Link to this sectionJeu 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, la localisation 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, facilitant ainsi le diagnostic précoce et la planification des traitements dans les applications de santé.

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

Link to this sectionStructure du jeu de données#

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

Jeu d'entraînement : Composé de 893 images, chacune accompagnée des annotations correspondantes.
Jeu 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

Link to this sectionApplications#

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 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, contribuant ainsi à une intervention médicale opportune et à 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
Surveiller l'efficacité du traitement au fil du temps
Soutenir la recherche en oncologie et en neurologie

Link to this sectionYAML 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, les classes et d'autres données pertinentes du jeu de données. Dans le cas du jeu de données sur les tumeurs cérébrales, le fichier brain-tumor.yaml est conservé à l'adresse 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 sectionUtilisation#

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

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")

Link to this sectionExemples 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 tirées du jeu de données, accompagnées de leurs annotations respectives.

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

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 aide à améliorer la capacité du modèle à généraliser à travers diverses tailles, formes et localisations de tumeurs dans les scanners cérébraux.

Cet exemple souligne la diversité et la complexité des images au sein du jeu de données sur les tumeurs cérébrales, mettant en évidence les avantages de l'intégration de la mosaïque pendant la phase d'entraînement pour l'analyse d'imagerie médicale.

Link to this sectionCitations 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 :

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/}
}

Link to this sectionFAQ#

Link to this sectionQuelle 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 : le jeu d'entraînement se compose de 893 images avec des annotations correspondantes, tandis que le jeu de test comprend 223 images avec des annotations appariées. Cette division structurée aide à développer des modèles de vision par ordinateur robustes et précis pour la détection des tumeurs cérébrales. Pour plus d'informations sur la structure du jeu de données, visite la section Structure du jeu de données.

Link to this sectionComment puis-je entraîner un modèle YOLO26 sur le jeu de données sur les 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. 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, réfère-toi à la page Entraînement.

Link to this sectionQuels 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 des traitements pour les tumeurs cérébrales. Il aide à automatiser l'identification des tumeurs cérébrales grâce à la vision par ordinateur, facilitant des interventions médicales précises et opportunes, et soutenant des stratégies de traitement personnalisées. Cette application présente 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.

Link to this sectionComment 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 via les approches Python ou CLI. Voici les exemples :