Skip to content

Conjunto de datos de tumores cerebrales

Abrir el conjunto de datos de tumores cerebrales en Colab

Un conjunto de datos de detección de tumores cerebrales consiste en imágenes médicas de resonancias magnéticas o tomografías computarizadas, que contienen información sobre la presencia, ubicación y características del tumor cerebral. Este conjunto de datos es esencial para entrenar algoritmos de visión artificial para automatizar la identificación de tumores cerebrales, lo que ayuda en el diagnóstico temprano y la planificación del tratamiento en aplicaciones sanitarias.



Ver: Detección de tumores cerebrales utilizando Ultralytics HUB

Estructura del conjunto de datos

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

  • Conjunto de entrenamiento: Consta de 893 imágenes, cada una acompañada de las anotaciones correspondientes.
  • Conjunto de prueba: Comprende 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

Aplicaciones

La aplicación de la detección de tumores cerebrales mediante visión artificial permite el diagnóstico precoz, la planificación del tratamiento y el seguimiento de la progresión del tumor. Mediante el análisis de datos de imagen médica como resonancias magnéticas o tomografías computarizadas, los sistemas de visión artificial ayudan a identificar con precisión los tumores cerebrales, lo que contribuye a una intervención médica oportuna y a estrategias de tratamiento personalizadas.

Los profesionales médicos pueden aprovechar esta tecnología para:

  • Reduce el tiempo de diagnóstico y mejora la precisión
  • Asistir en la planificación quirúrgica localizando tumores con precisión
  • Supervisar la eficacia del tratamiento a lo largo del tiempo
  • Apoyo a la investigación en oncología y neurología

YAML del conjunto de datos

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

Uso

Para entrenar un modelo YOLO11 en el conjunto de datos 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.

Ejemplo de entrenamiento

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.pt 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")
# 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"

sample_images y anotaciones

El conjunto de datos de tumores cerebrales abarca una amplia gama de imágenes médicas que muestran escáneres cerebrales con y sin tumores. A continuación, se muestran 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 de conjuntos de datos en mosaico. El mosaico, una técnica de entrenamiento, consolida varias imágenes en una, lo que mejora la diversidad del lote. Este enfoque ayuda a mejorar la capacidad del modelo para generalizar a través de varios tamaños, formas y ubicaciones de tumores dentro de las exploraciones cerebrales.

Este ejemplo destaca la diversidad y complejidad de las imágenes dentro del conjunto de datos de tumores cerebrales, lo que subraya las ventajas de incorporar el mosaico durante la fase de entrenamiento para el análisis de imágenes médicas.

Citas y agradecimientos

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

Si utiliza este conjunto de datos en su trabajo de investigación o desarrollo, cítele de forma adecuada:

@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 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 prueba 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, visite la sección Estructura del conjunto de datos.

¿Cómo puedo entrenar un modelo YOLO11 en el conjunto de datos de tumores cerebrales usando Ultralytics?

Puede entrenar un modelo YOLO11 en el conjunto de datos de tumores cerebrales durante 100 épocas con un tamaño de imagen de 640px utilizando los métodos de python y CLI. A continuación, se muestran los ejemplos para ambos:

Ejemplo de entrenamiento

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.pt epochs=100 imgsz=640

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

¿Cuáles son los beneficios de usar el conjunto de datos de tumores cerebrales para la IA en la atención médica?

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 la IA en la atención sanitaria, consulta las soluciones de atención sanitaria de Ultralytics.

¿Cómo realizo la inferencia utilizando un modelo YOLO11 ajustado en el conjunto de datos de tumores cerebrales?

La inferencia utilizando un modelo YOLO11 ajustado se puede realizar con enfoques de python o CLI. Aquí están los ejemplos:

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")
# 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"

¿Dónde puedo encontrar la configuración YAML para el conjunto de datos de tumores cerebrales?

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



📅 Creado hace 1 año ✏️ Actualizado hace 5 meses

Comentarios