Duke_ultrasound

• Описание :

DukeUltrasound — это набор ультразвуковых данных, собранный в Университете Дьюка с помощью датчика Verasonics c52v. Он содержит данные формирования луча с задержкой и суммой (DAS), а также данные, обработанные с помощью Siemens Dynamic TCE для уменьшения спеклов, повышения контрастности и улучшения видимости анатомических структур. Эти данные были собраны при поддержке Национального института биомедицинской визуализации и биоинженерии по гранту R01-EB026574 и Национального института здравоохранения по гранту 5T32GM007171-44. Пример использования доступен здесь .

• Домашняя страница : https://github.com/ouwen/mimicknet

• Исходный код : tfds.image.DukeUltrasound

• Версии :

  • 1.0.0 (по умолчанию): нет примечаний к выпуску.

• Размер загрузки : 12.78 GiB

• Размер набора данных : Unknown size

• Автокэширование ( документация ): неизвестно

• Сплиты :

• Структура функции :

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,
})

• Документация по функциям :

• Контролируемые ключи (см . документ as_supervised ): ('das/dB', 'dtce')

• Рисунок ( tfds.show_examples ): не поддерживается.

• Примеры ( tfds.as_dataframe ):

• Цитата :

@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}
}