Advertisement

肺部医学图像分割数据集（含训练与测试部分）

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

简介：
本数据集专为肺部医学影像分割设计，包含详细的训练及测试样本，旨在推动相关领域的研究进展。 项目包含肺分割数据（包括训练集和测试集）。 数据集为256*256分辨率下的肺部分割图。分割的前景包括左肺、右肺等，标签的mask图像中前景区域被标记为255以便于观察。 该数据集分为训练集与测试集： - 训练集中包含6849张图片及其对应的6849个掩码（masks）。 - 测试集中则有1712张图片和相应的1712个掩码图像。 此外，项目还提供了一个用于可视化分割结果的脚本。该脚本能随机选取一张图，并展示其原始图像、GT图像以及在原图上的GT蒙板效果，并将生成的结果保存至当前目录下。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 肺部医学图像分割数据集（含训练与测试部分）
    优质
    本数据集专为肺部医学影像分割设计，包含详细的训练及测试样本，旨在推动相关领域的研究进展。 项目包含肺分割数据（包括训练集和测试集）。 数据集为256*256分辨率下的肺部分割图。分割的前景包括左肺、右肺等，标签的mask图像中前景区域被标记为255以便于观察。 该数据集分为训练集与测试集： - 训练集中包含6849张图片及其对应的6849个掩码（masks）。 - 测试集中则有1712张图片和相应的1712个掩码图像。 此外，项目还提供了一个用于可视化分割结果的脚本。该脚本能随机选取一张图，并展示其原始图像、GT图像以及在原图上的GT蒙板效果，并将生成的结果保存至当前目录下。
     
  • 腹部胰腺图像分割的医学数据集（含训练与测试集及标签）
    优质
    本数据集包含用于腹部胰腺图像分割的高质量医学影像及其标注信息，内部分为训练和测试两大部分，旨在促进相关领域研究与应用的发展。 医学图像分割数据集：腹部胰腺图像分割数据集（包含训练集和测试集、标签） 【2类别的分割，背景、胰腺】 数据集介绍： 该数据集分为训练集和测试集。 训练集包括images图片目录和masks模板目录，共有约370张图片及其对应的mask图片。 测试集同样由images图片目录和masks模板目录组成，包含大约90张图片及相应的mask图像。 此外，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，并展示其原始图像、GT（Ground Truth）图像以及在原图上的GT蒙版效果，并将结果保存至当前文件夹中。 医学图像分割网络介绍： 相关文章对医学图像分割网络进行了详细的说明，包括模型的设计思路和实现方法等细节。
     
  • 胰腺病变医学图像分割数据集（含训练与测试集及标签）
    优质
    本数据集包含大量用于研究和开发的胰腺病变医学图像，附有详细的标注信息，分为训练集和测试集，旨在促进相关疾病的自动诊断技术进步。 医学图像分割数据集：胰腺病变图像分割数据集（包含训练集和测试集、标签） 【2类别的分割，背景、病变区域】 数据集介绍： 该数据集分为训练集和测试集。 - 训练集包括images图片目录和masks模板目录，约有210张图片及其对应的mask图片； - 测试集中同样包含images图片目录和masks模板目录，大约50张左右的图像及其对应标签。 此外，还提供了一个用于图像分割任务的可视化脚本。该脚本能随机选取一张图，并展示其原始图像、GT（Ground Truth）图像以及在原图上的GT蒙板效果，最后将这些结果保存到当前文件夹中。
     
  • TE流程数据集（含训练与测试部分）
    优质
    此数据集包含了TE流程相关的训练和测试数据，旨在为研究者提供全面的数据支持，以便深入分析和优化相关算法模型。 田纳西-伊斯曼过程的数据分为训练集和测试集，共有44组数据。
     
  • 肺部划分及针对COVID-19的肺部分割数据集（含逾30000幅图像与标注）
    优质
    本研究介绍了肺部详细划分方法，并提供了包含超过30000张图像和标注的COVID-19肺部分割数据集，为相关领域研究提供支持。 该数据集包含了超过30000张肺部图像及其对应的mask标签，主要用于肺部分割以及COVID-19感染的肺部分割研究。数据被划分为训练集、验证集和测试集三个部分，在每个目录下分别包含COVID-19、非COVID肺炎（No-COVID）及正常肺部三种类型的image与gt数据。此数据集适用于UNet、FCN等分割网络模型的训练任务。
     
  • 肺部CT图像的数据集（医学应用）
    优质
    本数据集包含大量高质量肺部CT影像，旨在支持医学研究与疾病诊断，适用于肺炎、肺癌等病症的研究分析。 COVID19ieee8023 使用的代码库是 https://github.com/ieee8023/covid-chestxray-dataset ，UCSD-AI4H 和 COVID-CT 的数据集可以从 https://github.com/UCSD-AI4H/COVID-CT 获取。另外，Figure1-COVID-chestxray-dataset 也可以在 https://github.com/agchung/Figure1-COVID-chestxray-dataset 查找相关资料。而 andrewmvd 在 Kaggle 上分享了 COVID19 的 CT 扫描数据集（https://www.kaggle.com/andrewmvd/covid19-ct-scans）。此外，X光片检测患者肺炎的数据可以在 https://www.flyai.com/d/ChestXray02 获取。深圳医院肺结核 X-ray 数据集可以从 https://lhncbc.nlm.nih.gov/publication/pub9931 下载，而 Montgomery County 的 X 射线数据则同样可以在这个网址找到（https://lhncbc.nlm.nih.gov/publication/pub9931）。最后，有关肺部结节的数据可以在 LNDB 网站上找到 https://lndb.grand-challenge.org/Data/。
     
  • 医学图像分割与ISIC 2016皮肤癌图像分割训练数据集（适用于Unet）
    优质
    本项目专注于医学图像分割技术，并利用ISIC 2016皮肤癌图像数据集进行模型训练和验证，特别适合用于改进和发展U-Net网络结构在皮肤病灶自动检测与分割的应用。 这是一个皮肤黑色素测试数据集，适用于医学图像分割领域，并且适合初学者复现代码和实战使用。
     
  • 训练与测试数据集分割程序
    优质
    简介：该程序旨在高效地将数据集划分为训练和测试两部分，确保机器学习模型能基于未见过的数据进行准确评估，促进算法优化与泛化能力提升。 数据集分割为train和test的程序可以帮助我们更好地进行机器学习模型训练与验证。这个过程通常包括将原始数据分为两部分：一部分用于训练模型（train），另一部分用于测试模型性能（test）。正确的数据划分对于评估模型泛化能力至关重要，可以避免过拟合现象的发生。
     
  • 大型遥感道路图像的深度学习分割数据集（训练部分）
    优质
    本数据集为大型遥感图像中的道路识别任务设计，专门用于深度学习模型的道路分割训练。包含丰富多样的遥感影像样本，旨在提升算法在复杂场景下的道路自动检测能力。 项目包含一个大型遥感道路图像分割数据集（训练集），文件以文件夹格式储存，可以直接用作图像分割数据集，无需额外处理。该数据集由大量卫星遥感图片组成，前景区域丰富且标注效果极佳，适合用于训练分割网络。由于数据量较大，在这里分两次上传。整个数据集的总大小为818MB，其中包含90,000张图像和相应的90,000个掩模（mask）文件。 此外，项目还提供了一个图像分割可视化脚本，该脚本能随机选择一张图片，并展示其原始图、GT图像以及GT在原图上的蒙板效果。最后将这些信息保存至当前目录中。
     
  • 图像分割数据集在深度学习中的应用：包含训练与测试集的二值分割遥感公路图像数据集
    优质
    本数据集专注于深度学习技术中图像分割的应用，特别为遥感公路图像设计了包含训练和测试集的二值分割任务，旨在提升道路识别精度。 项目包含：二值分割遥感公路图像分割数据集（已划分训练集和测试集）。 该数据集基于卫星影像中的道路进行标注，前景目标丰富且标注效果良好，适用于分割网络的实战应用。 数据集总大小为237MB。它分为两个部分： - 训练集：包含1340张图片及其对应的1340个mask图像； - 测试集：包括334张图片和相应的334个mask图像。 此外，项目中还提供了一个用于展示分割结果的可视化脚本，能够随机选取一张图片，并将其原始图、GT（Ground Truth）图及在原图上的蒙板显示出来并保存至当前目录。