精华内容
下载资源
问答
  • 在AI与深度学习逐渐发展成熟的趋势下,人工智能和大数据等技术开始进入了医疗领域,它们把现有的一些传统流程进行优化,大幅度提高各种流程的效率、精度、用户体验,同时也缓解了...01 医学数据集 智能医疗...

    https://www.toutiao.com/i6696044630972039694/

     

    「数据集」医学图像数据集与竞赛大全

     

    在AI与深度学习逐渐发展成熟的趋势下,人工智能和大数据等技术开始进入了医疗领域,它们把现有的一些传统流程进行优化,大幅度提高各种流程的效率、精度、用户体验,同时也缓解了医疗资源的压力和精确度不够的问题。

    作者 | Nora/言有三

    编辑 | 言有三

     

    01 医学数据集

    智能医疗有很多的发展方向,例如医学影像处理、诊断预测、疾病控制、健康管理、康复机器人、语音识别病历电子化等。当前人工智能技术新的发力点中的医学图像在疾病的预测和自动化诊断方面有非常大的意义,本篇即针对医学影像中的病例分析,降噪,分割,检索等领域来介绍一些常用的数据集。

    1.1 病例分析数据集

    1.1.1 ABIDE

    数据集地址:http://preprocessed-connectomes-project.org/abide/
    

    发布于2013年,这是一个对自闭症内在大脑结构的大规模评估数据集,包括539名患有ASD和573名正常个体的功能MRI图像。

    1.1.2 OASIS

    数据集地址:http://www.oasis-brains.org/
    

    OASIS,全称为Open Access Series of Imaging Studies,已经发布了第3代版本,第一次发布于2007年,是一项旨在使科学界免费提供大脑核磁共振数据集的项目。它有两个数据集可用,下面是第1版的主要内容。

    (1) 横截面数据集:年轻,中老年,非痴呆和痴呆老年人的横断面MRI数据。该组由416名年龄在18岁至96岁的受试者组成的横截面数据库组成。对于每位受试者,单独获得3或4个单独的T1加权MRI扫描包括扫描会话。受试者都是右撇子,包括男性和女性。100名60岁以上的受试者已经临床诊断为轻度至中度阿尔茨海默病。

    (2) 纵向集数据集:非痴呆和痴呆老年人的纵向磁共振成像数据。该集合包括150名年龄在60至96岁的受试者的纵向集合。每位受试者在两次或多次访视中进行扫描,间隔至少一年,总共进行373次成像。对于每个受试者,包括在单次扫描期间获得的3或4次单独的T1加权MRI扫描。受试者都是右撇子,包括男性和女性。在整个研究中,72名受试者被描述为未被证实。包括的受试者中有64人在初次就诊时表现为痴呆症,并在随后的扫描中仍然如此,其中包括51名轻度至中度阿尔茨海默病患者。另外14名受试者在初次就诊时表现为未衰退,随后在随后的访视中表现为痴呆症。

    1.1.3 DDSM

    数据集地址:http://marathon.csee.usf.edu/Mammography/Database.html
    

    发布于2000年,这是一个用于筛选乳腺摄影的数字数据库,是乳腺摄影图像分析研究社区使用的资源。该项目的主要支持来自美国陆军医学研究和装备司令部的乳腺癌研究计划。DDSM项目是由马萨诸塞州综合医院(D. Kopans,R. Moore),南佛罗里达大学(K. Bowyer)和桑迪亚国家实验室(P. Kegelmeyer)共同参与的合作项目。数据库的主要目的是促进计算机算法开发方面的良好研究,以帮助筛选。数据库的次要目的可能包括开发算法以帮助诊断和开发教学或培训辅助工具。该数据库包含约2,500项研究。每项研究包括每个乳房的两幅图像,以及一些相关的患者信息(研究时间,ACR乳房密度评分,异常微妙评级,异常ACR关键字描述)和图像信息(扫描仪,空间分辨率等)。包含可疑区域的图像具有关于可疑区域的位置和类型的像素级“地面真实”信息。

    1.1.4 MIAS

    数据集地址:
    http://peipa.essex.ac.uk/pix/mias/all-mias.tar.gz
    https://www.repository.cam.ac.uk/handle/1810/250394?show=full
    

    MIAS全称为MiniMammographic Database,是乳腺图像数据库。

    乳腺MG数据(Breast Mammography)有个专门的database,可以查看很多数据集,链接地址为:

    http://www.mammoimage.org/databases/
    

    1.1.5 MURA

    数据集地址:https://stanfordmlgroup.github.io/competitions/mura/
    

    发布于2018年2月,吴恩达团队开源了 MURA 数据库,MURA 是目前最大的 X 光片数据库之一。该数据库中包含了源自14982项病例的40895张肌肉骨骼X光片。1万多项病例里有9067例正常的上级肌肉骨骼和5915例上肢异常肌肉骨骼的X光片,部位包括肩部、肱骨、手肘、前臂、手腕、手掌和手指。每个病例包含一个或多个图像,均由放射科医师手动标记。全球有超过17亿人都有肌肉骨骼性的疾病,因此训练这个数据集,并基于深度学习检测骨骼疾病,进行自动异常定位,通过组织器官的X光片来确定机体的健康状况,进而对患者的病情进行诊断,可以帮助缓解放射科医生的疲劳。

    公开可用的医学射线照相图像数据集概述

    「数据集」医学图像数据集与竞赛大全

     

    参考2018年论文:MURA: Large Dataset for Abnormality Detection in Musculoskeletal Radiographs.

    1.1.6 ChestX-ray14

    数据集地址:
    https://www.kaggle.com/nih-chest-xrays/data
    https://nihcc.app.box.com/v/ChestXray-NIHCC
    

    参考论文:

    CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning

    ChestX-ray14 是由NIH研究院提供的,其中包含了30,805名患者的112,120个单独标注的14种不同肺部疾病(肺不张、变实、浸润、气胸、水肿、肺气肿、纤维变性、积液、肺炎、胸膜增厚、心脏肥大、结节、肿块和疝气)的正面胸部 X 光片。研究人员对数据采用NLP方法对图像进行标注。利用深度学习的技术早期发现并识别胸透照片中肺炎等疾病对增加患者恢复和生存的最佳机会至关重要。

    1.1.7 LIDC-IDRI

    数据集地址:https://wiki.cancerimagingarchive.net/display/Public/LIDC-IDRI
    

    LIDC-IDRI数据集是由美国国家癌症研究所(National Cancer Institute)发起收集的,目的是为了研究高危人群早期肺结节检测。该数据集中,共收录了1018个研究实例。对于每个实例中的图像,都由4位经验丰富的胸部放射科医师进行两阶段的诊断标注。该数据集由胸部医学图像文件(如CT、X光片)和对应的诊断结果病变标注组成。

    1.1.8 LUNA16

    数据集地址:https://luna16.grand-challenge.org/Home/
    

    发布于2016年,是肺部肿瘤检测最常用的数据集之一,它包含888个CT图像,1084个肿瘤,图像质量和肿瘤大小的范围比较理想。数据分为10个subsets,subset包含89/88个CT scan。

    LUNA16的CT图像取自LIDC/IDRI数据集,选取了三个以上放射科医师意见一致的annotation,并且去掉了小于3mm的肿瘤,所以数据集里不含有小于3mm的肿瘤,便于训练。

    1.1.9 NSCLC

    数据集地址:https://wiki.cancerimagingarchive.net/display/Public/NSCLC+Radiogenomics
    

    发布于2018年,来自斯坦福大学。数据集来自211名受试者的非小细胞肺癌(NSCLC)队列的独特放射基因组数据集。该数据集包括计算机断层扫描(CT),正电子发射断层扫描(PET)/ CT图像。创建该数据集是为了便于发现基因组和医学图像特征之间的基础关系,以及预测医学图像生物标记的开发和评估。

    1.1.10 DeepLesion

    数据集地址:https://nihcc.app.box.com/v/DeepLesion
    

    DeepLesion由美国国立卫生研究院临床中心(NIHCC)的团队开发,是迄今规模最大的多类别、病灶级别标注临床医疗CT图像开放数据集。在该数据库中图像包括多种病变类型,目前包括4427个患者的32,735 张CT图像及病变信息,同时也包括肾脏病变,骨病变,肺结节和淋巴结肿大。DeepLesion多类别病变数据集可以用来开发自动化放射诊断的CADx系统。

    1.1.11 ADNI

    数据集地址:http: //adni.loni.usc.edu/data-samples/access-data/
    

    ANDI涉及到的数据集包括如下几部分Clinical Data(临床数据)、MR Image Data(磁共振成像)、Standardized MRI Data Sets、PET Image Data(正电子发射计算机断层扫描)、Gennetic Data(遗传数据)、Biospecimen Data(生物样本数据)。

    1.2 医学降噪数据集

    1.2.1 BrainWeb数据集

    数据集地址:http://brainweb.bic.mni.mcgill.ca/brainweb/
    

    发布于1997年,这是一个仿真数据集,用于医学图像降噪。研究者可以截取不同断层的正常脑部仿真图像,包括T1,T2,PD3种断层,设置断层的厚度,叠加高斯噪声或者医学图像中常见的莱斯噪声,最终会得到181×217大小的噪声图像。

    1.3 医学分割数据集

    1.3.1 DRIVE数据集

    数据集地址:http://www.isi.uu.nl/Research/Databases/DRIVE/download.php
    

    发布于2003年,这是一个用于血管分割的数字视网膜图像数据集,它由40张照片组成,其中7张显示出轻度早期糖尿病视网膜病变迹象。

    1.3.2 SCR数据集

    数据集地址:http://www.isi.uu.nl/Research/Databases/SCR/
    

    发布于2000年,胸部X光片的分割,胸部X光片中解剖结构的自动分割对于这些图像中的计算机辅助诊断非常重要。SCR数据库的建立是为了便于比较研究肺野,心脏和锁骨在标准的后胸前X线片上的分割。

    本着合作科学进步的精神,我们可以自由共享SCR数据库,并致力于在这些分割任务上维护各种算法结果的公共存储库。在这些页面上,可以在下载数据库和上载结果时找到说明,并且可以检查各种方法的基准结果。

    1.3.3 医学图像分析benchmark

    在网址https://grand-challenge.org/challenges/提供了时间跨度超过10年的医学图像资料。

    1.3.4 Ardiac MRI

    数据集地址:http://www.cse.yorku.ca/~mridataset/
    

    ardiac MRI 是心脏病患者心房医疗影像数据,以及其左心室的心内膜和外膜的图像标注。包括33位患者案例,每个受试者的序列由沿着长的20帧和8-15个切片组成,共7980张图像。

    1.3.5 NIH

    数据集地址:https://www.kaggle.com/nih-chest-xrays
    

    发布于2017年,这是一个胸部X射线数据集,包含30,805个患者,14个疾病图像标签(其中每个图像可以具有多个标签),112,820个正面X射线图像,标签是使用自然语言处理从相关的放射学报告中自动提取。十四种常见的胸部病变包括肺不张,巩固,浸润,气胸,水肿,肺气肿,纤维化,积液,肺炎,胸膜增厚,心脏扩大,结节,肿块和疝。由于许多原因,原始放射学报告(与这些胸部X射线研究相关)并不是公开分享的。所以文本挖掘的疾病标签预计准确度 > 90%,这个数据集适合做半监督的学习。

    1.4 List of Open Access

    在List of Open Access Medical Imaging Datasets网站上可以看到更多的相关方向的数据集。

    数据集地址:
    http://www.radrounds.com/profiles/blogs/list-of-open-access-medical-imaging-datasets
    

    「数据集」医学图像数据集与竞赛大全

     

    「数据集」医学图像数据集与竞赛大全

     

    02 医学竞赛

    2.1 VISCERAL

    地址链接:http://www.visceral.eu/
    

    VISCERAL 是Visual Concept Extraction Challenge in Radiology的缩写,是放射学中的视觉概念提取挑战赛。他们提供几种不同成像模式(例如CT和MR)的几种解剖结构(例如肾,肺,膀胱等)的放射学数据以及一个云计算实例。

    2.2 Grand Challenges

    地址链接:https://grand-challenge.org/challenges/
    

    提供了医学图像分析领域内所有挑战的概述,下面举的例子是2019年的医学图像方面将要举办的竞赛。

    「数据集」医学图像数据集与竞赛大全

     

    「数据集」医学图像数据集与竞赛大全

     

    2.3 Dream Challenges

    地址链接:http : //dreamchallenges.org/
    

    这个挑战赛中包括有数字乳腺摄影梦想挑战;ICGC-TCGA DREAM体细胞突变称为RNA挑战(SMC-RNA)等等。

    「数据集」医学图像数据集与竞赛大全

     

    03 总结

    最后提供给对医学影像处理感兴趣的童鞋一个超级赞的github链接如下:

    https://github.com/beamandrew/medical-data 
    

    这是Github上哈佛 beamandrew机器学习和医学影像研究者贡献的数据集,包括了医学影像数据、竞赛数据、来自电子健康记录的数据、医疗数据、UCI数据集、生物医学文献等。

    「数据集」医学图像数据集与竞赛大全

     

    「数据集」医学图像数据集与竞赛大全

    展开全文
  • 医学图像数据集汇总

    千次阅读 2020-01-15 12:20:30
    汇总|医学图像数据集,更多干货获取请关注公众号~ 一、 胰腺分割数据集 数据下载链接:http://academictorrents.com/details/80ecfefcabede760cdbdf63e38986501f7becd49 数据介绍:包含82个病例的胰腺数据集。 ...

    前言

    本文首发于公众号【3D视觉工坊】,原文请见汇总|医学图像数据集,更多干货获取请关注公众号~

    一、 胰腺分割数据集

    数据下载链接:http://academictorrents.com/details/80ecfefcabede760cdbdf63e38986501f7becd49
    数据介绍:包含82个病例的胰腺数据集。

    二、MICCAI胰腺分割数据集

    数据下载链接:http://medicaldecathlon.com/
    数据介绍:282个训练病例,139个测试病例,同时分割胰腺和肿瘤,测试集label是hidden的。

    三、The National Library of Medicine presents MedPix

    数据下载链接:https://medpix.nlm.nih.gov/home
    数据介绍:MedPix®是一个免费的开放式在线访问数据库,其中包含医学图像,教学案例和临床主题,集成了图像和文本元数据,包括12,000多个患者案例,9,000个主题和近59,000个图像。我们的主要目标受众包括医师和护士,专职医疗人员,医学生,护理生以及其他对医学知识感兴趣的人。内容材料按疾病位置(器官系统)组织;病理类别患者资料;以及通过图像分类和图像标题。该集合可按患者症状和体征,诊断,器官系统,图像形式和图像描述,关键字,特约作者和许多其他搜索选项进行搜索。

    四、阿尔茨海默氏病神经影像数据

    数据下载链接:http://adni.loni.usc.edu/data-samples/access-data/
    数据介绍:阿尔茨海默氏病患者和健康对照的MRI数据库。 还具有临床,基因组和生物制造商数据。
    在这里插入图片描述

    五、结肠癌CT数据

    数据下载链接:https://wiki.cancerimagingarchive.net/display/Public/CT+COLONOGRAPHY#dc149b9170f54aa29e88f1119e25ba3e
    数据介绍:CT扫描诊断结肠癌。 包括没有息肉,6-9mm息肉和大于10mm息肉的患者的数据。 该系列中有825例带有XLS片的病例,提供了息肉描述及其在结肠段中的位置。
    在这里插入图片描述
    在这里插入图片描述

    六、用于视网膜提取的数字视网膜图像

    数据下载链接:https://www.isi.uu.nl/Research/Databases/DRIVE/download.php
    数据介绍:用于视网膜图像中血管分割的比较研究,它由40张照片组成,其中7张显示出轻度早期糖尿病性视网膜病变的迹象。
    在这里插入图片描述
    在这里插入图片描述

    七、AMRG Cardiac Atlas(心脏MRI图像)

    数据下载链接:http://www.cardiacatlas.org/studies/amrg-cardiac-atlas/
    数据介绍:奥克兰MRI研究小组的Siemens Avanto扫描仪采集的正常患者心脏的完整带标签MRI图像集。
    在这里插入图片描述
    在这里插入图片描述

    八、先天性心脏病(CHD)图集

    数据下载链接:https://data.gov.uk/dataset/f13fbd0e-fc8a-4d42-82ef-d40f930e4b70/congenital-heart-disease-chd
    数据介绍:先天性心脏病(CHD)图集代表来自患有各种先天性心脏病的成年人和儿童的MRI数据集,生理临床数据和计算机模型。

    九、大脑MRI数据集

    数据下载链接:http://www.oasis-brains.org/

    数据介绍:OASIS影像研究开放获取系列(OASIS)是一个旨在向科学界免费提供大脑的MRI数据集的项目。有两个数据集:横截面和纵向集。年轻,中年,非痴呆和痴呆老年人的横断面MRI数据:此集合包括416名18至96岁的受试者的横断面集合。非痴呆和痴呆老年人的纵向MRI数据:该组纵向收集了150名年龄在60至96岁之间的受试者。两次或两次以上就诊时对每个受试者进行了扫描,相隔至少一年,共进行373次成像。
    在这里插入图片描述

    十、Isic Archive(黑色素瘤)

    数据下载链接:https://github.com/GalAvineri/ISIC-Archive-Downloader
    数据介绍:该档案库包含分类皮肤损伤的23k图像。 它包含了恶性和良性的例子。每个示例均包含病变的图像,有关病变的元数据(包括分类和分割)以及有关患者的元数据。
    在这里插入图片描述

    十一、森尼布鲁克心脏数据

    数据下载链接:http://www.cardiacatlas.org/studies/

    数据介绍:Sunnybrook心脏数据(SCD)也称为2009心脏MR左心室分割挑战数据,由来自以下患者和病理混合的45幅cine-MRI图像组成:健康,肥大,伴有梗塞和心脏的心力衰竭。
    在这里插入图片描述

    十二、肺部图像数据库联盟(LIDC)

    数据下载链接:https://wiki.cancerimagingarchive.net/display/Public/LIDC-IDRI#

    数据介绍:肺图像数据库联合会图像收集(LIDC-IDRI)包括诊断性和肺癌筛查性胸部X线断层扫描(CT)扫描,并标明带注释的病变。 它是可通过网络访问的国际资源,用于开发,培训和评估用于肺癌检测和诊断的计算机辅助诊断(CAD)方法。 由美国国立癌症研究所(NCI)发起,并由美国国立卫生研究院(FNIH)基金会进一步推动,并在食品药品监督管理局(FDA)的积极参与下,这种公私合作伙伴关系证明了一项成功的研究成果。
    在这里插入图片描述

    十三、INbreast:数字化乳腺摄影数据库

    数据库下载链接:http://medicalresearch.inescporto.pt/breastresearch/index.php/Get_INbreast_Database

    数据库介绍:INbreast数据库是一个乳腺摄影数据库,其中的图像是从位于大学医院(葡萄牙波尔图的乳腺癌中心,圣若昂医院)的乳腺癌中心获取的。 INbreast共有115例(410幅图像),其中90例来自双乳女性(每例4幅图像),而25例来自乳房切除术患者(每例2幅图像)。 包括几种类型的病变(肿块,钙化,不对称和变形)。 专家还以XML格式提供了精确的轮廓。

    十四、前列腺癌数据集

    数据下载链接:http://www.ehealthlab.cs.ucy.ac.cy/index.php/facilities/32-software/218-datasets

    数据介绍:
    1、图像格式:关于数据集的某些技术方面,T2-W MRI,DCE MRI和DWI MRI,ADC将以DICOM格式交付。
    2、关于MRSI数据将以RDA(西门子)或DICOM(GE)格式提供。
    3、以DICOM格式提供每种形式的所有地面真实图像。

    Ground Truth:
    对于每种方式,都提供了一组Ground Truth。GT由四个不同类别组成:(i)前列腺,(ii)边缘区(PZ),(iii)中央腺体(CG),(iv)CaP。

    十五、SCR数据库(胸部X光片中的分割)

    数据下载链接:http://www.isi.uu.nl/Research/Databases/SCR/

    数据介绍:所有胸部X光片均取自JSRT数据库,这是一个公开可用的数据库,其中包含247张PA胸片。在每幅图像中,都对肺野,心脏和锁骨进行了手动分割,以提供参考标准。

    在这里插入图片描述

    展开全文
  • 【数据集】一文道尽医学图像数据集与竞赛

    万次阅读 多人点赞 2018-12-14 07:58:09
    【数据集】一文道尽医学图像数据集与竞赛 在AI与深度学习逐渐发展成熟的趋势下,人工智能和大数据等技术开始进入了医疗领域,它们把现有的一些传统流程进行优化,大幅度提高各种流程的效率、精度、用户体验,同时...

    文章首发于微信公众号《有三AI》

    【数据集】一文道尽医学图像数据集与竞赛

    在AI与深度学习逐渐发展成熟的趋势下,人工智能和大数据等技术开始进入了医疗领域,它们把现有的一些传统流程进行优化,大幅度提高各种流程的效率、精度、用户体验,同时也缓解了医疗资源的压力和精确度不够的问题。

     

    01 医学数据集

    智能医疗有很多的发展方向,例如医学影像处理、诊断预测、疾病控制、健康管理、康复机器人、语音识别病历电子化等。当前人工智能技术新的发力点中的医学图像在疾病的预测和自动化诊断方面有非常大的意义,本篇即针对医学影像中的病例分析,降噪,分割,检索等领域来介绍一些常用的数据集。

    1.1 病例分析数据集

    1.1.1 ABIDE

    数据集地址:

    http://preprocessed-connectomes-project.org/abide/

    发布于2013年,这是一个对自闭症内在大脑结构的大规模评估数据集,包括539名患有ASD和573名正常个体的功能MRI图像。

    1.1.2 OASIS

    数据集地址:http://www.oasis-brains.org/

    OASIS,全称为Open Access Series of Imaging Studies,已经发布了第3代版本,第一次发布于2007年,是一项旨在使科学界免费提供大脑核磁共振数据集的项目。它有两个数据集可用,下面是第1版的主要内容。

    (1) 横截面数据集:年轻,中老年,非痴呆和痴呆老年人的横断面MRI数据。该组由416名年龄在18岁至96岁的受试者组成的横截面数据库组成。对于每位受试者,单独获得3或4个单独的T1加权MRI扫描包括扫描会话。受试者都是右撇子,包括男性和女性。100名60岁以上的受试者已经临床诊断为轻度至中度阿尔茨海默病。

    (2) 纵向集数据集:非痴呆和痴呆老年人的纵向磁共振成像数据。该集合包括150名年龄在60至96岁的受试者的纵向集合。每位受试者在两次或多次访视中进行扫描,间隔至少一年,总共进行373次成像。对于每个受试者,包括在单次扫描期间获得的3或4次单独的T1加权MRI扫描。受试者都是右撇子,包括男性和女性。在整个研究中,72名受试者被描述为未被证实。包括的受试者中有64人在初次就诊时表现为痴呆症,并在随后的扫描中仍然如此,其中包括51名轻度至中度阿尔茨海默病患者。另外14名受试者在初次就诊时表现为未衰退,随后在随后的访视中表现为痴呆症。

    1.1.3 DDSM

    数据集地址:

    http://marathon.csee.usf.edu/Mammography/Database.html

    发布于2000年,这是一个用于筛选乳腺摄影的数字数据库,是乳腺摄影图像分析研究社区使用的资源。该项目的主要支持来自美国陆军医学研究和装备司令部的乳腺癌研究计划。DDSM项目是由马萨诸塞州综合医院(D. Kopans,R. Moore),南佛罗里达大学(K. Bowyer)和桑迪亚国家实验室(P. Kegelmeyer)共同参与的合作项目。数据库的主要目的是促进计算机算法开发方面的良好研究,以帮助筛选。数据库的次要目的可能包括开发算法以帮助诊断和开发教学或培训辅助工具。该数据库包含约2,500项研究。每项研究包括每个乳房的两幅图像,以及一些相关的患者信息(研究时间,ACR乳房密度评分,异常微妙评级,异常ACR关键字描述)和图像信息(扫描仪,空间分辨率等)。包含可疑区域的图像具有关于可疑区域的位置和类型的像素级“地面真实”信息。

    1.1.4 MIAS

    数据集地址:

    http://peipa.essex.ac.uk/pix/mias/all-mias.tar.gz

    https://www.repository.cam.ac.uk/handle/1810/250394?show=full

    MIAS全称为MiniMammographic Database,是乳腺图像数据库。

    乳腺MG数据(Breast Mammography)有个专门的database,可以查看很多数据集,链接地址为:

    http://www.mammoimage.org/databases/

    1.1.5 MURA

    数据集地址:

    https://stanfordmlgroup.github.io/competitions/mura/

    发布于2018年2月,吴恩达团队开源了 MURA 数据库,MURA 是目前最大的 X 光片数据库之一。该数据库中包含了源自14982项病例的40895张肌肉骨骼X光片。1万多项病例里有9067例正常的上级肌肉骨骼和5915例上肢异常肌肉骨骼的X光片,部位包括肩部、肱骨、手肘、前臂、手腕、手掌和手指。每个病例包含一个或多个图像,均由放射科医师手动标记。全球有超过17亿人都有肌肉骨骼性的疾病,因此训练这个数据集,并基于深度学习检测骨骼疾病,进行自动异常定位,通过组织器官的X光片来确定机体的健康状况,进而对患者的病情进行诊断,可以帮助缓解放射科医生的疲劳。

    公开可用的医学射线照相图像数据集概述

    参考2018年论文:MURA: Large Dataset for Abnormality Detection in Musculoskeletal Radiographs.

    1.1.6 ChestX-ray14

    数据集地址:

    https://www.kaggle.com/nih-chest-xrays/data

    https://nihcc.app.box.com/v/ChestXray-NIHCC

    参考论文:

    CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning

    ChestX-ray14 是由NIH研究院提供的,其中包含了30,805名患者的112,120个单独标注的14种不同肺部疾病(肺不张、变实、浸润、气胸、水肿、肺气肿、纤维变性、积液、肺炎、胸膜增厚、心脏肥大、结节、肿块和疝气)的正面胸部 X 光片。研究人员对数据采用NLP方法对图像进行标注。利用深度学习的技术早期发现并识别胸透照片中肺炎等疾病对增加患者恢复和生存的最佳机会至关重要。

    1.1.7 LIDC-IDRI

    数据集地址:

    https://wiki.cancerimagingarchive.net/display/Public/LIDC-IDRI

    LIDC-IDRI数据集是由美国国家癌症研究所(National Cancer Institute)发起收集的,目的是为了研究高危人群早期肺结节检测。该数据集中,共收录了1018个研究实例。对于每个实例中的图像,都由4位经验丰富的胸部放射科医师进行两阶段的诊断标注。该数据集由胸部医学图像文件(如CT、X光片)和对应的诊断结果病变标注组成。

    1.1.8 LUNA16

    数据集地址:

    https://luna16.grand-challenge.org/Home/

    发布于2016年,是肺部肿瘤检测最常用的数据集之一,它包含888个CT图像,1084个肿瘤,图像质量和肿瘤大小的范围比较理想。数据分为10个subsets,subset包含89/88个CT scan。

    LUNA16的CT图像取自LIDC/IDRI数据集,选取了三个以上放射科医师意见一致的annotation,并且去掉了小于3mm的肿瘤,所以数据集里不含有小于3mm的肿瘤,便于训练。

    1.1.9 NSCLC

    数据集地址:

    https://wiki.cancerimagingarchive.net/display/Public/NSCLC+Radiogenomics

    发布于2018年,来自斯坦福大学。数据集来自211名受试者的非小细胞肺癌(NSCLC)队列的独特放射基因组数据集。该数据集包括计算机断层扫描(CT),正电子发射断层扫描(PET)/ CT图像。创建该数据集是为了便于发现基因组和医学图像特征之间的基础关系,以及预测医学图像生物标记的开发和评估。

    1.1.10 DeepLesion

    数据集地址:

    https://nihcc.app.box.com/v/DeepLesion

    DeepLesion由美国国立卫生研究院临床中心(NIHCC)的团队开发,是迄今规模最大的多类别、病灶级别标注临床医疗CT图像开放数据集。在该数据库中图像包括多种病变类型,目前包括4427个患者的32,735 张CT图像及病变信息,同时也包括肾脏病变,骨病变,肺结节和淋巴结肿大。DeepLesion多类别病变数据集可以用来开发自动化放射诊断的CADx系统。

    1.1.11 ADNI

    数据集地址:

    http : //adni.loni.usc.edu/data-samples/access-data/

    ANDI涉及到的数据集包括如下几部分Clinical Data(临床数据)、MR Image Data(磁共振成像)、Standardized MRI Data Sets、PET Image Data(正电子发射计算机断层扫描)、Gennetic Data(遗传数据)、Biospecimen Data(生物样本数据)。

    1.2 医学降噪数据集

    1.2.1 BrainWeb数据集

    数据集地址:

    http://brainweb.bic.mni.mcgill.ca/brainweb/

    发布于1997年,这是一个仿真数据集,用于医学图像降噪。研究者可以截取不同断层的正常脑部仿真图像,包括T1,T2,PD3种断层,设置断层的厚度,叠加高斯噪声或者医学图像中常见的莱斯噪声,最终会得到181×217大小的噪声图像。

    1.3 医学分割数据集

    1.3.1 DRIVE数据集

    数据集地址:

    http://www.isi.uu.nl/Research/Databases/DRIVE/download.php

    发布于2003年,这是一个用于血管分割的数字视网膜图像数据集,它由40张照片组成,其中7张显示出轻度早期糖尿病视网膜病变迹象。

    1.3.2 SCR数据集

    数据集地址:

    http://www.isi.uu.nl/Research/Databases/SCR/

    发布于2000年,胸部X光片的分割,胸部X光片中解剖结构的自动分割对于这些图像中的计算机辅助诊断非常重要。SCR数据库的建立是为了便于比较研究肺野,心脏和锁骨在标准的后胸前X线片上的分割。

    本着合作科学进步的精神,我们可以自由共享SCR数据库,并致力于在这些分割任务上维护各种算法结果的公共存储库。在这些页面上,可以在下载数据库和上载结果时找到说明,并且可以检查各种方法的基准结果。

    1.3.3 医学图像分析benchmark

    在网址https://grand-challenge.org/challenges/提供了时间跨度超过10年的医学图像资料。

    1.3.4 Ardiac MRI

    数据集地址:

    http://www.cse.yorku.ca/~mridataset/

    ardiac MRI 是心脏病患者心房医疗影像数据,以及其左心室的心内膜和外膜的图像标注。包括33位患者案例,每个受试者的序列由沿着长的20帧和8-15个切片组成,共7980张图像。

    1.3.5 NIH

    数据集地址:

    https://www.kaggle.com/nih-chest-xrays

    发布于2017年,这是一个胸部X射线数据集,包含30,805个患者,14个疾病图像标签(其中每个图像可以具有多个标签),112,820个正面X射线图像,标签是使用自然语言处理从相关的放射学报告中自动提取。十四种常见的胸部病变包括肺不张,巩固,浸润,气胸,水肿,肺气肿,纤维化,积液,肺炎,胸膜增厚,心脏扩大,结节,肿块和疝。由于许多原因,原始放射学报告(与这些胸部X射线研究相关)并不是公开分享的。所以文本挖掘的疾病标签预计准确度 > 90%,这个数据集适合做半监督的学习。

    1.4 List of Open Access 

    在List of Open Access Medical Imaging Datasets网站上可以看到更多的相关方向的数据集。

    数据集地址:

    http://www.radrounds.com/profiles/blogs/list-of-open-access-medical-imaging-datasets

     

    02 医学竞赛

    2.1 VISCERAL

    地址链接:http://www.visceral.eu/

    VISCERAL 是Visual Concept Extraction Challenge in Radiology的缩写,是放射学中的视觉概念提取挑战赛。他们提供几种不同成像模式(例如CT和MR)的几种解剖结构(例如肾,肺,膀胱等)的放射学数据以及一个云计算实例。

    2.2 Grand Challenges

    地址链接:

    https://grand-challenge.org/challenges/

    提供了医学图像分析领域内所有挑战的概述,下面举的例子是2019年的医学图像方面将要举办的竞赛。

    2.3 Dream Challenges

    地址链接:http : //dreamchallenges.org/

    这个挑战赛中包括有数字乳腺摄影梦想挑战;ICGC-TCGA DREAM体细胞突变称为RNA挑战(SMC-RNA)等等。

     

    03 总结

    最后提供给对医学影像处理感兴趣的童鞋一个超级赞的github链接如下:

    https://github.com/beamandrew/medical-data  

    这是Github上哈佛 beamandrew机器学习和医学影像研究者贡献的数据集,包括了医学影像数据、竞赛数据、来自电子健康记录的数据、医疗数据、UCI数据集、生物医学文献等。

    感谢各位看官的耐心阅读,不足之处希望多多指教。后续内容将会不定期奉上,欢迎大家关注有三公众号 有三AI

     

     

    展开全文
  • 眼底图像分割\关键点检测\动静脉区分常用数据集,是眼底最广泛的数据集之一,甚至可以去掉'之一'二字.这里面含有分割图的groundtruth,原图以及mask,没有关键点坐标的groundtruth,关键点在另...
  • 建立DRIVE数据库,对视网膜图像血管分割进行比较研究。视网膜血管分割和描绘视网膜血管的形态属性,如长度、宽度、弯曲度、分支模式和角度,可以用于诊断、筛选、治疗和评价各种心血管和眼科疾病。 DRIVE Digital ...
  • CAMUS 心脏分割超声图像数据集,含500名患者的超声数据百度云,相关竞赛http://camus.creatis.insa-lyon.fr/challenge/
  • 数据集:一文道尽医学图像数据集与竞赛 在AI与深度学习逐渐发展成熟的趋势下,人工智能和大数据等技术开始进入了医疗领域,它们把现有的一些传统流程进行优化,大幅度提高各种流程的效率、精度、...

    数据集:一文道尽医学图像数据集与竞赛

     

    在AI与深度学习逐渐发展成熟的趋势下,人工智能和大数据等技术开始进入了医疗领域,它们把现有的一些传统流程进行优化,大幅度提高各种流程的效率、精度、用户体验,同时也缓解了医疗资源的压力和精确度不够的问题。

    01医学数据集

    智能医疗有很多的发展方向,例如医学影像处理、诊断预测、疾病控制、健康管理、康复机器人、语音识别病历电子化等。当前人工智能技术新的发力点中的医学图像在疾病的预测和自动化诊断方面有非常大的意义,本篇即针对医学影像中的病例分析,降噪,分割,检索等领域来介绍一些常用的数据集。

    1.1 病例分析数据集

    1.1.1 ABIDE

    数据集地址:

    http://preprocessed-connectomes-project.org/abide/

    发布于2013年,这是一个对自闭症内在大脑结构的大规模评估数据集,包括539名患有ASD和573名正常个体的功能MRI图像。

    1.1.2 OASIS

    数据集地址:http://www.oasis-brains.org/

    OASIS,全称为Open Access Series of Imaging Studies,已经发布了第3代版本,第一次发布于2007年,是一项旨在使科学界免费提供大脑核磁共振数据集的项目。它有两个数据集可用,下面是第1版的主要内容。

    (1) 横截面数据集:年轻,中老年,非痴呆和痴呆老年人的横断面MRI数据。该组由416名年龄在18岁至96岁的受试者组成的横截面数据库组成。对于每位受试者,单独获得3或4个单独的T1加权MRI扫描包括扫描会话。受试者都是右撇子,包括男性和女性。100名60岁以上的受试者已经临床诊断为轻度至中度阿尔茨海默病。

    (2) 纵向集数据集:非痴呆和痴呆老年人的纵向磁共振成像数据。该集合包括150名年龄在60至96岁的受试者的纵向集合。每位受试者在两次或多次访视中进行扫描,间隔至少一年,总共进行373次成像。对于每个受试者,包括在单次扫描期间获得的3或4次单独的T1加权MRI扫描。受试者都是右撇子,包括男性和女性。在整个研究中,72名受试者被描述为未被证实。包括的受试者中有64人在初次就诊时表现为痴呆症,并在随后的扫描中仍然如此,其中包括51名轻度至中度阿尔茨海默病患者。另外14名受试者在初次就诊时表现为未衰退,随后在随后的访视中表现为痴呆症。

    1.1.3 DDSM

    数据集地址:

    http://marathon.csee.usf.edu/Mammography/Database.html

    发布于2000年,这是一个用于筛选乳腺摄影的数字数据库,是乳腺摄影图像分析研究社区使用的资源。该项目的主要支持来自美国陆军医学研究和装备司令部的乳腺癌研究计划。DDSM项目是由马萨诸塞州综合医院(D. Kopans,R. Moore),南佛罗里达大学(K.Bowyer)和桑迪亚国家实验室(P. Kegelmeyer)共同参与的合作项目。数据库的主要目的是促进计算机算法开发方面的良好研究,以帮助筛选。数据库的次要目的可能包括开发算法以帮助诊断和开发教学或培训辅助工具。该数据库包含约2,500项研究。每项研究包括每个乳房的两幅图像,以及一些相关的患者信息(研究时间,ACR乳房密度评分,异常微妙评级,异常ACR关键字描述)和图像信息(扫描仪,空间分辨率等)。包含可疑区域的图像具有关于可疑区域的位置和类型的像素级“地面真实”信息。

    1.1.4 MIAS

    数据集地址:

    http://peipa.essex.ac.uk/pix/mias/all-mias.tar.gz

    https://www.repository.cam.ac.uk/handle/1810/250394?show=full

    MIAS全称为MiniMammographic Database,是乳腺图像数据库。

     

    乳腺MG数据(Breast Mammography)有个专门的database,可以查看很多数据集,链接地址为:

    http://www.mammoimage.org/databases/

    1.1.5 MURA

    数据集地址:

    https://stanfordmlgroup.github.io/competitions/mura/

    发布于2018年2月,吴恩达团队开源了 MURA 数据库,MURA 是目前最大的 X 光片数据库之一。该数据库中包含了源自14982项病例的40895张肌肉骨骼X光片。1万多项病例里有9067例正常的上级肌肉骨骼和5915例上肢异常肌肉骨骼的X光片,部位包括肩部、肱骨、手肘、前臂、手腕、手掌和手指。每个病例包含一个或多个图像,均由放射科医师手动标记。全球有超过17亿人都有肌肉骨骼性的疾病,因此训练这个数据集,并基于深度学习检测骨骼疾病,进行自动异常定位,通过组织器官的X光片来确定机体的健康状况,进而对患者的病情进行诊断,可以帮助缓解放射科医生的疲劳。

    公开可用的医学射线照相图像数据集概述

     

    参考2018年论文:MURA: Large Dataset for Abnormality Detection inMusculoskeletal Radiographs.

    1.1.6 ChestX-ray14

    数据集地址:

    https://www.kaggle.com/nih-chest-xrays/data

    https://nihcc.app.box.com/v/ChestXray-NIHCC

    参考论文:

    CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with DeepLearning

    ChestX-ray14 是由NIH研究院提供的,其中包含了30,805名患者的112,120个单独标注的14种不同肺部疾病(肺不张、变实、浸润、气胸、水肿、肺气肿、纤维变性、积液、肺炎、胸膜增厚、心脏肥大、结节、肿块和疝气)的正面胸部 X 光片。研究人员对数据采用NLP方法对图像进行标注。利用深度学习的技术早期发现并识别胸透照片中肺炎等疾病对增加患者恢复和生存的最佳机会至关重要。

    1.1.7 LIDC-IDRI

    数据集地址:

    https://wiki.cancerimagingarchive.net/display/Public/LIDC-IDRI

    LIDC-IDRI数据集是由美国国家癌症研究所(National Cancer Institute)发起收集的,目的是为了研究高危人群早期肺结节检测。该数据集中,共收录了1018个研究实例。对于每个实例中的图像,都由4位经验丰富的胸部放射科医师进行两阶段的诊断标注。该数据集由胸部医学图像文件(如CT、X光片)和对应的诊断结果病变标注组成。

    1.1.8 LUNA16

    数据集地址:

    https://luna16.grand-challenge.org/Home/

    发布于2016年,是肺部肿瘤检测最常用的数据集之一,它包含888个CT图像,1084个肿瘤,图像质量和肿瘤大小的范围比较理想。数据分为10个subsets,subset包含89/88个CT scan。

    LUNA16的CT图像取自LIDC/IDRI数据集,选取了三个以上放射科医师意见一致的annotation,并且去掉了小于3mm的肿瘤,所以数据集里不含有小于3mm的肿瘤,便于训练。

    1.1.9 NSCLC

    数据集地址:

    https://wiki.cancerimagingarchive.net/display/Public/NSCLC+Radiogenomics

    发布于2018年,来自斯坦福大学。数据集来自211名受试者的非小细胞肺癌(NSCLC)队列的独特放射基因组数据集。该数据集包括计算机断层扫描(CT),正电子发射断层扫描(PET)/ CT图像。创建该数据集是为了便于发现基因组和医学图像特征之间的基础关系,以及预测医学图像生物标记的开发和评估。

    1.1.10 DeepLesion

    数据集地址:

    https://nihcc.app.box.com/v/DeepLesion

    DeepLesion由美国国立卫生研究院临床中心(NIHCC)的团队开发,是迄今规模最大的多类别、病灶级别标注临床医疗CT图像开放数据集。在该数据库中图像包括多种病变类型,目前包括4427个患者的32,735 张CT图像及病变信息,同时也包括肾脏病变,骨病变,肺结节和淋巴结肿大。DeepLesion多类别病变数据集可以用来开发自动化放射诊断的CADx系统。

    1.1.11 ADNI

    数据集地址:

    http : //adni.loni.usc.edu/data-samples/access-data/

    ANDI涉及到的数据集包括如下几部分Clinical Data(临床数据)、MR Image Data(磁共振成像)、Standardized MRI Data Sets、PET Image Data(正电子发射计算机断层扫描)、Gennetic Data(遗传数据)、Biospecimen Data(生物样本数据)。

    1.2 医学降噪数据集

    1.2.1 BrainWeb数据集

    数据集地址:

    http://brainweb.bic.mni.mcgill.ca/brainweb/

    发布于1997年,这是一个仿真数据集,用于医学图像降噪。研究者可以截取不同断层的正常脑部仿真图像,包括T1,T2,PD3种断层,设置断层的厚度,叠加高斯噪声或者医学图像中常见的莱斯噪声,最终会得到181×217大小的噪声图像。

    1.3 医学分割数据集

    1.3.1 DRIVE数据集

    数据集地址:

    http://www.isi.uu.nl/Research/Databases/DRIVE/download.php

    发布于2003年,这是一个用于血管分割的数字视网膜图像数据集,它由40张照片组成,其中7张显示出轻度早期糖尿病视网膜病变迹象。

    1.3.2 SCR数据集

    数据集地址:

    http://www.isi.uu.nl/Research/Databases/SCR/

    发布于2000年,胸部X光片的分割,胸部X光片中解剖结构的自动分割对于这些图像中的计算机辅助诊断非常重要。SCR数据库的建立是为了便于比较研究肺野,心脏和锁骨在标准的后胸前X线片上的分割。

     

    本着合作科学进步的精神,我们可以自由共享SCR数据库,并致力于在这些分割任务上维护各种算法结果的公共存储库。在这些页面上,可以在下载数据库和上载结果时找到说明,并且可以检查各种方法的基准结果。

    1.3.3 医学图像分析benchmark

    在网址https://grand-challenge.org/challenges/提供了时间跨度超过10年的医学图像资料。

    1.3.4 Ardiac MRI

    数据集地址:

    http://www.cse.yorku.ca/~mridataset/

    ardiac MRI 是心脏病患者心房医疗影像数据,以及其左心室的心内膜和外膜的图像标注。包括33位患者案例,每个受试者的序列由沿着长的20帧和8-15个切片组成,共7980张图像。

    1.3.5 NIH

    数据集地址:

    https://www.kaggle.com/nih-chest-xrays

    发布于2017年,这是一个胸部X射线数据集,包含30,805个患者,14个疾病图像标签(其中每个图像可以具有多个标签),112,820个正面X射线图像,标签是使用自然语言处理从相关的放射学报告中自动提取。十四种常见的胸部病变包括肺不张,巩固,浸润,气胸,水肿,肺气肿,纤维化,积液,肺炎,胸膜增厚,心脏扩大,结节,肿块和疝。由于许多原因,原始放射学报告(与这些胸部X射线研究相关)并不是公开分享的。所以文本挖掘的疾病标签预计准确度 > 90%,这个数据集适合做半监督的学习。

    1.4 List of Open Access 

    在List of Open Access Medical Imaging Datasets网站上可以看到更多的相关方向的数据集。

    数据集地址:

    http://www.radrounds.com/profiles/blogs/list-of-open-access-medical-imaging-datasets

     
     

    02医学竞赛

    2.1 VISCERAL

    地址链接:http://www.visceral.eu/

    VISCERAL 是Visual Concept Extraction Challenge in Radiology的缩写,是放射学中的视觉概念提取挑战赛。他们提供几种不同成像模式(例如CT和MR)的几种解剖结构(例如肾,肺,膀胱等)的放射学数据以及一个云计算实例。

    2.2 Grand Challenges

    地址链接:

    https://grand-challenge.org/challenges/

    提供了医学图像分析领域内所有挑战的概述,下面举的例子是2019年的医学图像方面将要举办的竞赛。

     
     

    2.3 Dream Challenges

    地址链接:http : //dreamchallenges.org/

    这个挑战赛中包括有数字乳腺摄影梦想挑战;ICGC-TCGA DREAM体细胞突变称为RNA挑战(SMC-RNA)等等。

     

    03总结

    最后提供给对医学影像处理感兴趣的童鞋一个超级赞的github链接如下:

    https://github.com/beamandrew/medical-data  

    这是Github上哈佛 beamandrew机器学习和医学影像研究者贡献的数据集,包括了医学影像数据、竞赛数据、来自电子健康记录的数据、医疗数据、UCI数据集、生物医学文献等。

     
     

     

    转载于:https://www.cnblogs.com/yumoye/p/10512460.html

    展开全文
  • 数据集共包含40张视网膜血管图像,这40张图像已分为训练和测试集,均包含20张图像。如果没有积分,可关注我然后在评论区留下邮箱,将发送至邮箱。
  • 常用的图像数据集

    千次阅读 2019-09-14 21:10:38
    希望对大家有帮助)按主题索引行动数据库属性识别自主驾驶生物/医药相机校准脸和眼/虹膜数据库指纹一般图像一般RGBD和深度数据集一般视...
  • 求视网膜oct图像数据集

    千次阅读 2020-03-18 19:52:04
    研二在读生,毕设卡在了数据集上,数据量太少,求oct图像语义分割带标签的数据集,有知道的吗
  • 计算机医学图像数据集汇总

    千次阅读 2020-09-07 09:39:56
    一、肺结节数据集 计算机辅助诊断(CAD)主要是指基于医学影像学的计算机辅助技术。CAD 被视为医生的“第三只眼”,其广泛应用有助于提高诊断的敏感性和特异性。近年来,基于深度学习技术基础并利用海量医学影像数据...
  • 视网膜眼底血管分割的STARE数据集,可作为深度学习的训练集。
  • 心脏疾病预测 来自Kaggle的心血管疾病数据集-用于培训。
  • 血管图像分割.rar

    2019-06-13 14:55:39
    提取手背血管静脉图样,通过matlab中的图像分析将原图重合
  • 视网膜图像分割数据集整理

    千次阅读 2020-01-27 20:26:09
    视网膜图像分割数据集1. DRIVE2. CHASE_DB13. STARE 1. DRIVE 官网:http://www.isi.uu.nl/Research/Databases/DRIVE/ 文章: J. Staal, M. Abramoff, M. Niemeijer, M. Viergever, and B. van Ginneken, “Ridge ...
  • 数据集http://brainweb.bic.mni.mcgill.ca/brainweb/BrainWeb: Simulated Brain Databasehttp://brainweb.bic.mni.mcgill.ca/brainweb/selection_ms.htmlMRI datasets(上面的一部分)adni.loni.ucla....
  • 医学图像数据集 读博之后一直在做医学图像处理,收集了不少数据集(包括下载地址),整理了相关信息后再此分享出来,希望能帮助到新入门的同学。 如觉得对你有帮助,欢迎在论文中引用,仅供非商业用途使用。 包括...
  • DRIVE数据集,用于视网膜图像分割,里面一半是训练集,一半是测试集。
  • 利用图像分割技术提取眼底图像当中的血管图像 前言 眼底图像的研究一直是计算机视觉在医学领域的热点。此次,我的研究中的一部分就涉及眼底血管的提取,因此,想写这篇博文作为自己的一个存档记录。 环境搭建 在此次...
  • 通过在DRIVE(Digital Retinal Images for Vessel Extraction)和STARE(Structured Analysis of the Retina)数据集上进行验证,所提网络的灵敏度分别达到了81.75%和80.68%,特异性分别达到了97.67%和98.38%,准确性分别...
  • 实验结果表明, 与现存其他深度学习方法相比, 所提出网络结构的参数数量更少, 在DRIVE标准数据集上平均准确率达到0.9556, 灵敏度达到0.8036, 特异性达到0.9778, 受试者工作特性(ROC)曲线下的面积(AUC)达到0.9800, 比...
  • Unet简明代码实现眼底图像血管分割

    千次阅读 热门讨论 2019-09-03 16:05:33
    Unet是一种自编码器网络结构,用于图像分割任务,比如眼底图像血管分割。这位大佬已经开源了非常棒的该任务代码,但是代码比较复杂,我初学...首先还是简介一下,本任务基于DRIVE数据集,将眼底图像中的血管树给分...
  • 导语:这是之前做青光眼诊断研究时候整理的资料,所有的文章数字编号都对应我之前发表...数据集汇总 Dataset Name & Paper Country Photo Feature Equipment disease Drishti-GS Retinal image dataset .
  • MRI图像中的心脏分割 Heart Segmentation in MRI Images_datasets.txt Heart Segmentation in MRI Images_datasets.zip
  • 深度学习方法对OCT血管图像分类识别小结 相关背景       光学相干断层成像是一种干涉成像技术,这种技术能够获取组织的高分辨率横断层图像。这种技术常常用于血管内...
  • 视网膜血管分割全卷积网络的数据集预处理研究,张冠宏,周晓光,在深度神经网络中,对于数据集的预处理工作是非常重要的,会直接影响神经网络模型的预测结果。对于视网膜血管分割任务而言,数据
  • 根据临床血管专家的意见,由于提取了完整的血管树,而较少的非血管和背景被错误地归类为血管,因此可以高精度提取各种数据集血管。 在对比实验中,所提出的方法在从具有复杂背景噪声的多模态血管造影图像中提取...
  • 眼底数据集

    2019-01-17 08:35:18
    眼底数据集,主要用于眼底图像的分割等实验,原图是彩色的

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,428
精华内容 571
关键字:

血管图像数据集