Link to this sectionConjunto de datos de tumores cerebrales#

Un conjunto de datos para la detección de tumores cerebrales consiste en 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 conjunto de datos es esencial para entrenar algoritmos de visión artificial destinados a automatizar la identificación de tumores cerebrales, lo que ayuda en el diagnóstico temprano y la planificación del tratamiento en aplicaciones sanitarias.

Watch: Brain Tumor Detection using Ultralytics Platform with Ultralytics YOLO26 | Object Detection 🚀

Link to this sectionEstructura del dataset#

El conjunto de datos de tumores cerebrales se divide en dos subconjuntos:

Conjunto de entrenamiento: consta de 893 imágenes, cada una acompañada de sus correspondientes anotaciones.
Conjunto de pruebas: consta de 223 imágenes, con anotaciones emparejadas para cada una.

El conjunto de datos contiene dos clases:

Negativo: imágenes sin tumores cerebrales
Positivo: imágenes con tumores cerebrales

Link to this sectionAplicaciones#

La aplicación de la detección de tumores cerebrales mediante visión artificial permite el diagnóstico temprano, la planificación del tratamiento y el seguimiento de la progresión del tumor. Al analizar datos de imágenes médicas como escáneres MRI o CT, los sistemas de visión artificial 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

Link to this sectionYAML del dataset#

Se utiliza un archivo YAML (Yet Another Markup Language) para definir la configuración del conjunto de datos. Contiene información sobre las rutas, clases y otra información relevante del conjunto de datos. En el caso del conjunto de datos 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/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

Link to this sectionUso#

Para entrenar un modelo YOLO26 con el conjunto de datos de tumores cerebrales durante 100 épocas 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.

Ejemplo de entrenamiento

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)

Ejemplo de inferencia

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")

Link to this sectionMuestras de imágenes y anotaciones#

El conjunto de datos 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 conjunto de datos, acompañadas de sus respectivas anotaciones.

Imagen de muestra del conjunto de datos de tumores cerebrales

Imagen en mosaico: Aquí se muestra un lote de entrenamiento que comprende imágenes del conjunto de datos en mosaico. El mosaico, una técnica de entrenamiento, consolida varias 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 conjunto de datos de tumores cerebrales, subrayando las ventajas de incorporar el mosaico durante la fase de entrenamiento para el análisis de imágenes médicas.

Link to this sectionCitas y agradecimientos#

El conjunto de datos se ha puesto a disposición bajo la Licencia AGPL-3.0.

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

Cita

@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/}
}

Link to this sectionFAQ#

Link to this section¿Cuál es la estructura del conjunto de datos de tumores cerebrales disponible en la documentación de Ultralytics?#

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

Link to this section¿Cómo puedo entrenar un modelo YOLO26 con el conjunto de datos de tumores cerebrales usando Ultralytics?#

Puedes entrenar un modelo YOLO26 con el conjunto de datos de tumores cerebrales durante 100 épocas con un tamaño de imagen de 640px usando los métodos de Python y CLI. A continuación, tienes los ejemplos para ambos:

Ejemplo de entrenamiento

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.

Link to this section¿Cuáles son los beneficios de utilizar el conjunto de datos de tumores cerebrales para la IA en el sector sanitario?#

El uso del conjunto de datos de tumores cerebrales en proyectos de IA permite el diagnóstico temprano y la planificación del tratamiento de tumores cerebrales. Ayuda a automatizar la identificación de tumores cerebrales mediante la visión artificial, 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 IA en el sector sanitario, consulta las soluciones sanitarias de Ultralytics.

Link to this section¿Cómo realizo la inferencia usando un modelo YOLO26 ajustado con el conjunto de datos de tumores cerebrales?#

La inferencia usando un modelo YOLO26 ajustado se puede realizar mediante enfoques de Python o CLI. Aquí tienes los ejemplos: