息肉分割数据集kvasir-seg的处理

最新推荐文章于 2025-03-03 14:15:29 发布
最新推荐文章于 2025-03-03 14:15:29 发布
阅读量1.1k 收藏 5
点赞数 4
分类专栏： 深度学习 文章标签： 机器学习 人工智能 pytorch
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wwimhere/article/details/136289937
版权

虽然做息肉分割除了kvasir-seg也没有太多好的选择，但这个数据集的问题挺多的，不能直接使用。相比其他领域的数据集，这个数据集真的很粗糙。

首先，需要二值化

kvasir-seg数据集作为一个只有单一前景的分割任务，按理说其mask只能是二值化的，但是现在却有不止两种值。其黑色区域的值可能是0, 1, 2, 3, 4, 5, 6, 7,8；白色区域可能是48, 249, 250, 251, 252, 253, 254, 255等。需要先做二值化。

其次，维度问题，要注意，最后输入训练的mask的channel必须是1.

第三，要注意用torch.FloatTensor将读取的图片数据转换为float类型，否则会报错

息肉（Kvasir-SEG）分割+检测数据
06-01
总共1000张Kvasir 息肉数据集，包含1000张对应的mask分割图像，在json文件中包含目标的矩形边界框。可以用作息肉的分割和检测
图像分割数据集：息肉（Kvasir-SEG）分割（2分割）【数据集+classes文件+数据可视化代码】
05-27
项目包含：息肉（Kvasir-SEG）分割（2分割）【数据集+classes文件+数据可视化代码】 数据为息肉分割，前景采用0 255的阈值分割，前景区域清晰明显，具体的参考classes文件 图像分辨率为：332x487 - 1920x1072 数据格式：jpg mask标签格式：jpg 数据集介绍：分为训练集、测试集 训练集：images图片目录+masks模板目录，700张图片和700个对应的mask图片 测试集：images图片目录+masks模板目录，300张图片和300个对应的mask图片 除此之外，包含一个图像分割的可视化脚本，随机提取一张图片，将其原始图片、GT图像、GT在原图蒙板的图像展示，并保存在当前目录下。脚本不需要改更改，直接运行即可显示可视化结果
【结肠息肉AI论文集】结肠息肉分类数据集合集1
weixin_43571113的博客
03-03 1138
结直肠癌（CRC）是全球癌症死亡的主要原因之一。尽管早期息肉切除术可降低CRC发病率，但90%的息肉为小型且微小，切除这些息肉存在患者风险可能超过获益的情况。在内镜检查中正确检测并预测息肉类型可使内窥镜医师切除并丢弃组织而无需进行组织学送检，从而节省时间和成本。然而，人类对早期息肉的视觉观察存在差异。因此，本文旨在开发一种全自动算法以检测并分类增生性和腺瘤性结直肠息肉。腺瘤性息肉应当切除，而远端微小增生性息肉则被视为临床无关紧要并可保留原位。
CVC-ClinicDB息肉医学图像分割公开数据集
06-29
CVC-ClinicDB息肉医学图像分割公开数据集，内涵612张图片，612张图片标签(也可自行划分训练集与测试集)。科研小白初入图像分割领域必备数据集，深度学习模型常用！！！！小白必要数据集！！！
YOLO直肠息肉检测数据集
05-15
1、YOLO直肠息肉检测数据集，标签格式我txt和xml两种，可以直接用于YOLO直肠息肉检测 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743
Kvasir-SEG Segmented Polyp Dataset息肉医学影像数据集-数据集
03-13
Kvasir-SEG dataset is an open-access dataset of gastrointestinal polyp images and corresponding segmentation masks. Kvasir-SEG是胃肠道息肉医学影像相关的开源数据集。 pranet.pdf
息肉分割(Polyp Segmentation)方向常用数据集汇总
热门推荐
xiongxyowo的博客
09-18 1万+
下载链接：https://www.dropbox.com/s/p5qe9eotetjnbmq/CVC-ClinicDB.rar?下载链接：https://datasets.simula.no/downloads/kvasir-seg.zip。项目地址：http://mv.cvc.uab.es/projects/colon-qa/cvc-colondb。Kvasir-SEG的子集，包含196张条状的较为困难的息肉图像以及对应的标注。为目前最大型的息肉数据集，包含36458张息肉图像以及对应的标注。
医学类 使用TransUNet、UNet、DeepLabV3+、HRNet、PSPNet 模型对息肉分割数据集进行训练、评估和可视化 EDD2020息肉数据集分割数据集
QQ_1309399183的博客
11-26 509
医学类 使用TransUNet、UNet、DeepLabV3+、HRNet、PSPNet 模型对息肉分割数据集进行训练、评估和可视化 EDD2020息肉数据集分割数据集
CVC-T Endoscene 息肉数据集：医学图像分割的利器
gitblog_09775的博客
10-31 698
CVC-T Endoscene 息肉数据集：医学图像分割的利器 【下载地址】CVC-TEndoscene息肉数据集 CVC-T Endoscene 息肉数据集CVC-T 数据集是一个更广泛的数据集的测试集，称为 Endoscene ...
医学图像分割数据集：息肉肿瘤分割数据集（包含训练集和测试集、标签）
09-09
医学图像分割数据集：息肉肿瘤分割数据集（包含训练集和测试集、标签） 【3类别的分割，背景、非肿瘤性息肉、肿瘤性息肉】 数据集介绍：分为训练集、测试集 训练集：images图片目录+masks模板目录，800张图片和800个对应的mask图片 测试集：images图片目录+masks模板目录，200张图片和200个对应的mask图片 除此之外，包含一个图像分割的可视化脚本，随机提取一张图片，将其原始图片、GT图像、GT在原图蒙板的图像展示，并保存在当前目录下
Kvasir-SEG.zip
08-06
医疗息肉数据集，通过github上询问开发者的方式下载下来的
LOD-Net:用于息肉分割的可学习的定向导数网络
04-06
用于息肉分割的可学习的定向导数网络 抽象的 胃肠息肉是结直肠癌的主要原因。 考虑到息肉在大小，颜色，质地和内窥镜检查带来的不良光学条件方面存在差异，息肉分割仍然是一个具有挑战性的问题。 在本文中，我们提出了一个可学习的定向导数网络（LOD-Net），以提炼息肉的边界预测准确性。 具体而言，它首先计算息肉在每个像素处的八个定向导数。 然后，选择那些具有较大定向导数值的像素来构成息肉的候选边界区域。 最后，它通过融合边界区域特征以及由骨干网络计算出的高级语义特征来完善边界预测。 大量的实验和消融研究表明，与最新技术相比，拟议的LOD-Net在包括CVC-ClinicDB，Kvasir，ETIS和EndoScene在内的公开数据集上具有可观的优势。 数据集 我们遵循的数据设置。 您可以下载数据集并将其处理为COCO格式以进行培训和测试。 结果 CVC诊所数据库 克瓦西尔 ETIS 内幕 模型
hyper-kvasir:Hyper-Kvasir数据集的GitHub存储库
05-19
超级克瓦西尔 这是Hyper-Kvasir数据集的代码存储库，它是最大的公开发布的胃肠道图像数据集。 数据集总共包含110,079张图像和373个视频，在其中捕获解剖标志以及病理和正常发现。 结果是超过110万个图像和视频帧。 完整的数据集可以通过以下方式下载： ： 可以通过以下访问描述数据的论文： : 在这里，您将找到用于准备数据集，创建基线实验以及数据集的官方k倍分割的文件。 储存库结构 该存储库具有以下结构。 category_experiments包含用于执行本文中介绍的分类实验的文件。 clustering_experiments包含本文中介绍的用于聚类实验的文件。 这包括数据集未标记图像上的预测标记。 official_splits包含数据集的正式拆分。 我们建议该数据集的用户使用这些拆分，以确保公平地比较结果。 脚本包含一系列不同的脚本，这些脚本用于准备数据集，
Kvasir-SEG和kvasir-sessile数据集
01-22
Kvasir-SEG是一个针对结肠息肉像素级分割的内窥镜数据集，举办过MediaEval 2020的比赛。它包括1000张胃肠息肉图像及其对应的分割掩码，这些图像都由资深胃肠病专家亲自标注和核实...kvasir-sessile内窥镜图像分割数据集
分段息肉数据库Kvasir-SEG介绍和下载
网易搬砖头
01-29 1392
Kvasir-SEG 是胃肠道息肉图像和相应分割掩模的开放访问数据集，由医生手动注释，然后由经验丰富的胃肠病学家验证。 翻译过来是逐像素图像分割，它是医学图像分析中一项要求很高的任务。很难找到具有相应分割掩模的带注释的医学图像。在这里，我们介绍 Kvasir-SEG。它是胃肠道息肉图像和相应分割掩模的开放访问数据集，由经验丰富的胃肠病学家手动注释和验证。这项工作对于研究人员将来重现结果并比较他们的方法非常有价值。通过向 Kvasir 数据集添加分割掩模（迄今为止该数据集仅包含逐帧注释）
【yolo5】目标检测数据集制作
liyunfei0816的博客
01-11 8707
xxbox_JSON to 普通XML to VOC标准XML to yolo的txt
kvasir数据集
Mavi2022的博客
02-08 2954
The Kvasir-SEG Dataset
项目实训（九）——数据集的获取
yyyyyyyx_的博客
05-30 1033
通过将医学影像中的息肉与周围正常组织进行分离，可以提供更清晰的视觉参考，帮助医生准确地确定息肉的位置、形状和大小。正如我们上文提到的那样，我们可以通过小样本对SAM模型进行微调，那么我们需要获取有关息肉的数据集，我们应该选用什么数据集呢。CVC-ClinicDB数据集的获取：我们可以进入官网对CVC-ClinicDB数据集进行下载。
kvasir-seg数据集引用
最新发布
03-30
### 如何正确引用 Kvasir-Seg 数据集 Kvasir-SEG 是一个公开可用的用于医学图像分析的数据集，特别是在息肉分割领域具有一定的应用价值。为了正确引用该数据集，在学术研究或技术文档中通常需要遵循特定的引用格式。 以下是关于 Kvasir-SEG 数据集的标准引用方法： #### 官方推荐的引用方式 官方建议通过以下 BibTeX 格式来引用 Kvasir-SEG 数据集[^1]： ```bibtex @article{kvasirseg_dataset, author = {Sørensen, Stian Brodtkorb and Halvorsen, Pål and Lindseth, Frede}, title = {{Kvasir-SEG} -- A Segmented Polyp Dataset}, journal = {arXiv preprint arXiv:2007.08905}, year = {2020} } ``` 如果是在论文或其他正式出版物中引用，则可以采用如下 APA 风格的引用格式: > Sørensen, S. B., Halvorsen, P., & Lindseth, F. (2020). *Kvasir-SEG – A segmented polyp dataset*. arXiv preprint arXiv:2007.08905. #### 使用场景中的注意事项 尽管 Kvasir-SEG 被广泛应用于息肉分割的研究工作，但在实际使用过程中需要注意其质量上的局限性。有研究表明此数据集中存在标注不一致等问题，因此可能不适合某些高精度需求的任务[^2]。对于希望利用少量样本对模型（如 SAM 模型）进行微调的情况，仍需谨慎评估数据的质量及其适用范围[^3]。 ### Python 中加载并验证数据集的小例子 下面是一个简单的脚本示例，展示如何从本地路径读取部分 Kvasir-SEG 图像文件作为测试用途： ```python import os from PIL import Image def load_kvasir_seg_images(data_dir): image_files = [f for f in os.listdir(os.path.join(data_dir, 'images')) if f.endswith('.jpg')] mask_files = [f.replace('.jpg', '.png') for f in image_files] images = [] masks = [] for img_file, msk_file in zip(image_files, mask_files): img_path = os.path.join(data_dir, 'images', img_file) msk_path = os.path.join(data_dir, 'masks', msk_file) with Image.open(img_path) as img, Image.open(msk_path) as msk: images.append(img.convert('RGB')) masks.append(msk.convert('L')) return images, masks data_directory = './path_to_Kvasir_SEG' # 替换为您的数据存储位置 loaded_images, loaded_masks = load_kvasir_seg_images(data_directory) print(f"成功加载了{len(loaded_images)}张图片与其对应的掩码.") ```
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

蓝海渔夫

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值