Advertisement

结直肠息肉的医学影像数据集

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


简介:
本数据集包含了丰富的结直肠息肉医学影像资料,旨在为相关疾病的诊断和研究提供精准的数据支持。 Kvasir数据集包含1000张息肉图像,这些图像的尺寸在332×487到1920×1072之间,并且每个图像中的息肉区域大小及形状各异。 CVC-ColonDB数据集由来自结肠镜检查中采集的15个不同序列中的380张图片组成,所有这些图片尺寸均为574×500。 CVC-ClinicDB数据集则包含了从25段结肠镜视频提取出的612张图像,每一张图像的大小都是384×288。 CVC-300包含有60张息肉样本图片,这些图片尺寸统一为574×500。 ETIS数据集是从34个不同的结肠镜检查视频中提取了196张图像组成的,所有这些图像的大小均为1225×966。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • 优质
    本数据集包含了丰富的结直肠息肉医学影像资料,旨在为相关疾病的诊断和研究提供精准的数据支持。 Kvasir数据集包含1000张息肉图像,这些图像的尺寸在332×487到1920×1072之间,并且每个图像中的息肉区域大小及形状各异。 CVC-ColonDB数据集由来自结肠镜检查中采集的15个不同序列中的380张图片组成,所有这些图片尺寸均为574×500。 CVC-ClinicDB数据集则包含了从25段结肠镜视频提取出的612张图像,每一张图像的大小都是384×288。 CVC-300包含有60张息肉样本图片,这些图片尺寸统一为574×500。 ETIS数据集是从34个不同的结肠镜检查视频中提取了196张图像组成的,所有这些图像的大小均为1225×966。
  • 骨骼MURA (MURA dataset)
    优质
    MURA数据集是一套专门针对肌肉骨骼系统的医学影像资料库,旨在促进医疗影像领域的自动诊断研究与算法开发。 MURA数据集由斯坦福机器学习工作组提供。该数据集中包含《Dataset Research Use Agreement.pdf》文件。
  • 改进U-Net在检测与分割中应用: unet_polyp_segmentation
    优质
    本研究针对结肠直肠息肉检测与分割问题,优化了U-Net模型,提升了病变区域识别精度和效率,有助于早期诊断和治疗。标题为unet_polyp_segmentation。 使用改进的U-Net进行结肠直肠息肉检测和分割的研究中,所有图像均来自CVC-ClinicDB网站。该研究由Bernal, J.、Sánchez, FJ、Fernández-Esparrach, G.、Gil, D.、Rodríguez, C. 和Vilariño, F. 在2015年发表,他们在论文中提到WM-DOVA图可以在结肠镜检查中准确显示息肉,并与医生的验证结果进行了对比。相关研究已发布在《计算机医学成像和图形学》杂志第43期上,页码为99至111。
  • 改进U-Net在检测与分割中应用:unet_polyp_segmentation
    优质
    本研究针对结肠直肠息肉的检测与分割问题,对经典U-Net模型进行了优化和改进,以提高其在医学图像处理任务中的准确性和效率。通过实验验证了改进方案的有效性,并为临床应用提供了新的技术路径。 unet_polyp_segmentation 使用改进的U-Net进行结肠直肠息肉的检测和分割。所有图像均从CVC-ClinicDB网站下载。Bernal等人(2015年)的研究表明,在结肠镜检查中使用WM-DOVA图可以准确显示息肉,其医生验证图与显着图具有较高的准确性。相关研究发表在《计算机医学成像和图形学》杂志第43期上,页码为99-111。
  • 改进U-Net在检测与分割中应用:unet_polyp_segmentation
    优质
    本研究提出了一种基于改进U-Net模型的方法,专注于提高结肠直肠息肉的自动检测和精确分割性能,以辅助临床诊断。 使用改进的U-Net进行结肠直肠息肉检测与分割的研究采用了从CVC-ClinicDB网站下载的所有图像。该研究基于Bernal, J.等人在2015年的研究成果《WM-DOVA图可在内镜检查中准确显示息肉:医生验证图与显著性图》(Computerized Medical Imaging and Graphics,43: 99-111)。
  • 基于改良U-Net检测与分割方法:UNet_Polyp_Segmentation
    优质
    本文提出了一种改进的U-Net模型用于结肠和直肠息肉的自动检测与精确分割,旨在提高临床诊断效率及准确性。该研究利用深度学习技术优化了医学图像处理流程。 使用改进的U-Net进行结肠直肠息肉检测和分割的研究采用了从CVC-ClinicDB网站下载的所有图像。这项研究由Bernal, J.、Sánchez, FJ、Fernández-Esparrach, G.、Gil, D.、Rodríguez, C. 和Vilariño, F.(2015年)在论文《WM-DOVA图可在结肠镜检查中准确显示息肉:医生的验证图与显着图》中提出,该研究发表于《计算机医学成像和图形学》,第43期,页码99至111。
  • 基于改进U-Net检测与分割模型:unet_polyp_segmentation
    优质
    unet_polyp_segmentation采用改进的U-Net架构,专注于提高结肠直肠息肉的自动检测和精确分割性能,助力临床早期诊断。 使用改进的U-Net进行结肠直肠息肉检测和分割。所有图像均从CVC-ClinicDB网站下载。Bernal等人(2015年)的研究表明,在结肠镜检查中WM-DOVA图能够准确显示息肉,并进行了医生验证与显著性分析,相关研究发表在《计算机医学成像和图形学》杂志第43卷的99至111页上。
  • 内镜图病变检测(VOC+YOLO格式,13524张,2类别)A版.7z
    优质
    这是一个包含13524张图片的数据集,用于训练和评估结直肠息肉的内镜图像自动识别模型。数据集采用VOC及YOLO格式,有助于检测两类不同的病变区域,支持科研人员进行高效的医学图像分析研究。 数据集格式:Pascal VOC 格式+YOLO 格式(不包含分割路径的txt 文件,仅包含jpg 图片以及对应的VOC 格式xml 文件和yolo 格式txt 文件) 图片数量(jpg文件个数):13524 标注数量(xml文件个数):13524 标注数量(txt文件个数):13524 标注类别数:2 标注类别名称:[xianliu,zengsheng] 每个类别标注的框数: xianliu 框数 = 7180 zengsheng 框数 = 6344 总框数:13524 使用标注工具:labelImg 标注规则:对类别进行画矩形框 重要说明:数据集共分为两个版本,即A版和B版。两个版本的图片数量相同,并且不存在重叠文件名或重复情况,可以合并训练也可以单独训练。 特别声明:本数据集不对训练模型或者权重文件精度作任何保证,仅提供准确合理的标注信息。
  • 改进型U-Net在检测与分割中应用:unet_polyp_segmentation
    优质
    本文介绍了一种基于改进型U-Net模型在结肠直肠息肉检测和分割任务上的应用,通过实验验证了其有效性和优越性。标题简称为unet_polyp_segmentation。 unet_polyp_segmentation 使用改进的U-Net进行结肠直肠息肉的检测和分割。所有图像均从CVC-ClinicDB网站下载。Bernal等人(2015年)的研究指出WM-DOVA图可在结肠镜检查中准确显示息肉:医生的验证图与显著图相比具有优势。相关研究发表在《计算机医学成像和图形学》第43期,99-111页上。