Conjunto de datos sobre tumores cerebrales

Un conjunto de datos de detección de tumores cerebrales consiste en imágenes médicas procedentes de resonancias magnéticas o tomografías computarizadas, que contienen información sobre la presencia, la ubicación y las características de los tumores cerebrales. Este conjunto de datos es esencial para entrenar algoritmos de visión por ordenador que automaticen la identificación de tumores cerebrales, ayudando al diagnóstico precoz y a la planificación del tratamiento.

Estructura del conjunto de datos

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

• Conjunto de entrenamiento: Formado por 893 imágenes, cada una acompañada de las anotaciones correspondientes.
• Conjunto de pruebas: Compuesto por 223 imágenes, con anotaciones emparejadas para cada una de ellas.

Aplicaciones

La aplicación de la detección de tumores cerebrales mediante visión por ordenador 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 resonancias magnéticas o tomografías computarizadas, los sistemas de visión por ordenador ayudan a identificar con precisión los tumores cerebrales, contribuyendo a una intervención médica oportuna y a estrategias de tratamiento personalizadas.

Conjunto de datos YAML

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

Utilización

Para entrenar un modelo YOLOv8n en 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 Entrenamiento del modelo.

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"

Ejemplos de imágenes y anotaciones

El conjunto de datos sobre tumores cerebrales abarca una amplia gama de imágenes que presentan diversas categorías de objetos y escenas intrincadas. A continuación se presentan ejemplos de imágenes del conjunto de datos, acompañadas de sus respectivas anotaciones

• Imagen en mosaico: Aquí se muestra un lote de entrenamiento compuesto por imágenes del conjunto de datos en mosaico. El mosaico, una técnica de entrenamiento, consolida varias imágenes en una, mejorando la diversidad del lote. Este enfoque ayuda a mejorar la capacidad del modelo para generalizar a través de varios tamaños de objetos, relaciones de aspecto y contextos.

Este ejemplo pone de relieve la diversidad y la complejidad de las imágenes del conjunto de datos de tumores cerebrales, y subraya las ventajas de incorporar el mosaico durante la fase de entrenamiento.

Citas y agradecimientos

El conjunto de datos se ha publicado bajo la LicenciaAGPL-3.0 .

Comentarios