Advertisement

关于多种肺炎的胸部X光片数据集

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


简介:
该数据集包含了各种肺炎患者的胸部X光影像,旨在为研究者提供一个全面的资源库,以促进对不同类型的肺部疾病的诊断和理解。 此数据集包含3616个COVID-19阳性病例以及10192个正常、6012个肺部浑浊(非COVID肺部感染)和1345个病毒性肺炎图像,包括了数据集和注释。 新型冠状病毒感染引起的新冠肺炎具有全球流行、高度传染性和高死亡率的特点。随着确诊病例的增加,医疗机构面临着巨大的确诊压力。为此,作者构建了一个胸部X光片的数据集:其中包括3616张COVID-19阳性病例以及10,192张正常图像、6012张肺部浑浊(非COVID肺炎)和1345张病毒性肺炎的图像。此数据集可用于区分新冠肺炎和其他原因引起的肺炎,加快确诊速度与效率。 该数据集中包含四个类别的文件夹: - COVID:新型冠状病毒感染阳性病例(共3616张) - Lung_Opacity:肺部浑浊(非COVID感染)(共6012张) - Normal:正常胸部X光片(共10,192张) - Viral_Pneumonia:病毒性肺炎(共1345张) 所有图像均采用PNG格式,分辨率为299*299像素。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • X
    优质
    该数据集包含了各种肺炎患者的胸部X光影像,旨在为研究者提供一个全面的资源库,以促进对不同类型的肺部疾病的诊断和理解。 此数据集包含3616个COVID-19阳性病例以及10192个正常、6012个肺部浑浊(非COVID肺部感染)和1345个病毒性肺炎图像,包括了数据集和注释。 新型冠状病毒感染引起的新冠肺炎具有全球流行、高度传染性和高死亡率的特点。随着确诊病例的增加,医疗机构面临着巨大的确诊压力。为此,作者构建了一个胸部X光片的数据集:其中包括3616张COVID-19阳性病例以及10,192张正常图像、6012张肺部浑浊(非COVID肺炎)和1345张病毒性肺炎的图像。此数据集可用于区分新冠肺炎和其他原因引起的肺炎,加快确诊速度与效率。 该数据集中包含四个类别的文件夹: - COVID:新型冠状病毒感染阳性病例(共3616张) - Lung_Opacity:肺部浑浊(非COVID感染)(共6012张) - Normal:正常胸部X光片(共10,192张) - Viral_Pneumonia:病毒性肺炎(共1345张) 所有图像均采用PNG格式,分辨率为299*299像素。
  • RSNA检测挑战:目标是识别X中与模糊区域及边界框...
    优质
    RSNA肺炎检测挑战旨在通过分析胸部X光影像,自动识别并标记与肺炎相关联的肺部模糊区域及其精确位置边界框,以提高疾病诊断效率和准确性。 RSNA-Pneumonia-Detection-Challenge的目标是预测胸部X光片上与肺炎相关的肺部混浊,并标注边界框以进行分类。其目的是识别出患有肺炎的肺区域,同时排除其他类型的不透明物,例如由液体、细菌或肺癌等引起的不透明物。可以使用各种算法来实现这一目标,但目前最有效的选择是YOLO(You Only Look Once)模型。
  • VinBigDataXDICOM元-
    优质
    本数据集为VinBigData提供的胸部X光影像资料,包含大量DICOM格式的医学图像及详尽的元数据信息,旨在促进肺部疾病诊断算法的研究与开发。 VinBigData胸部X射线DICOM元数据包含每个DICOM文件中的图像像素值数组,并且还提供了有助于全面了解数据的其他重要信息。该数据集是从训练和测试文件夹中提取的所有DICOM文件的元数据生成的结果,具体包括以下CSV文件:test_dicom_metadata.csv、test_dicom_metadata_cleaned.csv、train_dicom_metadata.csv 和 train_dicom_metadata_cleaned.csv。
  • 迁移学习X射线图像检测方法
    优质
    本研究提出了一种基于迁移学习技术的新型算法,专门用于从胸部X光片中自动识别肺炎迹象,显著提升了模型在少量数据情况下的诊断性能。 1. 使用自定义深度卷积神经网络从胸部X线图像中检测肺炎,并使用5856张X线图像对预训练模型“InceptionV3”进行再训练。 2. 为了重新训练,去除了输出层,冻结了前几个层,并为两个新标签类(肺炎和正常)微调模型。 3. 自定义深度卷积神经网络的测试精度达到89.53%,损失值为0.41。
  • X图像分类及代码教程.zip
    优质
    本资料包提供了一个关于肺炎X光影像分类的数据集,并附带详细的代码教程。帮助用户学习如何通过机器学习算法识别和分类肺炎X光图像。 肺炎X光图片分类数据集提供TensorFlow代码和教程,并结合作者在B站发布的视频教学内容,帮助学习者快速掌握相关技能。关于数据集的详细信息,请参考相应的博客文章。
  • CoronaHack X射线 -
    优质
    CoronaHack胸部X射线数据集是一个汇集了大量胸部X光影像的数据集合,旨在帮助研究者和开发者通过机器学习技术识别并分析新冠肺炎在肺部的影响。该数据库包含了疑似感染新冠病毒患者的X光图像,并附带详细的标注信息,以便于进行疾病早期检测与诊断的研究工作。 电晕-COVID19病毒对健康个体的呼吸系统产生影响,胸部X射线是识别该病毒感染的重要成像方法之一。通过使用Chest X-Ray数据集,可以开发一个机器学习模型来区分健康患者与受肺炎(Corona)感染患者的X光片,并为AI应用程序提供动力以更快地测试Corona病毒。相关的数据文件包括:Chest_xray_Corona_dataset_Summary.csv、Chest_xray_Corona_Metadata.csv以及包含数据集的压缩包Coronahack-Chest-XRay-Dataset_datasets.zip。
  • JPEG格式X二分类
    优质
    这是一个包含JPEG格式X光胸片的数据集,专为胸部疾病的二分类任务设计,适用于训练和评估深度学习模型在医疗影像分析中的应用。 这段文字原本区分了正常肺部与肺炎患者的肺部情况。现在将其简化为描述两种不同状态的肺部特征:一种是健康的、正常的肺部;另一种则是因感染导致炎症变化的肺炎患者肺部。
  • X图像分类资料RAR版
    优质
    本资料集为RAR压缩包格式,包含大量肺炎患者的X光影像及标注信息,适用于肺炎诊断模型训练与研究。 使用ResNet对X光肺炎图像进行分类,包括正常图像与肺炎图像的区分以及病毒性肺炎和细菌性肺炎的进一步分类。内容包含代码及其运行效果展示。
  • Covid-19检测利用X影像:深度分析以诊断新冠病症...
    优质
    本研究探讨运用胸部X光影像进行COVID-19检测的有效性与准确性,并深入分析其在诊断新冠肺炎方面的应用潜力。 该项目通过胸部X射线图像利用深度学习技术诊断COVID-19疾病。项目使用了Flask Web GUI,并附有相关屏幕截图展示。在这一研究中,DenseNet121架构被应用于图像分类任务,达到了高达99%的准确率。此外,还提供了模型的分类报告和混淆矩阵以供参考。
  • 新冠病毒检测,包含1765张X透图像,采用COCO格式标注,能区分新冠、正常及情况.zip
    优质
    本数据集提供1765张胸部X光影像,以COCO格式详细标注,涵盖新冠肺炎、健康和普通肺炎三类情况,适用于医学影像分析与疾病诊断研究。 新冠肺炎检测数据集包含1765张胸透光片,并使用COCO格式进行标注,可以识别出新冠肺炎、正常和肺炎三种状态。