curated_breast_imaging_ddsm,curated_breast_imaging_ddsm

• การ สร้างภาพ : สำรวจใน Know Your Data north_east

• คำอธิบาย :

CBIS-DDSM (Curated Breast Imaging Subset of DDSM) เป็นฐานข้อมูลดิจิทัลสำหรับการตรวจคัดกรองเต้านม (DDSM) รุ่นปรับปรุงและเป็นมาตรฐาน DDSM เป็นฐานข้อมูลของการศึกษาเอกซเรย์เต้านมด้วยฟิล์มสแกน 2,620 ชิ้น ประกอบด้วยกรณีปกติ อ่อนโยน และร้ายกาจพร้อมข้อมูลทางพยาธิวิทยาที่ผ่านการตรวจสอบแล้ว

การกำหนดค่าเริ่มต้นทำจากแพตช์ที่ดึงมาจากแมมโมแกรมต้นฉบับ ตามคำอธิบายจาก http://arxiv.org/abs/1708.09427 เพื่อวางกรอบงานที่ต้องแก้ไขในการตั้งค่าการจัดประเภทภาพแบบดั้งเดิม

• หน้าแรก : https://wiki.cancerimagingarchive.net/display/Public/CBIS-DDSM

• รหัสที่มา : tfds.image_classification.CuratedBreastImagingDDSM

• รุ่น :

  • 2.0.1 : API แยกใหม่ ( https://tensorflow.org/datasets/splits )
  • 3.0.0 (ค่าเริ่มต้น): การสุ่มตัวอย่างการครอบตัดที่ดีขึ้น ( https://github.com/tensorflow/datasets/pull/2502 )

• คำแนะนำในการดาวน์โหลดด้วยตนเอง : ชุดข้อมูลนี้กำหนดให้คุณต้องดาวน์โหลดแหล่งข้อมูลด้วยตนเองลงใน download_config.manual_dir (ค่าเริ่มต้นเป็น ~/tensorflow_datasets/downloads/manual/ ):
  คุณสามารถดาวน์โหลดรูปภาพได้จาก https://wiki.cancerimagingarchive.net/display/Public/CBIS-DDSM

เนื่องจากจำเป็นต้องใช้ซอฟต์แวร์และไลบรารีพิเศษในการดาวน์โหลดและอ่านรูปภาพที่มีอยู่ในชุดข้อมูล TFDS จะถือว่าผู้ใช้ดาวน์โหลดไฟล์ DCIM ต้นฉบับและแปลงเป็น PNG

ควรใช้คำสั่งต่อไปนี้ (หรือเทียบเท่า) เพื่อสร้างไฟล์ PNG เพื่อรับประกันผลลัพธ์ที่ทำซ้ำได้:

find $DATASET_DCIM_DIR -name '*.dcm' | \
xargs -n1 -P8 -I{} bash -c 'f={}; dcmj2pnm $f | convert - ${f/.dcm/.png}'

รูปภาพผลลัพธ์ควรใส่ใน manual_dir เช่น: <manual_dir>/Mass-Training_P_01981_RIGHT_MLO_1/1.3.6.../000000.png

• แคชอัตโนมัติ ( เอกสารประกอบ ): ไม่

• คีย์ภายใต้การดูแล (ดู as_supervised doc ): None

• การอ้างอิง :

@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/patches (การกำหนดค่าเริ่มต้น)

• คำอธิบาย การกำหนดค่า : แพตช์ที่มีทั้งแคลซิฟิเคชันและมวลรวม รวมถึงพาธซีที่ไม่มีความผิดปกติ ออกแบบเป็นงานจำแนกประเภท 5 ชั้นแบบดั้งเดิม

• ขนาดการดาวน์โหลด : 2.01 MiB

• ขนาดชุดข้อมูล : 801.46 MiB

• แยก :

• โครงสร้างคุณลักษณะ :

FeaturesDict({
    'id': Text(shape=(), dtype=string),
    'image': Image(shape=(None, None, 1), dtype=uint8),
    'label': ClassLabel(shape=(), dtype=int64, num_classes=5),
})

• เอกสารคุณสมบัติ :

• รูป ( tfds.show_examples ):

• ตัวอย่าง ( tfds.as_dataframe ):

curated_breast_imaging_ddsm/original-calc

• คำอธิบาย การกำหนดค่า: ภาพต้นฉบับของกรณีการกลายเป็นปูนที่ถูกบีบอัดใน PNG แบบไม่สูญเสียข้อมูล

• ขนาดการดาวน์โหลด : 1.06 MiB

• ขนาดชุดข้อมูล : 4.42 GiB

• แยก :

• โครงสร้างคุณลักษณะ :

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),
})

• เอกสารคุณสมบัติ :

• รูป ( tfds.show_examples ):

• ตัวอย่าง ( tfds.as_dataframe ):

curated_breast_imaging_ddsm/original-mass

• คำอธิบาย การกำหนดค่า: ภาพต้นฉบับของกรณีจำนวนมากที่บีบอัดใน PNG แบบไม่สูญเสียข้อมูล

• ขนาดการดาวน์โหลด : 966.57 KiB

• ขนาดชุดข้อมูล : 4.80 GiB

• แยก :

• โครงสร้างคุณลักษณะ :

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),
})

• เอกสารคุณสมบัติ :

• รูป ( tfds.show_examples ):

• ตัวอย่าง ( tfds.as_dataframe ):