duque_ultrasonido

  • Descripción :

DukeUltrasound es un conjunto de datos de ultrasonido recopilado en la Universidad de Duke con una sonda Verasonics c52v. Contiene datos formados por haces de retardo y suma (DAS), así como datos posprocesados ​​con Siemens Dynamic TCE para la reducción de manchas, la mejora del contraste y la mejora de la visibilidad de las estructuras anatómicas. Estos datos se recopilaron con el apoyo del Instituto Nacional de Imágenes Biomédicas y Bioingeniería bajo la subvención R01-EB026574 y los Institutos Nacionales de Salud bajo la subvención 5T32GM007171-44. Un ejemplo de uso está disponible aquí .

Separar Ejemplos
'A' 1,362
'B' 1,194
'MARK' 420
'test' 438
'train' 2,556
'validation' 278
  • Estructura de características :
FeaturesDict({
    'das': FeaturesDict({
        'dB': Tensor(shape=(None,), dtype=tf.float32),
        'imag': Tensor(shape=(None,), dtype=tf.float32),
        'real': Tensor(shape=(None,), dtype=tf.float32),
    }),
    'dtce': Tensor(shape=(None,), dtype=tf.float32),
    'f0_hz': tf.float32,
    'final_angle': tf.float32,
    'final_radius': tf.float32,
    'focus_cm': tf.float32,
    'harmonic': tf.bool,
    'height': tf.uint32,
    'initial_angle': tf.float32,
    'initial_radius': tf.float32,
    'probe': tf.string,
    'scanner': tf.string,
    'target': tf.string,
    'timestamp_id': tf.uint32,
    'voltage': tf.float32,
    'width': tf.uint32,
})
  • Documentación de características :
Rasgo Clase Forma Tipo D Descripción
CaracterísticasDict
da CaracterísticasDict
da/dB Tensor (Ninguna,) tf.float32
das/imagen Tensor (Ninguna,) tf.float32
da/real Tensor (Ninguna,) tf.float32
dtce Tensor (Ninguna,) tf.float32
f0_hz Tensor tf.float32
ángulo_final Tensor tf.float32
radio_final Tensor tf.float32
foco_cm Tensor tf.float32
armónico Tensor tf.bool
altura Tensor tf.uint32
ángulo_inicial Tensor tf.float32
radio_inicial Tensor tf.float32
Investigacion Tensor tf.cadena
escáner Tensor tf.cadena
objetivo Tensor tf.cadena
fecha y hora_id Tensor tf.uint32
Voltaje Tensor tf.float32
ancho Tensor tf.uint32
  • Cita :
@article{DBLP:journals/corr/abs-1908-05782,
  author    = {Ouwen Huang and
               Will Long and
               Nick Bottenus and
               Gregg E. Trahey and
               Sina Farsiu and
               Mark L. Palmeri},
  title     = {MimickNet, Matching Clinical Post-Processing Under Realistic Black-Box
               Constraints},
  journal   = {CoRR},
  volume    = {abs/1908.05782},
  year      = {2019},
  url       = {http://arxiv.org/abs/1908.05782},
  archivePrefix = {arXiv},
  eprint    = {1908.05782},
  timestamp = {Mon, 19 Aug 2019 13:21:03 +0200},
  biburl    = {https://dblp.org/rec/bib/journals/corr/abs-1908-05782},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}