curated_breast_imaging_ddsm

• Описание :

CBIS-DDSM (Curated Imaging Subset of DDSM) - это обновленная и стандартизированная версия цифровой базы данных для скрининговой маммографии (DDSM). DDSM - это база данных из 2620 сканированных маммографических исследований. Он содержит нормальные, доброкачественные и злокачественные заболевания с подтвержденной информацией о патологии.

Конфигурация по умолчанию состоит из патчей, извлеченных из исходных маммограмм, в соответствии с описанием с http://arxiv.org/abs/1708.09427, чтобы создать задачу для решения в традиционной настройке классификации изображений.

Поскольку для загрузки и чтения изображений, содержащихся в наборе данных, необходимы специальное программное обеспечение и библиотеки, TFDS предполагает, что пользователь загрузил исходные файлы DCIM и преобразовал их в PNG.

Следующие команды (или их эквиваленты) следует использовать для создания файлов PNG, чтобы гарантировать воспроизводимые результаты:

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

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

• Исходный код : tfds.image_classification.CuratedBreastImagingDDSM

• Версии :

  • 3.0.0 (по умолчанию) nights_stay : без примечаний к выпуску.

• Инструкции по загрузке вручную : для этого набора данных необходимо вручную загрузить исходные данные в download_config.manual_dir (по умолчанию ~/tensorflow_datasets/downloads/manual/ ):
  Вы можете загрузить изображения с https://wiki.cancerimagingarchive.net/display/Public/CBIS-DDSM. Пожалуйста, посмотрите исходный файл (cbis_ddsm.py), чтобы увидеть инструкции о том, как преобразовать их в png (используя dcmj2pnm).

• Автоматическое кэширование ( документация ): Нет

• Контролируемые ключи (см. as_supervised doc ): None

• Цитата :

@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 (конфигурация по умолчанию)

• Описание конфигурации : Патчи, содержащие как исправления, так и массовые случаи, плюс пути без отклонений. Разработан как традиционная 5-классная задача классификации.

• Размер загрузки : 2.01 MiB

• Размер набора данных : 801.46 MiB

• Сплит :

• Особенности :

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),
})

• Рисунок ( tfds.show_examples ):

• Примеры ( tfds.as_dataframe ):

curated_breast_imaging_ddsm / original-calc

• Описание конфигурации : Исходные изображения случаев кальцификации, сжатые в PNG без потерь.

• Размер загрузки : 1.06 MiB

• Размер набора данных : 4.42 GiB

• Сплит :

• Особенности :

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),
})

• Рисунок ( tfds.show_examples ):

• Примеры ( tfds.as_dataframe ):

curated_breast_imaging_ddsm / оригинальная масса

• Описание конфигурации : Оригинальные изображения массовых кейсов, сжатые в PNG без потерь.

• Размер загрузки : 966.57 KiB

• Размер набора данных : 4.80 GiB

• Сплит :

• Особенности :

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),
})

• Рисунок ( tfds.show_examples ):

• Примеры ( tfds.as_dataframe ):