सामग्री पर जाएं

ब्रेन ट्यूमर डेटासेट

ब्रेन ट्यूमर का पता लगाने वाले डेटासेट में एमआरआई या सीटी स्कैन से चिकित्सा छवियां होती हैं, जिनमें ब्रेन ट्यूमर की उपस्थिति, स्थान और विशेषताओं के बारे में जानकारी होती है। यह डेटासेट मस्तिष्क ट्यूमर की पहचान को स्वचालित करने के लिए कंप्यूटर दृष्टि एल्गोरिदम के प्रशिक्षण के लिए आवश्यक है, प्रारंभिक निदान और उपचार योजना में सहायता करता है।

डेटासेट संरचना

ब्रेन ट्यूमर डेटासेट को दो सबसेट में विभाजित किया गया है:

  • प्रशिक्षण सेट: 893 छवियों से मिलकर, प्रत्येक संबंधित एनोटेशन के साथ।
  • परीक्षण सेट: 223 छवियों को शामिल करते हुए, प्रत्येक के लिए जोड़े गए एनोटेशन के साथ।

अनुप्रयोगों

कंप्यूटर दृष्टि का उपयोग करके ब्रेन ट्यूमर का पता लगाने का अनुप्रयोग प्रारंभिक निदान, उपचार योजना और ट्यूमर की प्रगति की निगरानी को सक्षम बनाता है। एमआरआई या सीटी स्कैन जैसे मेडिकल इमेजिंग डेटा का विश्लेषण करके, कंप्यूटर विजन सिस्टम ब्रेन ट्यूमर की सटीक पहचान करने, समय पर चिकित्सा हस्तक्षेप और व्यक्तिगत उपचार रणनीतियों में सहायता करने में सहायता करते हैं।

डेटासेट YAML

डेटासेट कॉन्फ़िगरेशन को परिभाषित करने के लिए एक YAML (अभी तक एक और मार्कअप भाषा) फ़ाइल का उपयोग किया जाता है। इसमें डेटासेट के पथ, कक्षाओं और अन्य प्रासंगिक जानकारी के बारे में जानकारी होती है। ब्रेन ट्यूमर डेटासेट के मामले में, brain-tumor.yaml फ़ाइल पर बनाए रखा जाता है https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/brain-tumor.yaml.

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

उपयोग

एक प्रशिक्षित करने के लिए YOLOv8n 640 के छवि आकार के साथ 100 युगों के लिए ब्रेन ट्यूमर डेटासेट पर मॉडल, प्रदान किए गए कोड स्निपेट का उपयोग करें। उपलब्ध तर्कों की विस्तृत सूची के लिए, मॉडल के प्रशिक्षण पृष्ठ से परामर्श करें।

ट्रेन का उदाहरण

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

अनुमान उदाहरण

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"

नमूना छवियाँ और एनोटेशन

ब्रेन ट्यूमर डेटासेट में विविध वस्तु श्रेणियों और जटिल दृश्यों की विशेषता वाली छवियों की एक विस्तृत श्रृंखला शामिल है। नीचे प्रस्तुत डेटासेट से छवियों के उदाहरण हैं, उनके संबंधित एनोटेशन के साथ

ब्रेन ट्यूमर डेटासेट नमूना छवि

  • मोज़ेड छवि: यहां प्रदर्शित एक प्रशिक्षण बैच है जिसमें मोज़ेक डेटासेट छवियां शामिल हैं। मोज़ेसिंग, एक प्रशिक्षण तकनीक, बैच विविधता को बढ़ाते हुए, कई छवियों को एक में समेकित करती है। यह दृष्टिकोण विभिन्न ऑब्जेक्ट आकारों, पहलू अनुपात और संदर्भों में सामान्यीकरण करने के लिए मॉडल की क्षमता में सुधार करने में सहायता करता है।

यह उदाहरण ब्रेन ट्यूमर डेटासेट के भीतर छवियों की विविधता और जटिलता पर प्रकाश डालता है, प्रशिक्षण चरण के दौरान मोज़ेकिंग को शामिल करने के लाभों को रेखांकित करता है।

प्रशंसा पत्र और पावती

डेटासेट के तहत उपलब्ध जारी किया गया है AGPL-3.0 लाइसेंस



2024-03-19 बनाया गया, अपडेट किया गया 2024-04-02
लेखक: बुरहान-क्यू (1), रिजवान मुनव्वर (1)

टिप्पणियाँ