Gehirntumor-Datensatz#
Der Gehirntumor-Datensatz von Ultralytics ist ein Objekterkennungsdatensatz mit 1.116 medizinischen Bildern (893 für das Training und 223 für die Validierung) aus MRT- und CT-Aufnahmen. Die Bilder sind in 2 Klassen unterteilt: negative (kein Tumor) und positive (Tumor vorhanden). Damit kannst du Computer-Vision-Modelle trainieren, um Gehirntumore in Aufnahmen zu lokalisieren und so die Frühdiagnose und Behandlungsplanung in Anwendungen im Gesundheitswesen zu unterstützen.
Ansehen: Erkennung von Hirntumoren mit der Ultralytics-Plattform und Ultralytics YOLO26 | Objekterkennung 🚀
Datensatzstruktur#
Der Gehirntumor-Datensatz enthält 1.116 Bilder, die anhand der Konfiguration brain-tumor.yaml in zwei vordefinierte Teilmengen aufgeteilt sind:
| Aufteilung | Bilder | Annotationen |
|---|---|---|
| Trainieren | 893 | Ja |
| Validierung | 223 | Ja |
Jedes Bild ist mit einer von 2 Klassen versehen:
negative: Bilder ohne Gehirntumorpositive: Bilder mit einem Gehirntumor
Der Datensatz wird beim ersten Training automatisch aus den GitHub-Assets von Ultralytics heruntergeladen (4.21 MB). Eine manuelle Einrichtung ist daher nicht erforderlich.
Sieh dir Brain Tumor auf der Ultralytics Platform an, um die Bilder mit ihren Annotationen einzusehen, die Klassenverteilung und Bounding-Box-Heatmaps auf der Registerkarte Charts anzuzeigen und den Datensatz zu klonen, um dein eigenes Modell in der Cloud zu trainieren.
Anwendungsfälle#
Die Erkennung von Gehirntumoren mit Computer Vision ermöglicht eine Frühdiagnose, die Behandlungsplanung und die Überwachung des Tumorverlaufs. Durch die Analyse von MRT- oder CT-Aufnahmen lokalisieren Erkennungsmodelle Tumore präzise und unterstützen so rechtzeitige medizinische Maßnahmen sowie personalisierte Behandlungen.
Medizinisches Fachpersonal kann diese Technologie nutzen, um:
- Die Diagnosezeit zu verkürzen und die Genauigkeit zu verbessern
- Die Operationsplanung durch die präzise Lokalisierung von Tumoren zu unterstützen
- Die Wirksamkeit der Behandlung im Zeitverlauf zu überwachen
- Die Forschung in der Onkologie und Neurologie zu unterstützen
YAML-Datei des Datensatzes#
Eine YAML-Datei definiert die Dataset-Konfiguration, einschließlich Pfaden, Klassen und weiterer relevanter Informationen. Für den Gehirntumor-Datensatz 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.zipVerwendung#
Um ein YOLO26-Modell mit dem Gehirntumor-Datensatz 100 Epochen lang und mit einer Bildgröße von 640 zu trainieren, verwende die bereitgestellten Codebeispiele. Eine detaillierte Liste der verfügbaren Argumente findest du auf der Seite zum Training des Modells.
from ultralytics import YOLO
# Ein Modell laden
model = YOLO("yolo26n.pt") # ein vortrainiertes Modell laden (für das Training empfohlen)
# Das Modell trainieren
results = model.train(data="brain-tumor.yaml", epochs=100, imgsz=640)from ultralytics import YOLO
# Ein Modell laden
model = YOLO("path/to/best.pt") # ein feinabgestimmtes Gehirntumor-Modell laden
# Inferenz mit dem Modell
results = model.predict("https://ultralytics.com/assets/brain-tumor-sample.jpg")Beispielbilder und Annotationen#
Der Gehirntumor-Datensatz enthält MRT- und CT-Aufnahmen des Gehirns mit und ohne Tumore. Unten siehst du ein Beispielbild aus dem Datensatz mit seinen Annotationen.
- Mosaikbild: Dieser Trainingsbatch zeigt mosaikartig zusammengesetzte Bilder aus dem Datensatz. Bei der Mosaik-Augmentierung werden während des Trainings mehrere Bilder zu einem kombiniert. Dadurch wird der Batch vielfältiger und das Modell kann besser auf unterschiedliche Tumorgrößen, -formen und -positionen verallgemeinern, was der medizinischen Bildanalyse zugutekommt.
Zitate und Danksagungen#
Der Datensatz wird unter der AGPL-3.0-Lizenz bereitgestellt.
Wenn du diesen Datensatz in deiner Forschung oder Entwicklung verwendest, zitiere ihn bitte ordnungsgemäß:
@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}
}Häufig gestellte Fragen#
Der Gehirntumor-Datensatz enthält 1.116 Bilder, die in zwei Teilmengen unterteilt sind: einen Trainingssatz mit 893 Bildern und einen Validierungssatz mit 223 Bildern, jeweils mit zugehörigen Annotationen. Diese strukturierte Aufteilung unterstützt die Entwicklung robuster und präziser Computer-Vision-Modelle zur Erkennung von Gehirntumoren. Weitere Informationen findest du im Abschnitt Dataset-Struktur.
Der Gehirntumor-Datensatz umfasst 2 Klassen:
negative(Bilder ohne Gehirntumor) undpositive(Bilder mit einem Gehirntumor). Durch diese binäre Kennzeichnung kann ein Erkennungsmodell sowohl einen Tumor lokalisieren als auch Aufnahmen ohne Tumor kennzeichnen.Der Gehirntumor-Datensatz (4.21 MB) wird beim ersten Training mit
data="brain-tumor.yaml"automatisch aus den GitHub-Assets von Ultralytics heruntergeladen — ein manueller Download ist nicht erforderlich. Ähnliche Datensätze kannst du in der Übersicht über Erkennungsdatensätze ansehen.Du kannst ein YOLO26-Modell mit einer Bildgröße von 640 px 100 Epochen lang auf dem Gehirntumor-Datensatz trainieren — sowohl mit Python als auch mit der CLI. Nachfolgend findest du Beispiele für beide Methoden:
Trainingsbeispielfrom ultralytics import YOLO # Ein Modell laden model = YOLO("yolo26n.pt") # ein vortrainiertes Modell laden (für das Training empfohlen) # Das Modell trainieren results = model.train(data="brain-tumor.yaml", epochs=100, imgsz=640)Eine detaillierte Liste der verfügbaren Argumente findest du auf der Seite zum Training.
Die Verwendung des Gehirntumor-Datensatzes in KI-Projekten ermöglicht die Frühdiagnose und Behandlungsplanung bei Gehirntumoren. Er hilft dabei, die Erkennung von Gehirntumoren mithilfe von Computer Vision zu automatisieren, präzise und rechtzeitige medizinische Maßnahmen zu erleichtern und personalisierte Behandlungsstrategien zu unterstützen. Diese Anwendung bietet ein erhebliches Potenzial, die Behandlungsergebnisse für Patienten und die Effizienz der medizinischen Versorgung zu verbessern. Weitere Einblicke in KI-Anwendungen im Gesundheitswesen findest du in den Lösungen von Ultralytics für das Gesundheitswesen.
Die Inferenz mit einem feinabgestimmten YOLO26-Modell kann entweder mit Python oder über die CLI ausgeführt werden. Hier sind die Beispiele:
Inferenzbeispielfrom ultralytics import YOLO # Ein Modell laden model = YOLO("path/to/best.pt") # ein feinabgestimmtes Gehirntumor-Modell laden # Inferenz mit dem Modell results = model.predict("https://ultralytics.com/assets/brain-tumor-sample.jpg")Die YAML-Konfigurationsdatei für den Gehirntumor-Datensatz findest du unter brain-tumor.yaml. Diese Datei enthält Pfade, Klassen und weitere relevante Informationen, die zum Trainieren und Evaluieren von Modellen auf diesem Datensatz benötigt werden.