Link to this sectionBrain-Tumor-Datensatz#

Ein Datensatz zur Erkennung von Hirntumoren besteht aus medizinischen Bildern von MRT- oder CT-Scans und enthält Informationen über das Vorhandensein, den Ort und die Merkmale von Hirntumoren. Dieser Datensatz ist für das Training von Computer Vision-Algorithmen zur Automatisierung der Identifizierung von Hirntumoren unerlässlich und unterstützt bei der Früherkennung und Behandlungsplanung in Gesundheitsanwendungen.

Link to this sectionDatensatzstruktur#

Der Hirntumor-Datensatz ist in zwei Teilmengen unterteilt:

• Trainingsset: Bestehend aus 893 Bildern, denen jeweils entsprechende Annotationen beigefügt sind.
• Testset: Umfasst 223 Bilder, wobei für jedes Bild die Annotationen gepaart sind.

Der Datensatz enthält zwei Klassen:

• Negativ: Bilder ohne Hirntumore
• Positiv: Bilder mit Hirntumoren

Link to this sectionAnwendungen#

Die Anwendung der Gehirntumorerkennung mittels Computer Vision ermöglicht Früherkennung, Behandlungsplanung und die Überwachung des Tumorverlaufs. Durch die Analyse medizinischer Bilddaten wie MRT- oder CT-Scans unterstützen Computer-Vision-Systeme bei der genauen Identifizierung von Gehirntumoren und helfen so bei rechtzeitigen medizinischen Eingriffen und personalisierten Behandlungsstrategien.

Medizinische Fachkräfte können diese Technologie nutzen, um:

• Die Diagnosezeit zu verkürzen und die Genauigkeit zu verbessern
• Bei der Operationsplanung durch präzise Tumorlokalisierung zu unterstützen
• Die Wirksamkeit der Behandlung im Zeitverlauf zu überwachen
• Forschung in der Onkologie und Neurologie zu unterstützen

Link to this sectionDatensatz-YAML#

Eine YAML-Datei (Yet Another Markup Language) wird verwendet, um die Dataset-Konfiguration zu definieren. Sie enthält Informationen zu den Pfaden des Datensatzes, den Klassen und anderen relevanten Daten. Im Fall des Hirntumor-Datensatzes wird die Datei brain-tumor.yaml unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/brain-tumor.yaml gepflegt.

# 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

Link to this sectionVerwendung#

Um ein YOLO26-Modell auf dem Gehirntumor-Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, verwende die bereitgestellten Code-Snippets. Eine detaillierte Liste der verfügbaren Argumente findest du auf der Training-Seite des Modells.

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")

Link to this sectionBeispielbilder und Annotationen#

Der Hirntumor-Datensatz umfasst eine breite Palette an medizinischen Bildern, die Gehirnscans mit und ohne Tumore zeigen. Nachfolgend sind Beispiele von Bildern aus dem Datensatz dargestellt, zusammen mit ihren jeweiligen Annotationen.

• Mosaik-Bild: Hier wird ein Trainingsstapel (Batch) angezeigt, der aus Mosaik-Datensatzbildern besteht. Mosaicing, eine Trainingstechnik, kombiniert mehrere Bilder zu einem, was die Batch-Diversität erhöht. Dieser Ansatz trägt dazu bei, die Fähigkeit des Modells zu verbessern, über verschiedene Tumorgrößen, -formen und -standorte innerhalb von Gehirnscans hinweg zu generalisieren.

Dieses Beispiel hebt die Vielfalt und Komplexität der Bilder im Hirntumor-Datensatz hervor und unterstreicht die Vorteile des Einsatzes von Mosaicing während der Trainingsphase für die medizinische Bildanalyse.

Link to this sectionZitate und Danksagungen#

Der Datensatz wurde unter der AGPL-3.0-Lizenz zur Verfügung gestellt.

Wenn du diesen Datensatz für deine Forschung oder Entwicklungsarbeit verwendest, zitiere ihn bitte angemessen:

@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/}
}

Link to this sectionFAQ#

Link to this sectionWie ist der in der Ultralytics-Dokumentation verfügbare Hirntumor-Datensatz strukturiert?#

Der Hirntumor-Datensatz ist in zwei Teilmengen unterteilt: Das Trainingsset besteht aus 893 Bildern mit entsprechenden Annotationen, während das Testset 223 Bilder mit gepaarten Annotationen umfasst. Diese strukturierte Unterteilung hilft bei der Entwicklung robuster und präziser Computer-Vision-Modelle zur Erkennung von Hirntumoren. Weitere Informationen zur Struktur des Datensatzes findest du im Abschnitt Dataset Structure.

Link to this sectionWie kann ich mit Ultralytics ein YOLO26-Modell auf dem Hirntumor-Datensatz trainieren?#

Du kannst ein YOLO26-Modell auf dem Hirntumor-Datensatz für 100 Epochen bei einer Bildgröße von 640px sowohl mit Python- als auch mit CLI-Methoden trainieren. Nachfolgend findest du die Beispiele für beides:

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)

Eine detaillierte Liste der verfügbaren Argumente findest du auf der Seite Training.

Link to this sectionWas sind die Vorteile der Nutzung des Hirntumor-Datensatzes für KI im Gesundheitswesen?#

Die Verwendung des Hirntumor-Datensatzes in KI-Projekten ermöglicht die Früherkennung und Behandlungsplanung für Hirntumore. Dies hilft bei der Automatisierung der Identifizierung von Hirntumoren mittels Computer Vision, erleichtert präzise und zeitnahe medizinische Interventionen und unterstützt personalisierte Behandlungsstrategien. Diese Anwendung hat ein erhebliches Potenzial, die Patientenergebnisse und die medizinische Effizienz zu verbessern. Weitere Einblicke in KI-Anwendungen im Gesundheitswesen findest du unter Ultralytics' Healthcare-Lösungen.

Link to this sectionWie führe ich eine Inferenz mit einem feinabgestimmten YOLO26-Modell auf dem Hirntumor-Datensatz durch?#

Die Inferenz mit einem feinabgestimmten YOLO26-Modell kann entweder über Python- oder CLI-Ansätze durchgeführt werden. Hier sind die Beispiele:

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")

Link to this sectionWo finde ich die YAML-Konfiguration für den Hirntumor-Datensatz?#

Die YAML-Konfigurationsdatei für den Hirntumor-Datensatz findest du unter brain-tumor.yaml. Diese Datei enthält Pfade, Klassen und weitere relevante Informationen, die für das Training und die Evaluierung von Modellen auf diesem Datensatz erforderlich sind.