您当前的位置:首页 > IT编程 > 数据集
| C语言 | Java | VB | VC | python | Android | TensorFlow | C++ | oracle | 学术与代码 | cnn卷积神经网络 | gnn | 图像修复 | Keras | 数据集 | Neo4j | 自然语言处理 | 深度学习 | 医学CAD | 医学影像 | 超参数 | pointnet | pytorch |

疟疾数据集

51自学网 2020-12-09 11:05:20
  数据集
该页面包含来自疟疾筛查研究活动的稀薄血液涂片幻灯片图像中分段细胞的存储库。为了减轻资源有限地区的显微镜医师的负担并提高诊断准确性,美国国家医学图书馆(NLM)的李斯特山国家生物医学通信中心(LHNCBC)的研究人员开发了一种可在标准条件下运行的移动应用程序。与传统光学显微镜相连的Android智能手机。从孟加拉国吉大港医学院附属医院收集了150名受恶性疟原虫感染的吉姆萨染色薄载玻片和50名健康患者的照片。智能手机的内置摄像头可为每个微观视野获取幻灯片的图像。图像由泰国曼谷Mahidol-Oxford热带医学研究室的专业幻灯片阅读器手动注释。取消标识的图像和注释存储在NLM(IRB#12972)中。我们应用了基于水平集的算法来检测和分割红细胞。数据集总共包含27,558个细胞图像,其中寄生虫和未感染的细胞相等。下面显示了如何将患者ID编码为单元名称的一个实例:“ P1”表示标记为“ C33P1thinF_IMG_20150619_114756a_cell_179.png”的单元的患者ID。我们还包括了CSV文件,其中包含针对寄生虫和未感染类的患者ID到细胞的映射。寄生类的CSV文件包含151个患者ID条目。从两个不同的显微镜模型(Olympus和Motif)读取已寄生化的患者ID“ C47P8thinOriginal”的幻灯片图像。未感染类别的CSV文件包含201个条目,因为来自受感染患者幻灯片的正常细胞也将其归为正常细胞类别(151 + 50 = 201)。

数据与出版物一起出现:
Rajaraman S,Antani SK,Poostchi M,Silamut K,Hossain MA,Maude,RJ,Jaeger S,Thoma GR。 (2018)预训练的卷积神经网络作为特征提取器,用于改善稀薄血液涂片图像中的疟疾寄生虫检测。 PeerJ6:e4568 https://doi.org/10.7717/peerj.4568(链接为外部)

最近报道了在薄血涂片图像中使用深层神经系统进行疟原虫检测的性能改善,并发表在PeerJ期刊上,引述如下:
Rajaraman S,Jaeger S和Antani SK。 (2019)在薄血涂片图像中针对疟原虫检测的深层神经集成体的性能评估。 PeerJ 7:e6977 https://doi.org/10.7717/peerj.6977(链接为外部)

分别在cell_images.zip,malaria_cell_classification_code.zip上的代码以及在parasidid_cellmapping_parasitized.csv和Patientid_cellmapping_uninfected.csv上被寄生和未感染的类的Patient-ID到单元格的映射中,可以获得数据集。
Jaeger S.疟疾数据集

文章引用与数据集下载

 

The data appear along with the publication:
Rajaraman S, Antani SK, Poostchi M, Silamut K, Hossain MA, Maude, RJ, Jaeger S, Thoma GR. (2018) Pre-trained convolutional neural networks as feature extractors toward improved Malaria parasite detection in thin blood smear images. PeerJ6:e4568 https://doi.org/10.7717/peerj.4568 (link is external)

An improvement in performance has been recently reported using deep neural ensembles toward malaria parasite detection in thin-blood smear images and is published in the PeerJ journal as cited herewith:
Rajaraman S, Jaeger S, Antani SK. (2019) Performance evaluation of deep neural ensembles toward malaria parasite detection in thin-blood smear images. PeerJ 7:e6977 https://doi.org/10.7717/peerj.6977 (link is external)

The datasets are available at cell_images.zip, the codes at malaria_cell_classification_code.zip and the Patient-ID to cell mappings for the parasitized and uninfected classes at patientid_cellmapping_parasitized.csv and patientid_cellmapping_uninfected.csv respectively.


解决机器学习中小数据集问题
小样本数据集图像分类模型的方法
51自学网,即我要自学网,自学EXCEL、自学PS、自学CAD、自学C语言、自学css3实例,是一个通过网络自主学习工作技能的自学平台,网友喜欢的软件自学网站。
京ICP备13026421号-1