مجموعة بيانات أورام الدماغ

تتكون مجموعة بيانات الكشف عن أورام الدماغ من صور طبية من مسح الرنين المغناطيسي أو الأشعة المقطعية، وتحتوي على معلومات حول وجود أورام الدماغ وموقعها وخصائصها. تُعد مجموعة البيانات هذه ضرورية لتدريب خوارزميات الرؤية الحاسوبية لأتمتة تحديد أورام الدماغ، مما يساعد في التشخيص المبكر وتخطيط العلاج في تطبيقات الرعاية الصحية.

هيكل مجموعة البيانات

تُقسم مجموعة بيانات أورام الدماغ إلى مجموعتين فرعيتين:

• مجموعة التدريب: تتكون من 893 صورة، كل منها مصحوبة بتعليقات توضيحية مقابلة.
• مجموعة الاختبار: تتكون من 223 صورة، مع تعليقات توضيحية مقترنة بكل منها.

تحتوي مجموعة البيانات على فئتين:

• سلبية: صور بدون أورام دماغية
• إيجابية: صور تحتوي على أورام دماغية

التطبيقات

يُمكّن تطبيق الكشف عن أورام الدماغ باستخدام الرؤية الحاسوبية من التشخيص المبكر وتخطيط العلاج ومراقبة تطور الورم. من خلال تحليل بيانات التصوير الطبي مثل مسح الرنين المغناطيسي أو الأشعة المقطعية، تساعد أنظمة الرؤية الحاسوبية في تحديد أورام الدماغ بدقة، مما يساعد في التدخل الطبي في الوقت المناسب واستراتيجيات العلاج الشخصية.

يمكن للمهنيين الطبيين الاستفادة من هذه التقنية في:

• تقليل وقت التشخيص وتحسين الدقة
• المساعدة في التخطيط الجراحي عن طريق تحديد مواقع الأورام بدقة
• مراقبة فعالية العلاج بمرور الوقت
• دعم الأبحاث في علم الأورام والأعصاب

ملف YAML لمجموعة البيانات

يُستخدم ملف YAML (لغة ترميز أخرى) لتحديد تكوين مجموعة البيانات. وهو يحتوي على معلومات حول مسارات مجموعة البيانات، والفئات، ومعلومات أخرى ذات صلة. في حالة مجموعة بيانات أورام الدماغ، يتم الاحتفاظ بملف brain-tumor.yaml في الرابط https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/brain-tumor.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Brain-tumor dataset by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/brain-tumor/
# Example usage: yolo train data=brain-tumor.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── brain-tumor ← downloads here (4.21 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: brain-tumor # dataset root dir
train: images/train # train images (relative to 'path') 893 images
val: images/val # val images (relative to 'path') 223 images

# Classes
names:
  0: negative
  1: positive

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/brain-tumor.zip

الاستخدام

لتدريب نموذج YOLO26 على مجموعة بيانات أورام الدماغ لمدة 100 دورة تدريبية بحجم صورة 640، استخدم مقتطفات الكود المقدمة. للحصول على قائمة مفصلة بالوسيطات المتاحة، راجع صفحة التدريب الخاصة بالنموذج.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="brain-tumor.yaml", epochs=100, imgsz=640)

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/best.pt")  # load a brain-tumor fine-tuned model

# Inference using the model
results = model.predict("https://ultralytics.com/assets/brain-tumor-sample.jpg")

صور وتعليقات توضيحية نموذجية

تضم مجموعة بيانات أورام الدماغ مجموعة واسعة من الصور الطبية التي تتميز بمسح الدماغ مع وبدون أورام. فيما يلي أمثلة على صور من مجموعة البيانات، مصحوبة بتعليقاتها التوضيحية الخاصة.

• صورة مفسفسة (Mosaiced): يتم عرض دفعة تدريب تتكون من صور مجموعة بيانات مفسفسة هنا. التفسيف، وهو أسلوب تدريب، يدمج صورًا متعددة في صورة واحدة، مما يعزز تنوع الدفعة. يساعد هذا النهج في تحسين قدرة النموذج على التعميم عبر أحجام وأشكال ومواقع أورام مختلفة داخل مسح الدماغ.

يسلط هذا المثال الضوء على تنوع وتعقيد الصور داخل مجموعة بيانات أورام الدماغ، مما يؤكد على فوائد دمج التفسيف أثناء مرحلة التدريب لـ تحليل الصور الطبية.

الاقتباسات والشكر

تم توفير مجموعة البيانات بموجب ترخيص AGPL-3.0.

إذا كنت تستخدم مجموعة البيانات هذه في عملك البحثي أو التطويري، يرجى الاستشهاد بها بشكل مناسب:

@dataset{Ultralytics_Brain_Tumor_Dataset_2023,
    author = {Ultralytics},
    title = {Brain Tumor Detection Dataset},
    year = {2023},
    publisher = {Ultralytics},
    url = {https://docs.ultralytics.com/datasets/detect/brain-tumor/}
}

الأسئلة الشائعة

ما هو هيكل مجموعة بيانات أورام الدماغ المتاحة في وثائق Ultralytics؟

تُقسم مجموعة بيانات أورام الدماغ إلى مجموعتين فرعيتين: تتكون مجموعة التدريب من 893 صورة مع تعليقات توضيحية مقابلة، بينما تتكون مجموعة الاختبار من 223 صورة مع تعليقات توضيحية مقترنة. يساعد هذا التقسيم المنظم في تطوير نماذج رؤية حاسوبية قوية ودقيقة للكشف عن أورام الدماغ. لمزيد من المعلومات حول هيكل مجموعة البيانات، قم بزيارة قسم هيكل مجموعة البيانات.

كيف يمكنني تدريب نموذج YOLO26 على مجموعة بيانات أورام الدماغ باستخدام Ultralytics؟

يمكنك تدريب نموذج YOLO26 على مجموعة بيانات أورام الدماغ لمدة 100 دورة تدريبية بحجم صورة 640 بكسل باستخدام كل من Python وطرق CLI. فيما يلي أمثلة لكليهما:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="brain-tumor.yaml", epochs=100, imgsz=640)

للحصول على قائمة مفصلة بالوسيطات المتاحة، راجع صفحة التدريب.

ما هي فوائد استخدام مجموعة بيانات أورام الدماغ للذكاء الاصطناعي في الرعاية الصحية؟

يُمكّن استخدام مجموعة بيانات أورام الدماغ في مشاريع الذكاء الاصطناعي من التشخيص المبكر وتخطيط العلاج لأورام الدماغ. وهو يساعد في أتمتة تحديد أورام الدماغ من خلال الرؤية الحاسوبية، مما يسهل التدخلات الطبية الدقيقة وفي الوقت المناسب، ويدعم استراتيجيات العلاج الشخصية. يحمل هذا التطبيق إمكانات كبيرة في تحسين نتائج المرضى والكفاءات الطبية. لمزيد من الرؤى حول تطبيقات الذكاء الاصطناعي في الرعاية الصحية، راجع حلول الرعاية الصحية من Ultralytics.

كيف يمكنني إجراء الاستدلال باستخدام نموذج YOLO26 تم ضبطه بدقة على مجموعة بيانات أورام الدماغ؟

يمكن إجراء الاستدلال باستخدام نموذج YOLO26 تم ضبطه بدقة باستخدام طرق Python أو CLI. إليك الأمثلة:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/best.pt")  # load a brain-tumor fine-tuned model

# Inference using the model
results = model.predict("https://ultralytics.com/assets/brain-tumor-sample.jpg")

أين يمكنني العثور على تكوين YAML لمجموعة بيانات أورام الدماغ؟

يمكن العثور على ملف تكوين YAML لمجموعة بيانات أورام الدماغ على brain-tumor.yaml. يتضمن هذا الملف المسارات، والفئات، ومعلومات إضافية ذات صلة ضرورية لتدريب وتقييم النماذج على مجموعة البيانات هذه.