Context In this Dataet, we introduce DTL models to classify limited COVID-19 chest CT scan digital images. To input adopting CT images of the chest to the DCNN, we enriched the medical chest CT images
该数据集总共有 349 张CT图像,其中183个是新冠肺炎 CT图像、另外146个是非新冠肺炎 CT图像。研究团队训练了一个DenseNet深度学习模型,来预测一个CT图像是否表现为新冠肺炎阳性,模型的F1值为0.85。
In this Dataet, we introduce DTL models to classify limited COVID-19 chest CT scan digital images. To input adopting CT images of the chest to the DCNN, we enriched the medical chest CT images using classical data augmentation and CGAN to generate more CT images. After that, a classifier is used to ensemble the class (COVID/NonCOVID) outputs of the classification outcomes. The proposed DTL models were evaluated on the COVID-19 CT scan images dataset. The novelty of this research is conducted as follows: (1) The introduced DTL models have end-to-end structure without classical feature extraction and selection methods. (2) We show that data augmentation and conditional generative adversarial network (CGAN) is an effective technique to generate CT images. (3) Chest CT images are one of the best tools for the classification of COVID-19. (4) The DTL models have been shown to yield very high accuracy in the limited COVID-19 dataset.
There are 742 CT images and 2 categories (COVID/NonCOVID).
Dataset |Train | Validation | Test
COVID NonCOVID COVID NonCOVID COVID NonCOVID
COVID-19 191 234 60 58 94 105
COVID-19 + Aug 2292 2808 720 696 94 105
COVID-19 + CGAN 2191 2234 210 208 94 105
COVID-19 + Aug + CGAN 4292 4808 870 846 94 105
Cite our papers:
Loey, M., Manogaran, G. & Khalifa, N.E.M. A deep transfer learning model with classical data augmentation and CGAN to detect COVID-19 from chest CT radiography digital images. Neural Comput & Applic (2020). https://doi.org/10.1007/s00521-020-05437-x
Loey, Mohamed; Smarandache, Florentin; M. Khalifa, Nour E. 2020. "Within the Lack of Chest COVID-19 X-ray Dataset: A Novel Detection Model Based on GAN and Deep Transfer Learning" Symmetry 12, no. 4: 651. https://doi.org/10.3390/sym12040651
Khalifa, N.E.M., Smarandache, F., Manogaran, G. et al. A Study of the Neutrosophic Set Significance on Deep Transfer Learning Models: an Experimental Case on a Limited COVID-19 Chest X-ray Dataset. Cogn Comput (2021). https://doi.org/10.1007/s12559-020-09802-9
We are building an open database of COVID-19 cases with chest X-ray or CT images. - GitHub - ieee8023/covid-chestxray-dataset: We are building an open database of COVID-19 cases with chest X-ray or CT images.
COVID-CT-Dataset: A CT Scan Dataset about COVID-19 - GitHub - UCSD-AI4H/COVID-CT: COVID-CT-Dataset: A CT Scan Dataset about COVID-19
一、加州大学开源了迄今为止最大的CONVID-19 CT图像数据集【简介】该数据集总共有 349 张CT图像,其中183个是新冠肺炎 CT图像、另外146个是非新冠肺炎 CT图像。研究团队训练了一个DenseNet深度学习模型,来预测一个CT图像是否表现为新冠肺炎阳性,模型的F1值为0.85。【github】 UCSD-AI4H/COVID-CT【Pap...
来自卡塔尔多哈卡塔尔大学和孟加拉国达卡大学的一组研究人员,以及来自巴基斯坦和马来西亚的合作者与医生合作,建立了一个针对COVID-19阳性病例的胸部X射线图像数据库,以及正常和病毒性肺炎图像。一个COVID-19阳性病例的胸部X射线图像以及正常和病毒性肺炎图像的数据库。
数据包含有1200个COVID-19阳性图像,1341正常图像和1345病毒性肺炎图像。 -
国家COVID-19胸部成像数据库(NCCID)是一个集中式数据库,包含来自英国各地患者的胸部X射线,胸部计算机断层扫描(CT)扫描和心脏磁共振图像(MRI),由英国学会NHSX联合建立胸影像学(BSTI),皇家萨里NHS基金会信托(RSNFT)和学院。该计划的目的是支持对冠状病毒SARS-CoV-2疾病(COVID-19)的更好理解,并开发机器学习(ML)技术,以改善对严重COVID-19感染住院患者的护理。NCCID现在正在收集来自英格兰和威尔士的20个NHS信托和卫生委员会的数据,总贡献约为25,培训集中有000项影像学研究(在撰写本文时),并且已被多家组织积极用作研究工具。本文介绍了训练数据集,包括由NHSX进行的快照分析,涵盖:临床数据的完整性,各种用例(诊断,预后和纵向风险)的图像数据可用性以及成像数据中潜在的模型混杂因素。目的是告知现有和潜在的数据用户NCCID是否适合开发诊断/预测模型。此外,进行了队列分析以测量NCCID对更广泛的COVID-19感染人群的代表性。其中包括三个主要方面:地理,人口和时间覆盖范围,在某些类别中显示出良好的一致性,例如,性别和确定需要改进数据收集方法的领域,尤其是在地理覆盖方面。所有分析和讨论都集中在构建ML工具的意义上,该工具将很好地推广到临床使用案例。
2020年3月10日讯 /生物谷BIOON /——一项关于胸部CT影像和冠状病毒病的临床症状(COVID-19)之间的关系的多中心研究(n = 101)近日发表在《American Journal of Roentgenology》上,表明大多数患者COVID-19肺炎患者有毛玻璃混浊/肺磨玻璃影(GGO)(86.1%)或混合GGO和合并GGO(64.4%)和血管扩张病变(71.3%)的症状。
此外,该研究的主要作者Wei Zhao、Zheng Zhong和同事发现,CT图像上的病变更可能有周围分布(87.1%)和双侧受累(82.2%),以下肺为主(54.5%),且呈现多灶性(54.5%)。
图片来源:American Journal of Roentgenology (AJR)
研究人员收集了中国湖南省4个机构的101例COVID-19肺炎病例,比较了两组患者的临床特征和影像学特征:非急诊(轻微或常见疾病)和急诊(严重或致命疾病)。
本队列中年龄分布最多的为21-50岁(70.2%),多数患者(78.2%)以发热为首发症状。只有5名患者表现出与家庭暴发有关的疾病。
急诊组患者的年龄比非急诊组大,但两组的潜在疾病发生率无显着差异,提示病毒载量可以更好地反映COVID-19肺炎的严重程度和程度。
正如研究人员进一步解释的:"结构变形、牵引性支气管扩张和胸腔积液可能反映了COVID-19的病毒载量和毒性,这两组之间有统计学差异,可能有助于我们识别紧急类型的疾病。"
CT介入评分可以帮助评估COVID-19肺炎的严重程度和程度。
数据集介绍: 单图像去叠是一个不适定问题,最近引起了重要关注。尽管在过去几年中,人们对去雾的兴趣显著增加,但由于缺乏真实的雾度和相应的无雾度参考图像对,去雾方法的验证在很大程度上仍然不令人满意。为了解决这一局限性,我们引入了一种新的去雾数据集稠密雾。《浓雾》以浓密均匀的朦胧场景为特征,包含33对真实的朦胧图像和各种室外场景的相应无霾图像。通过引入由专业雾霾机器生成的真实雾霾来记录雾霾场景。朦胧和无
荧光显微镜使现代生物学取得了巨大的发展。由于其固有的微弱信号,荧光显微镜不仅比摄影噪声大得多,而且还呈现出泊松-高斯噪声,其中泊松噪声或散粒噪声是主要的噪声源。为了获得干净的荧光显微镜图像,非常需要有专门设计用于对荧光显微镜图像进行降噪的有效降噪算法和数据集。虽然存在这样的算法,但没有这样的数据集可用。在本文中,我们通过构建专用于泊松-高斯去噪的数据集 - 荧光显微镜去噪 (FMD) 数据集来填补
全国机场信息包含全国所有民航机场, 高原机场, 高高原机场,特殊机场名单,每个机场上的机场IATA编号,机场ICAO编号,机场等级,机场海拔,机场性质,机场跑道数量,机场最大跑道长度,机场经度,机场纬度,机场运送人次,机场电话,机场地址,机场历年旅客吞吐量,机场历年货邮架次,机场历年起降架次等信息。
我们提供了 MIT DriveSeg 数据集,这是一个大规模的驾驶场景分割数据集,为 5,000 个视频帧中的每个像素和每个像素都进行了密集注释。这个数据集是一个面向前的逐帧像素级语义标记数据集,该数据集是在连续白天驾驶通过拥挤的城市街道时从移动的车辆捕获的。该数据集的目的是允许探索时间动态信息的价值,以便在动态的真实操作环境中进行全场景分割。