Datensatz für Hirntumore
Ein Datensatz zur Erkennung von Hirntumoren besteht aus medizinischen Bildern von MRT- oder CT-Scans, die Informationen über das Vorhandensein, die Lage und die Eigenschaften von Hirntumoren enthalten. Dieser Datensatz ist essenziell für das Training von Computer Vision-Algorithmen zur Automatisierung der Identifizierung von Hirntumoren und unterstützt die Früherkennung und Behandlungsplanung in Anwendungen im Gesundheitswesen.
Ansehen: Hirntumorerkennung mit Ultralytics HUB
Dataset-Struktur
Der Datensatz für Hirntumore ist in zwei Teilmengen unterteilt:
- Trainingssatz: Bestehend aus 893 Bildern, von denen jedes von entsprechenden Anmerkungen begleitet wird.
- Testdatensatz: Umfasst 223 Bilder, wobei jedem Bild Annotationen zugeordnet sind.
Der Datensatz enthält zwei Klassen:
- Negativ: Bilder ohne Hirntumore
- Positiv: Bilder mit Hirntumoren
Anwendungen
Die Anwendung der Hirntumorerkennung mittels Computer Vision ermöglicht Frühdiagnose, Behandlungsplanung und Überwachung des Tumorfortschritts. Durch die Analyse medizinischer Bilddaten wie MRT- oder CT-Scans helfen Computer Vision Systeme bei der genauen Identifizierung von Hirntumoren und unterstützen so rechtzeitige medizinische Interventionen und personalisierte Behandlungsstrategien.
Medizinisches Fachpersonal kann diese Technologie nutzen, um:
- Reduzierung der Diagnosezeit und Verbesserung der Genauigkeit
- Unterstützung bei der chirurgischen Planung durch präzises Lokalisieren von Tumoren
- Überwachen Sie die Wirksamkeit der Behandlung im Laufe der Zeit
- Unterstützung der Forschung in den Bereichen Onkologie und Neurologie
Datensatz-YAML
Eine YAML-Datei (Yet Another Markup Language) wird verwendet, um die Datensatzkonfiguration zu definieren. Sie enthält Informationen über die Pfade, Klassen und andere relevante Informationen des Datensatzes. Im Fall des Hirntumor-Datensatzes wird die brain-tumor.yaml
Datei wird verwaltet unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/brain-tumor.yaml.
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
Nutzung
Um ein YOLO11-Modell auf dem Hirntumor-Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, verwenden Sie die bereitgestellten Code-Snippets. Eine detaillierte Liste der verfügbaren Argumente finden Sie auf der Trainings-Seite des Modells.
Trainingsbeispiel
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="brain-tumor.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=brain-tumor.yaml model=yolo11n.pt epochs=100 imgsz=640
Inferenz Beispiel
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")
# Start prediction with a finetuned *.pt model
yolo detect predict model='path/to/best.pt' imgsz=640 source="https://ultralytics.com/assets/brain-tumor-sample.jpg"
sample_images und Anmerkungen
Der Hirntumor-Datensatz umfasst eine breite Palette medizinischer Bilder mit Hirnscans mit und ohne Tumoren. Nachfolgend sind Beispiele für Bilder aus dem Datensatz zusammen mit ihren jeweiligen Anmerkungen dargestellt.
- Mosaikbild: Hier wird ein Trainings-Batch angezeigt, der aus Mosaik-Datensatzbildern besteht. Mosaicing, eine Trainingstechnik, fasst mehrere Bilder zu einem zusammen und erhöht so die Batch-Diversität. Dieser Ansatz trägt dazu bei, die Fähigkeit des Modells zu verbessern, über verschiedene Tumorgrößen, -formen und -lokationen innerhalb von Gehirnscans zu generalisieren.
Dieses Beispiel verdeutlicht die Vielfalt und Komplexität der Bilder innerhalb des Hirntumor-Datensatzes und unterstreicht die Vorteile der Einbeziehung von Mosaicing während der Trainingsphase für die medizinische Bildanalyse.
Zitate und Danksagungen
Der Datensatz wurde unter der AGPL-3.0-Lizenz zur Verfügung gestellt.
Wenn Sie diesen Datensatz in Ihrer Forschungs- oder Entwicklungsarbeit verwenden, zitieren Sie ihn bitte entsprechend:
@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/}
}
FAQ
Wie ist die Struktur des in der Ultralytics-Dokumentation verfügbaren Hirntumor-Datensatzes?
Der Hirntumor-Datensatz ist in zwei Teilmengen unterteilt: Der Trainingssatz besteht aus 893 Bildern mit entsprechenden Annotationen, während der Testdatensatz 223 Bilder mit gepaarten Annotationen umfasst. Diese strukturierte Aufteilung hilft bei der Entwicklung robuster und genauer Modelle für maschinelles Sehen zur Erkennung von Hirntumoren. Weitere Informationen zur Struktur des Datensatzes finden Sie im Abschnitt Datensatzstruktur.
Wie kann ich ein YOLO11-Modell auf dem Hirntumor-Datensatz mit Ultralytics trainieren?
Sie können ein YOLO11-Modell auf dem Hirntumor-Datensatz für 100 Epochen mit einer Bildgröße von 640px sowohl mit Python- als auch mit CLI-Methoden trainieren. Nachfolgend finden Sie die Beispiele für beide:
Trainingsbeispiel
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="brain-tumor.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=brain-tumor.yaml model=yolo11n.pt epochs=100 imgsz=640
Eine detaillierte Liste der verfügbaren Argumente finden Sie auf der Trainingsseite.
Welche Vorteile bietet die Verwendung des Hirntumor-Datensatzes für KI im Gesundheitswesen?
Die Verwendung des Hirntumor-Datensatzes in KI-Projekten ermöglicht eine frühzeitige Diagnose und Behandlungsplanung für Hirntumore. Es hilft bei der Automatisierung der Hirntumorerkennung durch Computer Vision, ermöglicht präzise und zeitnahe medizinische Eingriffe und unterstützt personalisierte Behandlungsstrategien. Diese Anwendung birgt ein erhebliches Potenzial zur Verbesserung der Patientenergebnisse und der medizinischen Effizienz. Weitere Einblicke in KI-Anwendungen im Gesundheitswesen finden Sie unter Ultralytics' Healthcare-Lösungen.
Wie führe ich eine Inferenz mit einem feinabgestimmten YOLO11-Modell auf dem Hirntumor-Datensatz durch?
Die Inferenz mit einem feinabgestimmten YOLO11-Modell kann entweder mit Python- oder CLI-Ansätzen durchgeführt werden. Hier sind die Beispiele:
Inferenz Beispiel
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")
# Start prediction with a finetuned *.pt model
yolo detect predict model='path/to/best.pt' imgsz=640 source="https://ultralytics.com/assets/brain-tumor-sample.jpg"
Wo finde ich die YAML-Konfiguration für den Hirntumor-Datensatz?
Die YAML-Konfigurationsdatei für das Hirntumor-Dataset finden Sie unter brain-tumor.yaml. Diese Datei enthält Pfade, Klassen und zusätzliche relevante Informationen, die für das Trainieren und Evaluieren von Modellen mit diesem Dataset erforderlich sind.