训练、测试与验证病例及数据

资源简介

训练、测试与验证病例及数据

Train, test, and validation case and data.

该数据集来自一项回顾性研究，纳入715例接受增强腹部盆腔CT的患者，其中急性阑尾炎246例、急性憩室炎254例、正常阑尾215例。研究基于单幅与RGB序列图像方法，从4078张CT图像中获取训练、验证和测试数据，并对训练集进行增强以缓解CT数据不平衡问题。数据可用于开发和评估基于EfficientNet的卷积神经网络，实现急性阑尾炎、急性憩室炎与正常阑尾的自动分类及诊断性能分析（来源 figshare，CC BY 4.0 许可）。

【数据集背景】

源站首次发布：2023-05-24。

【数据内容】

源站描述（机器翻译，仅供参考）：本研究旨在开发一种使用EfficientNet算法的卷积神经网络（CNN），用于急性阑尾炎、急性憩室炎和正常阑尾的自动分类，并评估其诊断性能。我们回顾性纳入了715例接受增强腹部盆腔计算机断层扫描（CT）的患者。其中，246例患有急性阑尾炎，254例患有急性憩室炎，215例为正常阑尾。使用单幅和序列（RGB[红、绿、蓝]）图像方法，从4,078张CT图像（1,959例急性阑尾炎、823例急性憩室炎和1,296例正常阑尾病例）中获得训练、验证和测试数据。我们增强了训练数据集，以避免CT数据集不平衡引起的训练干扰。对于正常阑尾的分类，RGB序列图像方法显示出略高的灵敏度（89.66

【数据结构与技术规格】

文件数 1 个，合计 9.73 KB。数据集 DOI：10.1371/journal.pone.0281498.t002。

【主题与分类】

源站学科分类：Biochemistry、Space Science、Medicine、Cell Biology、Immunology、Biological Sciences not elsewhere classified。主题标签：convolutional neural network、244 ), accuracy、019 ), accuracy、unbalanced ct datasets、slightly higher sensitivity、normal appendix could、078 ct images、959 acute appendicitis、823 acute diverticulitis、single image method。本站分类：消化系统疾病/憩室炎。

【适用方向】

源站学科分类标注为 Biochemistry、Space Science、Medicine、Cell Biology、Immunology、Biological Sciences not elsewhere classified。

【获取与许可】

源站页面：https://plos.figshare.com/articles/dataset/Train_test_and_validation_case_and_data_/23150005

使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。

规范引用：Park, So Hyun; Kim, Young Jae; Kim, Kwang Gi; Chung, Jun-Won; Kim, Hyun Cheol; Choi, In Young; et al. (2023). Train, test, and validation case and data.. PLOS ONE. Dataset

【使用注意】

· 源站最后修改于 2023-06-02，引用时请注意版本时效。