Dataset de tumores cerebrales

Un dataset de detección de tumores cerebrales consta de imágenes médicas de escáneres de resonancia magnética (MRI) o tomografía computarizada (CT), que contienen información sobre la presencia, ubicación y características de los tumores cerebrales. Este dataset es esencial para entrenar algoritmos de visión por computador para automatizar la identificación de tumores cerebrales, lo que ayuda en el diagnóstico precoz y en la planificación del tratamiento en aplicaciones sanitarias.

Estructura del dataset

El dataset de tumores cerebrales se divide en dos subconjuntos:

• Conjunto de entrenamiento: Consta de 893 imágenes, cada una acompañada de sus correspondientes anotaciones.
• Conjunto de prueba: Compuesto por 223 imágenes, con anotaciones emparejadas para cada una.

El dataset contiene dos clases:

• Negativo: Imágenes sin tumores cerebrales
• Positivo: Imágenes con tumores cerebrales

Aplicaciones

La aplicación de la detección de tumores cerebrales mediante visión por computador permite el diagnóstico precoz, la planificación del tratamiento y el seguimiento de la progresión del tumor. Mediante el análisis de datos de imágenes médicas como las resonancias magnéticas o los escáneres de CT, los sistemas de visión por computador ayudan a identificar con precisión los tumores cerebrales, facilitando una intervención médica oportuna y estrategias de tratamiento personalizadas.

Los profesionales médicos pueden aprovechar esta tecnología para:

• Reducir el tiempo de diagnóstico y mejorar la precisión
• Ayudar en la planificación quirúrgica localizando los tumores con precisión
• Controlar la eficacia del tratamiento a lo largo del tiempo
• Apoyar la investigación en oncología y neurología

YAML del dataset

Se utiliza un archivo YAML (Yet Another Markup Language) para definir la configuración del dataset. Contiene información sobre las rutas, las clases y otros datos relevantes del dataset. En el caso del dataset de tumores cerebrales, el archivo brain-tumor.yaml se mantiene en https://github.com/ultralytics/ultralytics/blob/main/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

Uso

Para entrenar un modelo YOLO26 con el dataset de tumores cerebrales durante 100 epochs con un tamaño de imagen de 640, utiliza los fragmentos de código proporcionados. Para obtener una lista detallada de los argumentos disponibles, consulta la página de Entrenamiento del modelo.

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")

Imágenes de muestra y anotaciones

El dataset de tumores cerebrales abarca una amplia gama de imágenes médicas que incluyen escáneres cerebrales con y sin tumores. A continuación, se presentan ejemplos de imágenes del dataset, acompañadas de sus respectivas anotaciones.

• Imagen en mosaico: Se muestra aquí un lote de entrenamiento compuesto por imágenes del dataset en mosaico. El mosaico, una técnica de entrenamiento, consolida múltiples imágenes en una sola, mejorando la diversidad del lote. Este enfoque ayuda a mejorar la capacidad del modelo para generalizar entre diversos tamaños, formas y ubicaciones de tumores dentro de los escáneres cerebrales.

Este ejemplo destaca la diversidad y complejidad de las imágenes dentro del dataset de tumores cerebrales, subrayando las ventajas de incorporar mosaicos durante la fase de entrenamiento para el análisis de imágenes médicas.

Citas y agradecimientos

El dataset se ha puesto a disposición bajo la Licencia AGPL-3.0.

Si utilizas este dataset en tu trabajo de investigación o desarrollo, por favor cítalo adecuadamente:

@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/}
}

Preguntas frecuentes

¿Cuál es la estructura del dataset de tumores cerebrales disponible en la documentación de Ultralytics?

El dataset de tumores cerebrales se divide en dos subconjuntos: el conjunto de entrenamiento consta de 893 imágenes con sus correspondientes anotaciones, mientras que el conjunto de prueba comprende 223 imágenes con anotaciones emparejadas. Esta división estructurada ayuda a desarrollar modelos de visión por computador robustos y precisos para detectar tumores cerebrales. Para obtener más información sobre la estructura del dataset, visita la sección Estructura del dataset.

¿Cómo puedo entrenar un modelo YOLO26 con el dataset de tumores cerebrales utilizando Ultralytics?

Puedes entrenar un modelo YOLO26 con el dataset de tumores cerebrales durante 100 épocas con un tamaño de imagen de 640px utilizando métodos tanto de Python como de CLI. A continuación, se muestran los ejemplos para ambos:

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)

Para obtener una lista detallada de los argumentos disponibles, consulta la página de Entrenamiento.

¿Cuáles son las ventajas de utilizar el dataset de tumores cerebrales para la IA en el sector sanitario?

El uso del dataset de tumores cerebrales en proyectos de IA permite el diagnóstico precoz y la planificación del tratamiento de los tumores cerebrales. Ayuda a automatizar la identificación de tumores cerebrales mediante visión por computador, facilitando intervenciones médicas precisas y oportunas, y apoyando estrategias de tratamiento personalizadas. Esta aplicación tiene un potencial significativo para mejorar los resultados de los pacientes y la eficiencia médica. Para obtener más información sobre las aplicaciones de la IA en la atención sanitaria, consulta las soluciones sanitarias de Ultralytics.

¿Cómo realizo la inferencia utilizando un modelo YOLO26 ajustado con el dataset de tumores cerebrales?

La inferencia utilizando un modelo YOLO26 ajustado puede realizarse mediante enfoques de Python o CLI. Aquí tienes los ejemplos:

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")

¿Dónde puedo encontrar la configuración YAML del dataset de tumores cerebrales?

El archivo de configuración YAML para el dataset de tumores cerebrales se puede encontrar en brain-tumor.yaml. Este archivo incluye rutas, clases e información adicional relevante necesaria para entrenar y evaluar modelos con este dataset.