复现优质SCI论文

任务背景

统计数据

Training set: 49 WSIs from GDPH and 14 WSIs from TCGA.Total 10091 patches were cropped in the training set. Label Distribution:

Tumor: 6579

Stroma: 7076

Normal: 1832

Validation set: 9 WSIs from GDPH and 3 WSIs from TCGA

Total 40 patches were cropped in the validation set. Including 9 large patches (around 1500~5000*1500~5000 ) and 31 small patches (around 200~500*200~500)

Test set: 9 WSIs from GDPH and 3 WSIs from TCGA.

Total 80 patches were cropped in the test set. Including 14 large patches (around 1500~5000*1500~5000 ) and 66 small patches (around 200~500*200~500)

训练集:来自GDPH的49个WSIs和来自TCGA的14个WSIs。训练集中总共裁剪了10091个补丁。标签分布:

肿瘤:6579

基质:7076

正常:1832

验证集:来自GDPH的9个WSIs和TCGA的3个WSIs

在验证集中总共裁剪了40个补丁。包括9个大补丁(约1500~5000*1500~5000)和31个小补丁(约200~500*200~500)

测试集:来自GDPH的9个WSIs，来自TCGA的3个WSIs。

测试集中总共裁剪了80个补丁。包括14个大补丁(约1500~5000*1500~5000)和66个小补丁(约200~500*200~500)

评价指标

We use mIOU for model evaluation.

The white background inside the alveoli will be excluded when calculating mIOU. We have provided background mask in the validation and testing data. Participants can directly overlay the white background mask on the prediction results.

我们使用mIOU进行模型评估。

计算mIOU时将排除肺泡内的白色背景。我们在验证和测试数据中提供了背景掩码。参与者可以直接将白色背景蒙版叠加在预测结果上。

数据集

Patch Cropping and File Naming Conventions

All the patches were cropped under 10x magnification.

Training data

Filename:

'patient_ID'+'x_axis'+'y_axis'+'3-digit one-hot labels'.png

Each image (WSI patch) in the training set was cropped from a WSI image at a random anchor point (x, y), with random height (150~300) and width (150~300), where (x, y) is the top-left corner of the patch.

one-hot labels: [Tumor, Stroma, Normal]

Validation and testing data

In validation and test sets, we provide patches under two different resolution ranges, large patches and small patches.

Large patches: (3000~4000)*(3000~4000)

Small patches: (150~300)*(150~300)

Here are the semantic segmentation labels of each type of tissue in the RGB color space.

Tumor epithelial tissue : (0, 64, 128), (one-hot label: 0)

Tumor stromal tisse: (64, 128, 0), (one-hot label: 1)

Normal tissue: (243, 152, 0), (one-hot label: 2)

White background: (255, 255, 255), (one-hot label: 3)

数据统一提供

现成的训练数据，标注数据

模型介绍

任务运行

论文物料生成

影像组学工作站 | 医学影像组学高分SCI教你躺平，零基础，零代码完整复现！相关推荐

影像组学在医学影像中的应用
首先介绍一下影像组学:目前来讲,影像设备所生成的图像数据量越来越大,过去对图像数据的处理与使用方式显然难以充分挖掘图像的大数据信息.因此影像组学应运而生.2012年,荷兰学者Lam bin等人[1]正 ...
医学影像后处理服务器系统,医学影像后处理的应用
摘要: 目的:随着现代化医院的不断发展,医院信息化的重要组成部分之一--医学影像信息处理系统(PACS)也进入了新的数字化,无胶片的时代.当今影像医学新技术的发展特点,主要体现在数字化,多功能化,信息 ...
【医学影像】几个医学影像专业一定要知道的网站
<Medical Imaging 医学影像>@EnzoReventon 分享几个医学影像相关的网站~ 1. 医学影像相关专业网站 2. 医学影像杂志 =================== ...
Li‘s 核磁共振影像数据处理-30-高级医学影像配准软件ANTs安装
讲解视频内容请移步Bilibili: https://space.bilibili.com/542601735 入群讨论请加v hochzeitstorte 请注明"核磁共振学习" ...
0基础学python要多久-零基础零经验自学Python，到精通Python要多久啊？
我也是经历过自学的阶段,自学入门,大概需要15-30天左右.为什么? 都说Python是一门简单的语言,为什么学起来的时间,看上去还要这么长呢? 其实,这一阶段,重点的就是在打好你的语言基础. 无论多 ...
python学精通要多久-零基础零经验自学Python，到精通Python要多久啊？
如今随着人工智能和大数据技术的兴起和快速发展,Python语言也得到了更加广泛的应用,因此,Python行业吸引了越来越多的新人想要加入其中,那么对于零基础的同学来说,Python培训班一般要学习多久 ...
随心所欲b超工作站图像处理_第七讲随心所欲版医学影像工作站软件每周一题...
随心所欲版工作站系列常见的一些软件产品举例(内镜超声等视频医学影像工作站系列.显微图像分析系统系列.CT/DR等DICOM数字影像工作站系列): 1)二维.三维超声超声医学影像工作站数字化超声影像 ...
人工智能在医学影像中的研究与应用
人工智能在医学影像中的研究与应用韩冬, 李其花, 蔡巍, 夏雨薇, 宁佳, 黄峰沈阳东软医疗系统有限公司,辽宁沈阳 110167 慧影医疗科技(北京)有限公司,北京 100192 东软集团股份有 ...
医学影像PACS论文175篇汇总【2010年HC3i年终盘点】
经历过2010年一年时间,HC3i论坛也与大家相伴快一年了,这一年中,网友分享专业医疗信息化资料超过15000个,HC3i感谢大家的支持与厚爱!岁末年初之极,也整理盘点一下,方便大家回顾一年中精华资源 ...

影像组学工作站 | 医学影像组学高分SCI教你躺平，零基础，零代码完整复现！

复现优质SCI论文

现成的训练数据，标注数据

影像组学工作站 | 医学影像组学高分SCI教你躺平，零基础，零代码完整复现！相关推荐

最新文章

热门文章