Datensatz für Gehirntumore
Ein Datensatz zur Erkennung von Gehirntumoren besteht aus medizinischen Bildern von MRT- oder CT-Scans und enthält Informationen über das Vorhandensein, den Ort und die Merkmale von Gehirntumoren. Dieser Datensatz ist für das Training von Computer-Vision-Algorithmen zur Automatisierung der Gehirntumoridentifizierung unerlässlich und unterstützt bei der Früherkennung sowie der Behandlungsplanung in Gesundheitsanwendungen.
Watch: Brain Tumor Detection using Ultralytics Platform with Ultralytics YOLO26 | Object Detection 🚀
Datensatzstruktur
Der Gehirntumor-Datensatz ist in zwei Teilmengen unterteilt:
- Trainingsset: Bestehend aus 893 Bildern, die jeweils mit entsprechenden Annotationen versehen sind.
- Testset: Bestehend aus 223 Bildern, für die jeweils Annotationen paarweise vorhanden sind.
Der Datensatz enthält zwei Klassen:
- Negativ: Bilder ohne Gehirntumore
- Positiv: Bilder mit Gehirntumoren
Anwendungen
Die Anwendung der Gehirntumorerkennung mittels Computer Vision ermöglicht eine Früherkennung, Behandlungsplanung und Überwachung des Tumorfortschritts. 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 sowie personalisierten Behandlungsstrategien.
Medizinisches Fachpersonal kann diese Technologie nutzen, um:
- Die Diagnosezeit zu verkürzen und die Genauigkeit zu verbessern
- Die Operationsplanung durch präzise Lokalisierung von Tumoren zu unterstützen
- Die Behandlungseffektivität im Zeitverlauf zu überwachen
- Die Forschung in der Onkologie und Neurologie zu unterstützen
Datensatz-YAML
Eine YAML-Datei (Yet Another Markup Language) wird verwendet, um die Konfiguration des Datensatzes zu definieren. Sie enthält Informationen über die Pfade, Klassen und andere relevante Daten des Datensatzes. Im Fall des Gehirntumor-Datensatzes wird die brain-tumor.yaml-Datei 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.zipVerwendung
Um ein YOLO26-Modell auf dem Gehirntumor-Datensatz für 100 Epochen bei einer Bildgröße von 640 zu trainieren, verwende die bereitgestellten Code-Snippets. Für eine detaillierte Liste der verfügbaren Argumente schau auf der Trainings-Seite des Modells nach.
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")Beispielbilder und Annotationen
Der Gehirntumor-Datensatz umfasst eine breite Palette medizinischer Bilder, die Gehirnscans mit und ohne Tumore zeigen. Nachfolgend werden Beispiele von Bildern aus dem Datensatz zusammen mit ihren jeweiligen Annotationen präsentiert.
- Mosaikbild: Hier wird ein Trainingsbatch mit mosaikierten Datensatzbildern angezeigt. Mosaicing, eine Trainingstechnik, kombiniert mehrere Bilder zu einem einzigen, um die Batch-Vielfalt zu erhöhen. Dieser Ansatz hilft dabei, die Fähigkeit des Modells zur Verallgemeinerung über verschiedene Tumorgrößen, -formen und -positionen innerhalb von Gehirnscans zu verbessern.
Dieses Beispiel unterstreicht die Vielfalt und Komplexität der Bilder im Gehirntumor-Datensatz und betont die Vorteile der Verwendung von Mosaicing während der Trainingsphase für die medizinische Bildanalyse.
Zitate und Danksagungen
Der Datensatz wurde unter der AGPL-3.0 License zur Verfügung gestellt.
Wenn du diesen Datensatz in deiner Forschung oder Entwicklungsarbeit verwendest, zitiere 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 der in der Ultralytics-Dokumentation verfügbare Gehirntumor-Datensatz strukturiert?
Der Gehirntumor-Datensatz ist in zwei Teilmengen unterteilt: das Trainingsset besteht aus 893 Bildern mit entsprechenden Annotationen, während das Testset 223 Bilder mit paarweisen Annotationen umfasst. Diese strukturierte Aufteilung hilft bei der Entwicklung robuster und genauer Computer-Vision-Modelle zur Erkennung von Gehirntumoren. Weitere Informationen zur Datensatzstruktur findest du im Abschnitt Datensatzstruktur.
Wie kann ich mit Ultralytics ein YOLO26-Modell auf dem Gehirntumor-Datensatz trainieren?
Du kannst ein YOLO26-Modell für 100 Epochen mit einer Bildgröße von 640px sowohl mit Python- als auch mit CLI-Methoden auf dem Gehirntumor-Datensatz trainieren. Nachfolgend findest du 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 Trainings-Seite.
Was sind die Vorteile der Verwendung des Gehirntumor-Datensatzes für KI im Gesundheitswesen?
Die Verwendung des Gehirntumor-Datensatzes in KI-Projekten ermöglicht die Früherkennung und Behandlungsplanung für Gehirntumore. Er hilft bei der Automatisierung der Identifizierung von Gehirntumoren mittels Computer Vision, erleichtert genaue und rechtzeitige medizinische Interventionen und unterstützt personalisierte Behandlungsstrategien. Diese Anwendung birgt großes Potenzial zur Verbesserung der Patientenergebnisse und medizinischen Effizienz. Weitere Einblicke zu KI-Anwendungen im Gesundheitswesen findest du bei Ultralytics' Lösungen für das Gesundheitswesen.
Wie führe ich eine Inferenz mit einem feinabgestimmten YOLO26-Modell auf dem Gehirntumor-Datensatz durch?
Die Inferenz mit einem feinabgestimmten YOLO26-Modell kann entweder mit Python- oder CLI-Ansätzen 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")Wo finde ich die YAML-Konfiguration für den Gehirntumor-Datensatz?
Die YAML-Konfigurationsdatei für den Gehirntumor-Datensatz findest du unter brain-tumor.yaml. Diese Datei enthält Pfade, Klassen und zusätzliche relevante Informationen, die für das Training und die Bewertung von Modellen auf diesem Datensatz erforderlich sind.