Advertisement

医学图像分割资料:涵盖全脊椎切片的分类【内含三个视角的细分数据集(26类)、标注文件及可视化工具】

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型:7Z


简介:
本资料包提供全面的医学图像分割资源,专注于全脊椎切片分析。包含多角度细致划分的数据集、详尽标注文档与实用可视化软件,助力科研与临床应用。 项目包括完整脊柱切片分割数据集,包含三个切面的划分(26类别)、标签文件以及可视化代码。在mask图像中,“0”代表背景,其余从“1”到“25”分别对应人体整条脊椎中的每根椎体的具体标注,具体参考classes.txt文件。 该数据集由CT扫描得到的脊柱切片组成,并从中提取了轴位面(横断面)、冠状面和矢状面上的二维图像。为了便于分割处理,去除了ROI区域不足3%的数据。mask图像是灰度值为0、1、2的阈值图片,与之对应的原图为jpg格式,标签则以png格式保存。 数据集根据x轴(512*512分辨率)、y轴(512*487分辨率)和z轴划分,并包括相应的图像文件夹及mask模板。其中: - x轴包含205张图片及其对应的205个mask; - y轴有185张图片以及与之匹配的185个mask; - z轴则拥有总计2062张图片和等数量的对应掩码图像。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • 26)、
    优质
    本资料包提供全面的医学图像分割资源,专注于全脊椎切片分析。包含多角度细致划分的数据集、详尽标注文档与实用可视化软件,助力科研与临床应用。 项目包括完整脊柱切片分割数据集,包含三个切面的划分(26类别)、标签文件以及可视化代码。在mask图像中,“0”代表背景,其余从“1”到“25”分别对应人体整条脊椎中的每根椎体的具体标注,具体参考classes.txt文件。 该数据集由CT扫描得到的脊柱切片组成,并从中提取了轴位面(横断面)、冠状面和矢状面上的二维图像。为了便于分割处理,去除了ROI区域不足3%的数据。mask图像是灰度值为0、1、2的阈值图片,与之对应的原图为jpg格式,标签则以png格式保存。 数据集根据x轴(512*512分辨率)、y轴(512*487分辨率)和z轴划分,并包括相应的图像文件夹及mask模板。其中: - x轴包含205张图片及其对应的205个mask; - y轴有185张图片以及与之匹配的185个mask; - z轴则拥有总计2062张图片和等数量的对应掩码图像。
  • 肝肿瘤(LiTS):(3别)、代码
    优质
    简介:LiTS数据集专为肝肿瘤分割设计,提供包含肝脏、肿瘤和背景三类别的CT切片图像及其对应标注,并附有可视化工具。 项目包含:肝肿瘤分割(LiTS)切片【包括切片后的数据集(3类别)、标签文件、可视化代码】 其中mask中的1表示肝脏区域、2表示肿瘤区域,0为背景部分,请参考classes.txt文件以获取更多细节。 该数据集由LITS的冠状面图像切分而成,共包含从131个病例中提取出的数据。为了便于分割操作,在进行切片时已去除ROI(感兴趣区域)不足5%的部分。mask灰度值为0、1和2的阈值图,图片与标签分别以jpeg和png格式存储,并提供了可视化代码用于观察mask。 数据集分为训练集和测试集: - 训练集包括images目录中的10937张图片及masks模板目录下的对应数量的mask图片; - 测试集中则有4686张图像及其对应的相同数量的标签。
  • 家庭场景家19种别,附带txt
    优质
    这是一个包含19种不同类别的家具全景分割图像的数据集,提供了详细的标注信息和可视化工具,并以txt格式提供标签文件。 图像分辨率为640*640,适用于细粒度分割。 数据格式:jpg mask标签格式:png 标签信息包括背景(0)、床(1)、椅子(2)、橱柜(3)、门(5)、灯(10)、地毯(14)、桌子(15)和窗户(18)等。具体类别可以在classes txt文本中查看。 运行show脚本可以查看gt在images上的掩膜结果。 数据集分为训练集和验证集。 - 训练集:包含309张图片及其对应的309个mask图像; - 验证集:包括53张图片及对应数量的mask图像。
  • CT肝脏(4)【预划别字典Python脚本】
    优质
    这是一个包含预划分数据和类别字典的CT肝脏分类医学图像数据集,用于支持四类肝脏疾病的识别与分析,并提供Python脚本进行可视化操作。 该数据集包含4个分类:胆囊、正常、结石、肿瘤。数据被分为训练集和验证集两个目录下,其中训练集图片总数为9959张,验证集图片总数为2487张。这些图像可以用于YOLOv5的分类任务或传统CNN分类网络项目中。此外,提供了包含分类标签字典文件的JSON格式,并且可以通过资源中的脚本可视化数据集。有关使用CNN进行此类项目的更多信息,请参考相关博客文章。
  • 玉米叶病害代码
    优质
    本数据集提供丰富的玉米叶片病害图像,并附带详细分类标签与可视化代码,旨在促进植物病理学研究和智能农业发展。 项目包含:玉米叶片病害分割【数据集+类别标签+可视化代码】 数据集为256*256分辨率下的玉米叶片病害分割。 分割前景包括叶片等部分,标签的mask图像采用RGB彩色表示,其中0代表背景。为了方便观察和理解,提供了一段可视化的代码。 该数据集中包含4个文件夹(健康、锈菌、斑点、枯萎病),共计3852张原始图片及其对应的mask标签。 此外,项目中还包含一个图像分割的可视化脚本,随机抽取一张图片,并展示其原始图、GT图像以及在原图上的蒙板效果,并将结果保存到当前目录下。
  • 火灾烟雾:包3代码
    优质
    本数据集提供全面的火灾烟雾图像,涵盖三类标签(背景、烟雾、火焰),并附带可视化工具与代码,便于研究和分析。 项目包括:火灾烟雾分割(3分割),包含数据集、类别标签及可视化代码。 该数据集的图像分辨率为512*512像素,并专注于全场景下的烟雾分割任务,其中前景为烟雾等目标物,背景与前景区域区分明显且标注完整。为了方便观察和理解,提供了相关的可视化脚本。具体效果可参考相关文档或示例。 数据集分为训练集和测试集: - 训练集中包含315张图片及其对应的掩模图像。 - 测试集中则有35张图片及相应的掩膜图。 此外,项目还提供了一个用于图像分割的可视化脚本。该脚本能随机选取一张图片,并展示原始图像、真实标签(GT)以及在原图上应用了标签后的效果,最后将结果保存到当前目录中。
  • YOLO 息肉检测(Kvasir-SEG) 【
    优质
    本项目提供YOLO格式的息肉检测数据集Kvasir-SEG,包括各类别图像数据、标签文件以及用于数据可视化的工具,助力医学影像研究。 项目包含:息肉(Kvasir-SEG)检测(1类别),包括划分好的数据集、类别class文件以及数据可视化脚本。数据保存遵循YOLO项目的文件夹结构,可以直接用于目标检测任务,无需额外处理。 图像分辨率为332x487到1920x1072的RGB图片,涵盖息肉检测的数据集。每张图中的标注边界框完整且清晰可见。 标注格式为:类别、中心点(x坐标和y坐标)、宽度w和高度h (YOLO相对坐标)。 数据集中包含一个类别:息肉(具体信息可查看classes.txt文件) 压缩后的总大小为57 MB,分为训练集和验证集: - 训练集由800张图片及其对应的800个标签txt文件组成。 - 验证集则包括200张图片及相应的200个标签txt文件。 为了便于查看数据,提供了可视化py脚本。只需随机传入一张图像即可绘制边界框,并保存到当前目录下。该脚本无需修改,可以直接运行以生成可视化的图象。
  • 杂草5998张5别.7z
    优质
    本数据集包含5998张图片,涵盖了五种不同的杂草种类,旨在为图像识别和机器学习模型提供训练资源。文件以压缩格式(.7z)存储。 数据集类型:图像分类用,不可用于目标检测。 数据集格式:仅包含jpg图片文件,每个类别文件夹内存放对应类别的图片。 图片数量(jpg文件个数):5998 分类类别数:5 类别名称: - bluegrass - chenopodium - cirsium - corn - sedge 每种类别图片数: - bluegrass: 1200张 - chenopodium: 1200张 - cirsium: 1200张 - corn: 1200张 - sedge: 1198张 重要说明:暂无特别声明。 特别声明:本数据集不对训练的模型或者权重文件精度作任何保证,仅提供准确且合理分类存放。
  • ImgViz:对象检测、语义实例
    优质
    ImgViz是一款全面的图像可视化工具,专为深度学习任务设计,支持对象检测、语义与实例分割等多种功能。 imgviz图像可视化工具的安装命令如下: ```shell pip install imgviz # 安装所有可选依赖项(如skimage) pip install imgviz[all] ``` 对于pillow、PyYAML等入门需求,可以参考以下示例代码: ```python import imgviz # 获取RGB、深度、类别标签和实例掩码的样本数据 data = imgviz.data.arc2017() # 使用JET颜色映射对深度图像进行着色处理 depth = data[depth] depthviz = imgviz.depth2rgb(depth, mi) ```