Jeu de données de tumeurs cérébrales

Un jeu de données de détection de tumeurs cérébrales est constitué d'images médicales provenant d'IRM ou de scanners CT, contenant des informations sur la présence, l'emplacement et les caractéristiques des tumeurs cérébrales. Ce jeu de données est essentiel pour entraîner des computer vision algorithmes visant à automatiser l'identification des tumeurs cérébrales, facilitant ainsi un diagnostic précoce et une planification des traitements dans des applications de santé.

Watch: Brain Tumor Detection using Ultralytics Platform

Structure du jeu de données

Le jeu de données sur les tumeurs cérébrales est divisé en deux sous-ensembles :

Ensemble d'entraînement: Composé de 893 images, chacune accompagnée des annotations correspondantes.
Ensemble de test: Composé de 223 images, avec des annotations associées à chacune d'elles.

Le jeu de données contient deux classes :

Négatif: Images sans tumeurs cérébrales
Positif: Images avec des tumeurs cérébrales

Applications

L'application de la détection de tumeurs cérébrales par vision par ordinateur permet un diagnostic précoce, une planification des traitements et un suivi de la progression de la tumeur. En analysant des données d'imagerie médicale comme les IRM ou les scanners CT, les systèmes de vision par ordinateur aident à identifier avec précision les tumeurs cérébrales, favorisant une intervention médicale rapide et des stratégies de traitement personnalisées.

Les professionnels de santé peuvent tirer parti de cette technologie pour :

Réduire le temps de diagnostic et améliorer la précision
Aider à la planification chirurgicale en localisant précisément les tumeurs
Suivre l'efficacité des traitements au fil du temps
Soutenir la recherche en oncologie et en neurologie

YAML du jeu de données

Un fichier YAML est utilisé pour définir la configuration du jeu de données. Il contient des informations sur les chemins d'accès du jeu de données, les classes et d'autres informations pertinentes. Dans le cas du jeu de données sur les tumeurs cérébrales, le fichier brain-tumor.yaml est disponible sur 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

Utilisation

Pour entraîner un modèle YOLO26 sur le jeu de données des tumeurs cérébrales pendant 100 de validation. avec une taille d'image de 640, utilise les extraits de code fournis. Pour une liste détaillée des arguments disponibles, consulte la documentation du modèle Entraînement.

Exemple d'entraînement

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)

Exemple d'inférence

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")

Exemples d'images et d'annotations

Le jeu de données sur les tumeurs cérébrales englobe une large gamme d'images médicales présentant des scanners cérébraux avec et sans tumeurs. Tu trouveras ci-dessous des exemples d'images issues du jeu de données, accompagnées de leurs annotations respectives.

Exemple d'image du jeu de données sur les tumeurs cérébrales

Image mosaïquée: Tu vois ici un lot d'entraînement comprenant des images mosaïquées. La mosaïque, une technique d'entraînement, combine plusieurs images en une seule, améliorant ainsi la diversité du lot. Cette approche aide à améliorer la capacité du modèle à généraliser sur diverses tailles, formes et emplacements de tumeurs au sein des scanners cérébraux.

Cet exemple met en évidence la diversité et la complexité des images au sein du jeu de données, soulignant les avantages d'intégrer le mosaïquage lors de la phase d'entraînement pour et l'analyse d'images médicales.

Citations et remerciements

Le jeu de données a été mis à disposition sous la licence Licence AGPL-3.0.

Si tu utilises ce jeu de données dans tes travaux de recherche ou de développement, merci de le citer de manière appropriée :

Citation

@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/}
}

FAQ

Quelle est la structure du jeu de données sur les tumeurs cérébrales disponible dans la documentation Ultralytics ?

Le jeu de données sur les tumeurs cérébrales est divisé en deux sous-ensembles : le jeu d'entraînement se compose de 893 images avec les annotations correspondantes, tandis que le jeu de test comprend 223 images avec des annotations associées. Cette division structurée aide à développer des modèles de vision par ordinateur robustes et précis pour détecter les tumeurs cérébrales. Pour plus d'informations sur la structure du jeu de données, visite la page Structure du jeu de données.

Comment puis-je entraîner un modèle YOLO26 sur le jeu de données des tumeurs cérébrales en utilisant Ultralytics ?

Tu peux entraîner un modèle YOLO26 sur le jeu de données des tumeurs cérébrales pendant 100 epochs avec une taille d'image de 640px en utilisant à la fois Python et les méthodes CLI. Voici des exemples pour les deux :

Exemple d'entraînement

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)

Pour une liste détaillée des arguments disponibles, consulte le Entraînement.

Quels sont les avantages de l'utilisation du jeu de données sur les tumeurs cérébrales pour l'IA dans le domaine de la santé ?

L'utilisation du jeu de données sur les tumeurs cérébrales dans des projets d'IA permet un diagnostic précoce et une planification de traitement pour les tumeurs cérébrales. Cela aide à automatiser l'identification des tumeurs cérébrales via la vision par ordinateur, facilitant des interventions médicales précises et opportunes, et soutenant des stratégies de traitement personnalisées. Cette application a un potentiel significatif pour améliorer les résultats des patients et l'efficacité médicale. Pour plus d'aperçus sur les applications de l'IA dans la santé, consulte les solutions de santé d'Ultralytics.

Comment puis-je effectuer une inférence en utilisant un modèle YOLO26 affiné sur le jeu de données des tumeurs cérébrales ?

L'inférence utilisant un modèle YOLO26 affiné peut être effectuée avec les approches Python ou CLI. Voici les exemples :