AI-KODA Dataset: An AI-Image Dataset for Automatic Assessment of Cleanliness in Video Capsule Endoscopy as per Korea-Canada Scores
Notice bibliographique
Résumé
<b>AI-Image Dataset for Automatic Assessment of Cleanliness in Video Capsule Endoscopy as per KODA scores</b>Artificial Intelligence-Korea Canada (AI-KODA) dataset is a medically annotated, multi-label image AI dataset collected from Department of Gastroenterology and HNU, All India Institute of Medical Sciences, New Delhi. It consists of 2173 video capsule endoscopy frames with KODA score labels.There are three folders in the dataset namely:ImagesLabelsSample python files with no augmentationThe Images folder contains 2173 Video Capsule Endoscopy frames of 28 patients. 1539 frames are sequential in nature and were obtained after every 5 minutes from the 28 patient videos. 634 frames are non-sequential in nature and were obtained randomly from the 28 patient videos. F minutes in the image path represents five-minute frames. DF in the image path represents default frames. The images are of 320 x 320 resolution.The labels folder contains two types of files in excel and CSV format. One is multi-hot encoded in zeros and ones format. Another one contains the exact labels. Sample python files are attached for its use. Please note that no augmentation has been performed. Users may augment themselves as per case use. Further information will be shared upon acceptance of the manuscript(s) in consideration.Authors are thankful to Dr. Mohammad Tabish, Dr. Rajat Bansal and Dr. Syed Ahmed from Department of Gastroenterology & HNU, All India Institute of Medical Sciences, New Delhi for helping in annotation of the dataset. Thanks to Nikita Garg for helping in the development of the AI-KODA application. The authors also acknowledge the support of SERB, a statutory body of the Department of Science and Technology, Government of India for funding this research work under the Core Research Grant (CRG/2022/001755).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,187 | 0,021 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».