RSVP для вашего местного мероприятия TensorFlow Everywhere сегодня!
Эта страница переведена с помощью Cloud Translation API.
Switch to English

duke_ultrasound

  • Описание :

DukeUltrasound - это набор ультразвуковых данных, собранный в Университете Дьюка с помощью датчика Verasonics c52v. Он содержит данные формирования диаграммы направленности с задержкой и суммой (DAS), а также данные, подвергнутые последующей обработке 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 в рамках гранта R01-EB026574 и Национальных институтов здравоохранения в рамках гранта 5T32GM007171-44. Пример использования доступен здесь .

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

  • Исходный код : tfds.image.DukeUltrasound

  • Версии :

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

  • Размер загружаемого 12.78 GiB : 12.78 GiB

  • Размер набора данных : Unknown size

  • Автоматическое кэширование ( документация ): неизвестно

  • Сплит :

Трещина Примеры
'A' 1,362
'B' 1,194
'MARK' 420
'test' 438
'train' 2,556
'validation' 278
  • Особенности :
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,
})

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

  • 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}
}