往届seed大赛(江苏大数据开发与应用)赛题分享

初赛阶段: 针对胃癌病理切片,对发生癌症病变的区域进行像素级预测并对癌症类别进行分类。初赛将进行2种胃癌类别的检测任务,具体分为:

1、识别出病理图片的癌症类别

2、病理图片的病灶分割

复赛阶段:

与初赛阶段任务相同,但相较于初赛,复赛将进行3种胃癌类别(管状腺癌、粘液腺癌、乳头状腺癌)的检测任务。

赛题数据与提交说明

数据示例如下,每张小图包含一种胃癌类别。

选手需要提交测试图片的掩膜图片及图片对应的类别标签文件。预测的掩膜图片放置在result文件夹下,图片名与测试图片名相同,且为png格式,图像标签文件放置在result.csv文件夹下。最后将result文件夹及result.csv文件统一放到外层result文件夹中并压缩成result.zip格式上传。

提交示例如下:

其中,标签文件result.csv中的样例数据如下,0表示没有癌症,1代表典型性管状腺癌,2代表典型性粘液腺癌,3代表典型性乳头状腺癌。

注:提交的结果图片即result文件夹下的图片文件个数必须与测试图片个数相同;提交的标签文件中必须包含每个测试图片的标签类别。

数据下载链接:

数据名称 下载链接 初赛训练集+测试集 (7月18日修正更新,请以此次更新数据为准)

训练集下载

测试集下载

复赛训练集+测试集(复赛有AB榜,此处为A榜测试集) 训练集下载

测试集下载

提交示例下载

考核指标

初赛复赛评估指标一致,如下所示:

总评估指标:

1、PA(像素精确率Pixel Accuracy)为分割任务指标

PA表示标记正确的像素占总像素的比例,N表示画面中总共像素的个数;TP表示正确预测的病灶区域的像素个数;TN表示正确预测的健康区域的像素个数;FP表示实际为健康区域预测为病灶区域的像素个数;FN表示实际为病灶区域预测为健康区域的像素个数。

2、Top_1 error为分类任务指标

p表示正确标记与模型输出的最佳标记不同的样本数,n表示总样本数。

点赞
收藏

评论区

加载中...

相关推荐

手写Java HashMap源码

HashMap的使用教程HashMap的使用教程HashMap的使用教程HashMap的使用教程HashMap的使用教程22

天池比赛数据挖掘心电图赛题理解

Datawhale零基础入门数据挖掘Task1赛题理解Task1赛题理解比赛地址:https://tianchi.aliyun.com/competition/entrance/531883/introduction1.1学习目标理解赛题数据和目标,清楚评分体系。完成相应报名,下载数据和结果提交打卡(可提交示例结果),熟悉比赛

BraTS18——多模态MR图像脑肿瘤分割挑战赛

之前挑战赛的数据都是以CT图像为主,而医学影像还有其他模态,例如核磁共振成像。今天我将分享如何对多模态MR图像脑肿瘤进行分割处理。为了方便大家学习理解整个分割流程,我将整个流程步骤进行了整理,并给出每个步骤的结果,希望对大家有所帮助。一、脑肿瘤图像分析与预处理(1)、获取多模态MR图像属性信息。读取原始图像,显示图像大小,Spacing信

MapReduce之Shuffle,自定义对象,排序已经Combiner

1\.Shuffle:MapReduce的计算模型主要分为三个阶段,Map,shuffle,Reduce。Map负责数据的过滤,将文件中的数据转化为键值对,Reduce负责合并将具有相同的键的值进行处理合并然后输出到HDFS。为了让Reduce可以并行处理map的结果,必须对Map的输出进行一定的排序和分割,然后交个Red

25、二分类、多分类与多标签问题的区别

二分类、多分类与多标签的基本概念二分类:表示分类任务中有两个类别,比如我们想识别一幅图片是不是猫。也就是说,训练一个分类器,输入一幅图片,用特征向量x表示,输出是不是猫,用y0或1表示。二类分类是假设每个样本都被设置了一个且仅有一个标签0或者1。多类分类(Multiclassclassification):表示分类任务中有多

Serverless 实战:用 20 行 Python 代码轻松搞定图像分类和预测

图像分类是人工智能领域的一个热门话题,通俗来讲,就是根据各自在图像信息中反映的不同特征,把不同类别的目标区分开。图像分类利用计算机对图像进行定量分析,把图像或图像中的每个像元或区域划归为若干个类别中的某一种,代替人的视觉判读。在实际生活中,我们也会遇到图像分类的应用场景,例如我们常用的通过拍照花朵来识别花朵信息,通过人脸匹对人物信息等。通常,图像识别或分