Jeu de données sur les tumeurs cérébrales

Un jeu de données de détection de tumeurs cérébrales se compose d'images médicales issues 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 algorithmes de vision par ordinateur afin d'automatiser l'identification des tumeurs cérébrales, aidant ainsi au diagnostic précoce et à la planification des traitements dans les applications de santé.

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 : comprenant 223 images, avec des annotations associées pour chacune d'elles.

Le jeu de données contient deux classes :

• Négatif : images sans tumeurs cérébrales
• Positif : images avec tumeurs cérébrales

Applications

L'application de la détection de tumeurs cérébrales par vision par ordinateur permet un diagnostic précoce, une planification de traitement et un suivi de la progression tumorale. En analysant les 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, facilitant ainsi 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
• Assister à la planification chirurgicale en localisant précisément les tumeurs
• Surveiller l'efficacité du traitement au fil du temps
• Soutenir la recherche en oncologie et en neurologie

YAML du jeu de données

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

Utilisation

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

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")

Exemples d'images et annotations

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

• Image mosaïquée : tu trouveras ici un lot d'entraînement composé d'images mosaïquées du jeu de données. La mosaïque, une technique d'entraînement, consolide plusieurs images en une seule, améliorant ainsi la diversité des lots. Cette approche permet d'améliorer la capacité du modèle à généraliser sur différentes tailles, formes et emplacements de tumeurs au sein des scans cérébraux.

Cet exemple met en évidence la diversité et la complexité des images du jeu de données sur les tumeurs cérébrales, soulignant les avantages de l'intégration de la mosaïque pendant la phase d'entraînement pour l'analyse d'images médicales.

Citations et remerciements

Le jeu de données est disponible sous la 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 :

@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 d'Ultralytics ?

Le jeu de données sur les tumeurs cérébrales est divisé en deux sous-ensembles : l'ensemble d'entraînement se compose de 893 images avec les annotations correspondantes, tandis que l'ensemble 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, consulte la section 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 époques avec une taille d'image de 640px en utilisant les méthodes Python et CLI. Tu trouveras ci-dessous les exemples pour les deux :

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 obtenir une liste détaillée des arguments disponibles, consulte la page Entraînement.

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

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

Comment effectuer une inférence à l'aide d'un modèle YOLO26 ajusté sur le jeu de données des tumeurs cérébrales ?

L'inférence à l'aide d'un modèle YOLO26 ajusté peut être effectuée via les approches Python ou CLI. Voici les exemples :

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")

Où puis-je trouver la configuration YAML pour le jeu de données sur les tumeurs cérébrales ?

Le fichier de configuration YAML pour le jeu de données sur les tumeurs cérébrales se trouve sur brain-tumor.yaml. Ce fichier inclut les chemins, les classes et d'autres informations pertinentes nécessaires à l'entraînement et à l'évaluation des modèles sur ce jeu de données.