duc_échographie

  • Descriptif :

DukeUltrasound est un ensemble de données échographiques collectées à l'Université Duke avec une sonde Verasonics c52v. Il contient des données de formation de faisceaux à retard et somme (DAS) ainsi que des données post-traitées avec Siemens Dynamic TCE pour la réduction du chatoiement, l'amélioration du contraste et l'amélioration de la visibilité des structures anatomiques. Ces données ont été recueillies avec le soutien du National Institute of Biomedical Imaging and Bioengineering sous Grant R01-EB026574 et des National Institutes of Health sous Grant 5T32GM007171-44. Un exemple d'utilisation est disponible ici .

Diviser Exemples
'A' 1 362
'B' 1 194
'MARK' 420
'test' 438
'train' 2 556
'validation' 278
  • Structure des fonctionnalités :
FeaturesDict({
    'das': FeaturesDict({
        'dB': Tensor(shape=(None,), dtype=float32),
        'imag': Tensor(shape=(None,), dtype=float32),
        'real': Tensor(shape=(None,), dtype=float32),
    }),
    'dtce': Tensor(shape=(None,), dtype=float32),
    'f0_hz': float32,
    'final_angle': float32,
    'final_radius': float32,
    'focus_cm': float32,
    'harmonic': bool,
    'height': uint32,
    'initial_angle': float32,
    'initial_radius': float32,
    'probe': string,
    'scanner': string,
    'target': string,
    'timestamp_id': uint32,
    'voltage': float32,
    'width': uint32,
})
  • Documentation des fonctionnalités :
Caractéristique Classe Façonner Dtype Description
FonctionnalitésDict
comme FonctionnalitésDict
das/dB Tenseur (Aucun,) float32
das/image Tenseur (Aucun,) float32
das/réel Tenseur (Aucun,) float32
dtce Tenseur (Aucun,) float32
f0_hz Tenseur float32
angle_final Tenseur float32
rayon_final Tenseur float32
focus_cm Tenseur float32
harmonique Tenseur bourdonner
la taille Tenseur uint32
angle_initial Tenseur float32
rayon_initial Tenseur float32
sonde Tenseur chaîne de caractères
scanner Tenseur chaîne de caractères
cibler Tenseur chaîne de caractères
horodatage_id Tenseur uint32
Tension Tenseur float32
largeur Tenseur uint32
  • Citation :
@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}
}
,

  • Descriptif :

DukeUltrasound est un ensemble de données échographiques collectées à l'Université Duke avec une sonde Verasonics c52v. Il contient des données de formation de faisceaux à retard et somme (DAS) ainsi que des données post-traitées avec Siemens Dynamic TCE pour la réduction du chatoiement, l'amélioration du contraste et l'amélioration de la visibilité des structures anatomiques. Ces données ont été recueillies avec le soutien du National Institute of Biomedical Imaging and Bioengineering sous Grant R01-EB026574 et des National Institutes of Health sous Grant 5T32GM007171-44. Un exemple d'utilisation est disponible ici .

Diviser Exemples
'A' 1 362
'B' 1 194
'MARK' 420
'test' 438
'train' 2 556
'validation' 278
  • Structure des fonctionnalités :
FeaturesDict({
    'das': FeaturesDict({
        'dB': Tensor(shape=(None,), dtype=float32),
        'imag': Tensor(shape=(None,), dtype=float32),
        'real': Tensor(shape=(None,), dtype=float32),
    }),
    'dtce': Tensor(shape=(None,), dtype=float32),
    'f0_hz': float32,
    'final_angle': float32,
    'final_radius': float32,
    'focus_cm': float32,
    'harmonic': bool,
    'height': uint32,
    'initial_angle': float32,
    'initial_radius': float32,
    'probe': string,
    'scanner': string,
    'target': string,
    'timestamp_id': uint32,
    'voltage': float32,
    'width': uint32,
})
  • Documentation des fonctionnalités :
Caractéristique Classe Façonner Dtype Description
FonctionnalitésDict
comme FonctionnalitésDict
das/dB Tenseur (Aucun,) float32
das/image Tenseur (Aucun,) float32
das/réel Tenseur (Aucun,) float32
dtce Tenseur (Aucun,) float32
f0_hz Tenseur float32
angle_final Tenseur float32
rayon_final Tenseur float32
focus_cm Tenseur float32
harmonique Tenseur bourdonner
la taille Tenseur uint32
angle_initial Tenseur float32
rayon_initial Tenseur float32
sonde Tenseur chaîne de caractères
scanner Tenseur chaîne de caractères
cibler Tenseur chaîne de caractères
horodatage_id Tenseur uint32
Tension Tenseur float32
largeur Tenseur uint32
  • Citation :
@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}
}