Brain-Tumor-Datensatz#

1,116

brain tumor

ultralytics

publicDetect

Medical imaging dataset with 1,100+ MRI scans for brain tumor detection. Supports healthcare AI research and diagnostic model development.

62 classes9.5 MBApr 28, 2026

negativepositive

Das Ultralytics Brain Tumor Dataset ist ein Object Detection-Datensatz mit 1.116 medizinischen Bildern (893 für das Training und 223 für die Validierung) aus MRT- und CT-Scans, die in 2 Klassen unterteilt sind: negative (kein Tumor) und positive (Tumor vorhanden). Damit kannst du Computer Vision-Modelle trainieren, um Hirntumoren in Scans zu lokalisieren, was die Frühdiagnose und Behandlungsplanung in Gesundheitsanwendungen unterstützt.

Datensatzstruktur#

Das Hirntumor-Datensatz enthält 1.116 Bilder, die in zwei vordefinierte Teilmengen unterteilt sind, die durch die Konfiguration brain-tumor.yaml festgelegt werden:

Jedes Bild ist mit einer von 2 Klassen gekennzeichnet:

• negative: Bilder ohne Hirntumor
• positive: Bilder, die einen Hirntumor zeigen

Der Datensatz wird beim ersten Training automatisch von den Ultralytics GitHub Assets heruntergeladen (4,21 MB), daher ist keine manuelle Einrichtung erforderlich.

Erkunde Brain Tumor on Ultralytics Platform, um die Bilder mit ihren Annotations-Overlays zu durchsuchen, die Klassenverteilung und Bounding-Box-Heatmaps im Charts-Tab anzusehen und den Datensatz zu klonen, um ein eigenes Modell in der Cloud zu trainieren.

Anwendungen#

Die Erkennung von Hirntumoren mit Computer Vision ermöglicht eine Frühdiagnose, Behandlungsplanung und Überwachung des Tumorverlaufs. Durch die Analyse von MRT- oder CT-Scans lokalisieren Erkennungsmodelle Tumoren präzise und unterstützen so einen rechtzeitigen medizinischen Eingriff sowie eine personalisierte Behandlung.

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

Datensatz-YAML#

Eine YAML-Datei definiert die Datensatzkonfiguration einschließlich Pfaden, Klassen und anderen relevanten Informationen. Für das Hirntumor-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.zip

Verwendung#

Um ein YOLO26-Modell für 100 Epochen mit einer Bildgröße von 640 auf dem Hirntumor-Datensatz 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")

Beispielbilder und Annotationen#

Der Hirntumor-Datensatz enthält MRT- und CT-Gehirnscans mit und ohne Tumore. Unten siehst du ein Beispielbild aus dem Datensatz mit seinen Annotationen.

• Mosaiced Image: Dieser Trainings-Batch zeigt als Mosaik angeordnete Datensatzbilder. Das Mosaicing kombiniert beim Training mehrere Bilder zu einem einzigen, wodurch die Vielfalt des Batches erhöht wird, damit das Modell über verschiedene Tumorgrößen, -formen und -standorte hinweg für die medizinische Bildanalyse besser generalisiert.

Zitate und Danksagungen#

Der Datensatz wurde unter der AGPL-3.0 License 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}
}

FAQ#