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 former des algorithmes de vision artificielle afin d'automatiser l'identification des tumeurs cérébrales, ce qui facilite le diagnostic précoce et la planification du traitement.

Structure de l'ensemble de données

L'ensemble 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: 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 aident à 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 maintenu à 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

Utilisation

Pour entraîner un modèle YOLOv8n sur l'ensemble 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 Formation du modèle.

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"

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. Tu trouveras ci-dessous des exemples d'images tirées de l'ensemble de données, accompagnées de leurs annotations respectives.

• Image mosaïque: L'image affichée ici est un lot de formation comprenant des images de données mosaïquées. La mosaïque, une technique d'apprentissage, regroupe plusieurs images en une seule, améliorant ainsi la diversité du lot. Cette approche permet d'améliorer la capacité du modèle à se généraliser en fonction de la taille des objets, des rapports d'aspect et des contextes.

Cet exemple met en évidence la diversité et la complexité des images de l'ensemble de données sur les tumeurs cérébrales, soulignant les avantages de l'incorporation du mosaïquage pendant la phase de formation.

Citations et remerciements

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

Commentaires