duke_ultrasound

  • Description :

DukeUltrasound est un ensemble de données échographiques collectées à l'Université Duke avec une sonde Verasonics c52v. Il contient des données formées par faisceau de retard et de somme (DAS) ainsi que des données post-traitées avec Siemens Dynamic TCE pour la réduction des taches, l'amélioration du contraste et l'amélioration de la visibilité des structures anatomiques. Ces données ont été collectées avec le soutien de l'Institut national d'imagerie biomédicale et de bioingénierie sous la subvention R01-EB026574 et des National Institutes of Health sous la subvention 5T32GM007171-44. Un exemple d'utilisation est disponible ici .

  • Page d'accueil : https://github.com/ouwen/mimicknet

  • Code source : tfds.datasets.duke_ultrasound.Builder

  • Versions :

    • 1.0.0 : Version initiale.
    • 1.0.1 : Corrige l'analyse des harmonic de champ booléen.
    • 2.0.0 (par défaut)  : Correction de l'horodatage_id de %Y%m%d%H%M%S à l'horodatage posix.

  • Taille du téléchargement : 12.78 GiB

  • Taille de l'ensemble de données : 13.79 GiB

  • Mise en cache automatique ( documentation ) : Non

  • Divisions :

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 :
Fonctionnalité Classe Forme Type D Description
FonctionnalitésDict
c'est FonctionnalitésDict
das/dB Tenseur (Aucun,) flotteur32
jour/image Tenseur (Aucun,) flotteur32
das/réel Tenseur (Aucun,) flotteur32
dtce Tenseur (Aucun,) flotteur32
f0_hz Tenseur flotteur32
angle_final Tenseur flotteur32
rayon_final Tenseur flotteur32
focus_cm Tenseur flotteur32
harmonique Tenseur bouffon
hauteur Tenseur uint32
angle_initial Tenseur flotteur32
rayon_initial Tenseur flotteur32
sonde Tenseur chaîne
scanner Tenseur chaîne
cible Tenseur chaîne
horodatage_id Tenseur uint32
tension Tenseur flotteur32
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}
}