtiketi | int64 | ||
anormallikler/incelik | SınıfEtiketi | int64 | ||
göğüs | SınıfEtiketi | int64 | ||
İD | Metin | sicim | ||
görüntü | resim | (Yok, Yok, 1) | uint8 | |
hasta | Metin | sicim | ||
görüş | SınıfEtiketi | int64 |
- Şekil ( tfds.show_examples ):
- Örnekler ( tfds.as_dataframe ):
curated_breast_imaging_ddsm/original-mass
Yapılandırma açıklaması : Toplu vakaların kayıpsız PNG'de sıkıştırılmış orijinal görüntüleri.
İndirme boyutu :
966.57 KiB
Veri kümesi boyutu :
4.80 GiB
bölmeler :
Bölmek | örnekler |
---|---|
'test' | 348 |
'train' | 1.166 |
- Özellik yapısı :
FeaturesDict({
'abnormalities': Sequence({
'assessment': ClassLabel(shape=(), dtype=int64, num_classes=6),
'id': int32,
'mask': Image(shape=(None, None, 1), dtype=uint8),
'mass_margins': ClassLabel(shape=(), dtype=int64, num_classes=20),
'mass_shape': ClassLabel(shape=(), dtype=int64, num_classes=21),
'pathology': ClassLabel(shape=(), dtype=int64, num_classes=3),
'subtlety': ClassLabel(shape=(), dtype=int64, num_classes=6),
}),
'breast': ClassLabel(shape=(), dtype=int64, num_classes=2),
'id': Text(shape=(), dtype=string),
'image': Image(shape=(None, None, 1), dtype=uint8),
'patient': Text(shape=(), dtype=string),
'view': ClassLabel(shape=(), dtype=int64, num_classes=2),
})
- Özellik belgeleri :
Özellik | Sınıf | Şekil | Dtipi | Tanım |
---|---|---|---|---|
ÖzelliklerDict | ||||
anormallikler | Sekans | |||
anormallikler/değerlendirme | SınıfEtiketi | int64 | ||
anormallikler/kimlik | tensör | int32 | ||
anormallikler/maske | resim | (Yok, Yok, 1) | uint8 | |
anormallikler/mass_margins | SınıfEtiketi | int64 | ||
anormallikler/kitle_şekli | SınıfEtiketi | int64 | ||
anormallikler/patoloji | SınıfEtiketi | int64 | ||
anormallikler/incelik | SınıfEtiketi | int64 | ||
göğüs | SınıfEtiketi | int64 | ||
İD | Metin | sicim | ||
görüntü | resim | (Yok, Yok, 1) | uint8 | |
hasta | Metin | sicim | ||
görüş | SınıfEtiketi | int64 |
- Şekil ( tfds.show_examples ):
- Örnekler ( tfds.as_dataframe ):