Hirntumor-Datensatz

Ein Datensatz zur Erkennung von Hirntumoren besteht aus medizinischen Bildern von MRT- oder CT-Scans, die Informationen über das Vorhandensein, die Lage und die Merkmale von Hirntumoren enthalten. Dieser Datensatz ist wichtig, um Bildverarbeitungsalgorithmen zu trainieren, die die Erkennung von Hirntumoren automatisieren und so zu einer frühzeitigen Diagnose und Behandlungsplanung beitragen.

Struktur des Datensatzes

Der Hirntumor-Datensatz ist in zwei Teilmengen unterteilt:

• Trainingsset: Bestehend aus 893 Bildern, die jeweils mit entsprechenden Kommentaren versehen sind.
• Testsatz: Bestehend aus 223 Bildern, zu denen jeweils zwei Anmerkungen gemacht wurden.

Anwendungen

Die Erkennung von Hirntumoren mithilfe von Computer Vision ermöglicht eine frühzeitige Diagnose, Behandlungsplanung und Überwachung des Tumorverlaufs. Durch die Analyse medizinischer Bilddaten wie MRT- oder CT-Scans helfen Bildverarbeitungssysteme bei der genauen Identifizierung von Hirntumoren und unterstützen so rechtzeitige medizinische Eingriffe und personalisierte Behandlungsstrategien.

Datensatz YAML

Eine YAML-Datei (Yet Another Markup Language) wird verwendet, um die Konfiguration des Datensatzes zu definieren. Sie enthält Informationen über die Pfade des Datensatzes, die Klassen und andere relevante Informationen. Im Fall des Hirntumordatensatzes ist die brain-tumor.yaml Datei wird verwaltet unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/brain-tumor.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 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 (4.05 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: ../datasets/brain-tumor # dataset root dir
train: train/images # train images (relative to 'path') 893 images
val: valid/images # val images (relative to 'path') 223 images
test: # test images (relative to 'path')

# Classes
names:
  0: negative
  1: positive

# Download script/URL (optional)
download: https://ultralytics.com/assets/brain-tumor.zip

Verwendung

Um ein YOLOv8n Modell auf dem Hirntumor-Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, verwende die bereitgestellten Codeschnipsel. Eine detaillierte Liste der verfügbaren Argumente findest du auf der Seite Training des Modells.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.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=yolov8n.pt 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")

# 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"

Beispielbilder und Anmerkungen

Der Hirntumor-Datensatz umfasst eine Vielzahl von Bildern mit verschiedenen Objektkategorien und komplexen Szenen. Im Folgenden findest du Beispiele für Bilder aus dem Datensatz, die mit den entsprechenden Kommentaren versehen sind

• Mosaikbild: Hier siehst du einen Trainingsstapel mit Mosaikbildern aus dem Datensatz. Bei der Mosaikbildung werden mehrere Bilder zu einem einzigen zusammengefasst, um die Vielfalt des Stapels zu erhöhen. Dieser Ansatz verbessert die Fähigkeit des Modells, über verschiedene Objektgrößen, Seitenverhältnisse und Kontexte hinweg zu generalisieren.

Dieses Beispiel verdeutlicht die Vielfalt und Komplexität der Bilder im Hirntumordatensatz und unterstreicht die Vorteile der Mosaikbildung in der Trainingsphase.

Zitate und Danksagungen

Der Datensatz wurde unter der AGPL-3.0 Lizenz veröffentlicht.

Kommentare