Halaman ini diterjemahkan oleh Cloud Translation API.
Switch to English

curated_breast_imaging_ddsm

  • Deskripsi :

CBIS-DDSM (Curated Breast Imaging Subset of DDSM) adalah versi yang diperbarui dan distandardisasi dari Digital Database for Screening Mammography (DDSM). DDSM adalah database dari 2.620 studi mamografi film yang dipindai. Ini berisi kasus normal, jinak, dan ganas dengan informasi patologi yang diverifikasi.

Konfigurasi default dibuat dari tambalan yang diekstrak dari mammogram asli, mengikuti deskripsi dari http://arxiv.org/abs/1708.09427, untuk membingkai tugas yang harus diselesaikan dalam pengaturan klasifikasi gambar tradisional.

Karena perangkat lunak dan pustaka khusus diperlukan untuk mengunduh dan membaca gambar yang terdapat dalam kumpulan data, TFDS mengasumsikan bahwa pengguna telah mengunduh file DCIM asli dan mengubahnya menjadi PNG.

Perintah berikut (atau yang setara) harus digunakan untuk menghasilkan file PNG, untuk menjamin hasil yang dapat direproduksi:

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

Gambar yang dihasilkan harus disimpan dalam manual_dir , seperti: <manual_dir>/Mass-Training_P_01981_RIGHT_MLO_1/1.3.6.../000000.png .

@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 (konfigurasi default)

  • Deskripsi konfigurasi : Tambalan yang berisi kasus kalsifikasi dan massa, ditambah jalur tanpa kelainan. Dirancang sebagai tugas klasifikasi 5 kelas tradisional.

  • Ukuran unduhan : 2.01 MiB

  • Ukuran 801.46 MiB data : 801.46 MiB

  • Split :

Membagi Contoh
'test' 9.770
'train' 49.780
'validation' 5.580
  • Fitur :
FeaturesDict({
    'id': Text(shape=(), dtype=tf.string),
    'image': Image(shape=(None, None, 1), dtype=tf.uint8),
    'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=5),
})

Visualisasi

curated_breast_imaging_ddsm / original-calc

  • Deskripsi konfigurasi : Gambar asli dari kasus kalsifikasi yang dikompresi dalam PNG lossless.

  • Ukuran unduhan : 1.06 MiB

  • Ukuran set data : 4.42 GiB

  • Split :

Membagi Contoh
'test' 284
'train' 1.227
  • Fitur :
FeaturesDict({
    'abnormalities': Sequence({
        'assessment': ClassLabel(shape=(), dtype=tf.int64, num_classes=6),
        'calc_distribution': ClassLabel(shape=(), dtype=tf.int64, num_classes=10),
        'calc_type': ClassLabel(shape=(), dtype=tf.int64, num_classes=48),
        'id': tf.int32,
        'mask': Image(shape=(None, None, 1), dtype=tf.uint8),
        'pathology': ClassLabel(shape=(), dtype=tf.int64, num_classes=3),
        'subtlety': ClassLabel(shape=(), dtype=tf.int64, num_classes=6),
    }),
    'breast': ClassLabel(shape=(), dtype=tf.int64, num_classes=2),
    'id': Text(shape=(), dtype=tf.string),
    'image': Image(shape=(None, None, 1), dtype=tf.uint8),
    'patient': Text(shape=(), dtype=tf.string),
    'view': ClassLabel(shape=(), dtype=tf.int64, num_classes=2),
})

Visualisasi

curated_breast_imaging_ddsm / original-mass

  • Deskripsi konfigurasi : Gambar asli dari casing massal yang dikompresi dalam PNG lossless.

  • Ukuran download : 966.57 KiB

  • Ukuran set data : 4.80 GiB

  • Split :

Membagi Contoh
'test' 348
'train' 1.166
  • Fitur :
FeaturesDict({
    'abnormalities': Sequence({
        'assessment': ClassLabel(shape=(), dtype=tf.int64, num_classes=6),
        'id': tf.int32,
        'mask': Image(shape=(None, None, 1), dtype=tf.uint8),
        'mass_margins': ClassLabel(shape=(), dtype=tf.int64, num_classes=20),
        'mass_shape': ClassLabel(shape=(), dtype=tf.int64, num_classes=21),
        'pathology': ClassLabel(shape=(), dtype=tf.int64, num_classes=3),
        'subtlety': ClassLabel(shape=(), dtype=tf.int64, num_classes=6),
    }),
    'breast': ClassLabel(shape=(), dtype=tf.int64, num_classes=2),
    'id': Text(shape=(), dtype=tf.string),
    'image': Image(shape=(None, None, 1), dtype=tf.uint8),
    'patient': Text(shape=(), dtype=tf.string),
    'view': ClassLabel(shape=(), dtype=tf.int64, num_classes=2),
})

Visualisasi