多模态卵巢肿瘤超声图像数据集
卵巢肿瘤多模态超声数据集
基本信息
资源简介
包含2D超声和造影超声卵巢肿瘤图像，带像素级和全局标注，用于跨模态分割。
下载信息
注册下载
Tips: 该数据集需要在对应的数据源网站注册通过后，才能进行数据下载，注册有对应要求，或者需要收费。
暂未开放公开下载
Tips: 该数据集属于公开下载，应该可以免费公开下载。
免登录有偿下载
Tips: 该数据集 Qianfanghub 可以协助提供有偿下载服务，注意，服务不针对数据相关产权，只是技术服务费。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放千方医数集，医疗数据集部分，是为社区服务的公开医疗数据集搜索引擎，并不存储或者下载原始的任何数据。 如果您有其他医疗数据需求，可以和客服联系，或者下工单。我们有强大的三甲医疗机构帮助您提供个性化的医疗数据定制、采集、标注服务。
使用方式
数据集获取
git clone https://github.com/cv516Buaa/MMOTU_DS2Net.git
curl -L -o repo.zip https://github.com/cv516Buaa/MMOTU_DS2Net/archive/refs/heads/main.zip
unzip repo.zip
源站 README 摘录（使用方式）
Install
-
requirements:
python >= 3.7
pytorch >= 1.4
cuda >= 10.0
-
prerequisites: Please refer to MMSegmentation PREREQUISITES; Please don’'t forget to install mmsegmentation with
cd MMOTU_DS2Net pip install -e . chmod 777 ./tools/dist_train.sh chmod 777 ./tools/dist_test.sh
Training
mit_b5.pth : google drive (Before training Segformer or DS<sup>2</sup>Net_T, loading ImageNet-pretrained mit_b5.pth is very useful. We provide this pretrained backbone here. The pretrained backbone has already been transformed to fit for our repo.)
Task1: Single-modality semantic segmentation
<table>
<tr>
<td><img src=“PaperFigs\SSeg.jpg” width = “100%” alt=“Single-Modality semantic segmentation”/></td>
</tr>
</table>
cd MMOTU_DS2Net
./tools/dist_train.sh ./experiments/pspnet_r50-d8_769x769_20k_MMOTU/config/pspnet_r50-d8_769x769_20k_MMOTU.py 2
Task2: UDA semantic segmentation
<table>
<tr>
<td><img src=“PaperFigs\UDASeg.jpg” width = “100%” alt=“UDA Multi-Modality semantic segmentation”/></td>
</tr>
</table>
cd MMOTU_DS2Net
./tools/dist_train.sh ./experiments/DS2Net_segformerb5_769x769_40k_MMOTU/config/DS2Net_segformerb5_769x769_40k_MMOTU.py 2
Task3: Single-modality recognition:
<table>
<tr>
<td><img src=“PaperFigs\SCls.jpg” width = “100%” alt=“Single-Modality recognition”/></td>
</tr>
</table>
Testing
数据加载示例（图像类）
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
精度瓶颈？数据缺失？
当前公开数据无法满足您的算法精度？千方提供针对 卵巢囊肿 的高质量、多模态真实临床数据定制解决方案。
