Ensemble de données sur les tumeurs cérébrales

Un ensemble de données de détection de tumeurs cérébrales est constitué d'images médicales provenant d'IRM ou de tomodensitogrammes, contenant des informations sur la présence, l'emplacement et les caractéristiques des tumeurs cérébrales. Cet ensemble de données est essentiel pour l'entraînement des algorithmes de vision artificielle afin d'automatiser l'identification des tumeurs cérébrales et de faciliter le diagnostic précoce et la planification du traitement.

Regarder : Détection des tumeurs cérébrales à l'aide de Ultralytics HUB

Structure de l'ensemble de données

L'ensemble de données sur les tumeurs cérébrales est divisé en deux sous-ensembles :

• Ensemble d'entraînement: Il s'agit de 893 images, chacune accompagnée des annotations correspondantes.
• Ensemble de test: Comprend 223 images, avec des annotations appariées pour chacune d'entre elles.

Applications

L'application de la détection des tumeurs cérébrales à l'aide de la vision par ordinateur permet un diagnostic précoce, la planification du traitement et le suivi de la progression de la tumeur. En analysant les données d'imagerie médicale telles que l'IRM ou la tomodensitométrie, les systèmes de vision par ordinateur permettent d'identifier avec précision les tumeurs cérébrales, ce qui favorise une intervention médicale opportune et des stratégies de traitement personnalisées.

Jeu de données YAML

Un fichier YAML (Yet Another Markup Language) est utilisé pour définir la configuration du jeu de données. Il contient des informations sur les chemins d'accès au jeu de données, les classes et d'autres informations pertinentes. Dans le cas de l'ensemble de données sur les tumeurs cérébrales, le fichier YAML contient des informations sur les chemins d'accès, les classes et d'autres informations pertinentes. brain-tumor.yaml est conservé à l'adresse suivante 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://github.com/ultralytics/assets/releases/download/v0.0.0/brain-tumor.zip

Utilisation

Pour entraîner un modèle YOLO11n sur le jeu de données des tumeurs cérébrales pendant 100 époques avec une taille d'image de 640, utilisez les extraits de code fournis. Pour une liste détaillée des arguments disponibles, consultez la page Formation du modèle.

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

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"

Exemples d'images et d'annotations

L'ensemble de données sur les tumeurs cérébrales comprend un large éventail d'images présentant diverses catégories d'objets et des scènes complexes. Voici quelques exemples d'images tirées de l'ensemble de données, accompagnées de leurs annotations respectives

• Image mosaïque: Il s'agit d'un lot de formation comprenant des images de données mosaïquées. La mosaïque, une technique d'apprentissage, consolide plusieurs images en une seule, améliorant ainsi la diversité du lot. Cette approche permet d'améliorer la capacité du modèle à s'adapter à différentes tailles d'objets, à différents rapports d'aspect et à différents contextes.

Cet exemple met en évidence la diversité et la complexité des images contenues dans l'ensemble de données sur les tumeurs cérébrales et souligne les avantages de l'intégration du mosaïquage au cours de la phase d'apprentissage.

Citations et remerciements

Le jeu de données a été publié sous la licenceAGPL-3.0 .

FAQ

Quelle est la structure de l'ensemble de données sur les tumeurs cérébrales disponible dans la documentation Ultralytics ?

L'ensemble de données sur les tumeurs cérébrales est divisé en deux sous-ensembles : l'ensemble d'apprentissage se compose de 893 images avec des annotations correspondantes, tandis que l'ensemble de test comprend 223 images avec des annotations appariées. Cette division structurée permet de développer des modèles de vision artificielle robustes et précis pour la détection des tumeurs cérébrales. Pour plus d'informations sur la structure de l'ensemble de données, consultez la section Structure de l'ensemble de données.

Comment puis-je entraîner un modèle YOLO11 sur le jeu de données des tumeurs cérébrales en utilisant Ultralytics?

Vous pouvez entraîner un modèle YOLO11 sur l'ensemble de données sur les tumeurs cérébrales pendant 100 époques avec une taille d'image de 640 px en utilisant les méthodes Python et CLI . Vous trouverez ci-dessous des exemples pour les deux méthodes :

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

Pour une liste détaillée des arguments disponibles, voir la page Formation.

Quels sont les avantages de l'utilisation de l'ensemble de données sur les tumeurs cérébrales pour l'IA dans les soins de santé ?

L'utilisation de l'ensemble de données sur les tumeurs cérébrales dans les projets d'IA permet un diagnostic précoce et la planification du traitement des tumeurs cérébrales. Elle aide à automatiser l'identification des tumeurs cérébrales grâce à la vision par ordinateur, à faciliter des interventions médicales précises et opportunes, et à soutenir des stratégies de traitement personnalisées. Cette application présente un potentiel important pour l'amélioration des résultats pour les patients et de l'efficacité médicale.

Comment puis-je effectuer une inférence à l'aide d'un modèle YOLO11 affiné sur l'ensemble des données relatives aux tumeurs cérébrales ?

L'inférence à l'aide d'un modèle YOLO11 affiné peut être effectuée avec les approches Python ou CLI . Voici quelques 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")

# 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"

Où puis-je trouver la configuration YAML pour l'ensemble de données sur les tumeurs cérébrales ?

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

📅C réé il y a 8 mois ✏️ Mis à jour il y a 2 mois

Commentaires