Dataset di tumori cerebrali#
Il dataset Ultralytics Brain Tumor è un dataset di rilevamento di oggetti composto da 1.116 immagini mediche (893 per l'addestramento e 223 per la validazione) provenienti da scansioni MRI e CT, etichettate in 2 classi: negative (nessun tumore) e positive (tumore presente). Ti permette di addestrare modelli di visione artificiale per localizzare tumori cerebrali nelle scansioni, supportando la diagnosi precoce e la pianificazione del trattamento nelle applicazioni sanitarie.
Guarda: Rilevamento di tumori cerebrali con la piattaforma Ultralytics e Ultralytics YOLO26 | Rilevamento di oggetti 🚀
Struttura del dataset#
Il dataset dei tumori cerebrali contiene 1.116 immagini suddivise in due subset predefiniti, definiti dalla configurazione brain-tumor.yaml:
| Subset | Immagini | Annotazioni |
|---|---|---|
| Addestra | 893 | Sì |
| Validazione | 223 | Sì |
Ogni immagine è etichettata con una delle 2 classi:
negative: immagini senza tumore cerebralepositive: immagini che mostrano un tumore cerebrale
Il dataset viene scaricato automaticamente (4.21 MB) dagli asset di Ultralytics GitHub la prima volta che avvii l'addestramento, quindi non è necessaria alcuna configurazione manuale.
Esplora Brain Tumor su Ultralytics Platform per sfogliare le immagini con le relative sovrapposizioni delle annotazioni, visualizzare la distribuzione delle classi e le mappe di calore dei riquadri di delimitazione nella scheda Grafici e clonarlo per addestrare il tuo modello nel cloud.
Applicazioni#
Il rilevamento dei tumori cerebrali con la visione artificiale consente la diagnosi precoce, la pianificazione del trattamento e il monitoraggio della progressione del tumore. Analizzando scansioni MRI o CT, i modelli di rilevamento localizzano i tumori con precisione, favorendo interventi medici tempestivi e trattamenti personalizzati.
I professionisti del settore medico possono sfruttare questa tecnologia per:
- Ridurre i tempi di diagnosi e migliorarne la precisione
- Supportare la pianificazione chirurgica localizzando i tumori con precisione
- Monitorare nel tempo l'efficacia del trattamento
- Supportare la ricerca in oncologia e neurologia
YAML del dataset#
Un file YAML definisce la configurazione del dataset, inclusi percorsi, classi e altre informazioni pertinenti. Per il dataset dei tumori cerebrali, il file brain-tumor.yaml è gestito in 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.zipUtilizzo#
Per addestrare un modello YOLO26 sul dataset dei tumori cerebrali per 100 epoche con una dimensione dell'immagine di 640, utilizza gli esempi di codice forniti. Per un elenco dettagliato degli argomenti disponibili, consulta la pagina Addestramento del modello.
from ultralytics import YOLO
# Carica un modello
model = YOLO("yolo26n.pt") # carica un modello preaddestrato (consigliato per l'addestramento)
# Addestra il modello
results = model.train(data="brain-tumor.yaml", epochs=100, imgsz=640)from ultralytics import YOLO
# Carica un modello
model = YOLO("path/to/best.pt") # carica un modello ottimizzato sul dataset brain-tumor
# Inferenza con il modello
results = model.predict("https://ultralytics.com/assets/brain-tumor-sample.jpg")Immagini di esempio e annotazioni#
Il dataset dei tumori cerebrali contiene scansioni MRI e CT del cervello con e senza tumori. Di seguito trovi un esempio di immagine del dataset con le relative annotazioni.
- Immagine mosaico: questo batch di addestramento mostra immagini del dataset combinate in mosaico. La tecnica del mosaico combina più immagini in una durante l'addestramento, aumentando la diversità del batch affinché il modello generalizzi meglio a tumori di dimensioni, forme e posizioni diverse per l'analisi delle immagini mediche.
Citazioni e ringraziamenti#
Il dataset è disponibile con la licenza AGPL-3.0.
Se utilizzi questo dataset nella tua ricerca o attività di sviluppo, citane correttamente la fonte:
@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}
}Domande frequenti#
Il dataset dei tumori cerebrali contiene 1.116 immagini suddivise in due subset: un set di addestramento di 893 immagini e un set di validazione di 223 immagini, ciascuno con le annotazioni corrispondenti. Questa suddivisione strutturata supporta lo sviluppo di modelli di visione artificiale robusti e accurati per il rilevamento dei tumori cerebrali. Per ulteriori informazioni, consulta la sezione Struttura del dataset.
Il dataset dei tumori cerebrali ha 2 classi:
negative(immagini senza tumore cerebrale) epositive(immagini che mostrano un tumore cerebrale). Questa etichettatura binaria consente a un modello di rilevamento sia di localizzare un tumore sia di segnalare le scansioni in cui non è presente.Il dataset dei tumori cerebrali (4.21 MB) viene scaricato automaticamente dagli asset di Ultralytics GitHub la prima volta che avvii l'addestramento con
data="brain-tumor.yaml": non è necessario scaricarlo manualmente. Puoi consultare dataset correlati nella panoramica dei dataset di rilevamento.Puoi addestrare un modello YOLO26 sul dataset dei tumori cerebrali per 100 epoche con una dimensione dell'immagine di 640 px usando sia Python sia CLI. Di seguito trovi gli esempi per entrambi i metodi:
Esempio di addestramentofrom ultralytics import YOLO # Carica un modello model = YOLO("yolo26n.pt") # carica un modello preaddestrato (consigliato per l'addestramento) # Addestra il modello results = model.train(data="brain-tumor.yaml", epochs=100, imgsz=640)Per un elenco dettagliato degli argomenti disponibili, consulta la pagina Addestramento.
L'utilizzo del dataset dei tumori cerebrali nei progetti di IA consente la diagnosi precoce e la pianificazione del trattamento dei tumori cerebrali. Aiuta ad automatizzare l'identificazione dei tumori cerebrali tramite la visione artificiale, facilitando interventi medici accurati e tempestivi e supportando strategie terapeutiche personalizzate. Questa applicazione può contribuire in modo significativo a migliorare gli esiti per i pazienti e l'efficienza delle cure mediche. Per ulteriori informazioni sulle applicazioni dell'IA in ambito sanitario, consulta le soluzioni sanitarie di Ultralytics.
L'inferenza con un modello YOLO26 ottimizzato può essere eseguita sia con Python sia tramite CLI. Ecco gli esempi:
Esempio di inferenzafrom ultralytics import YOLO # Carica un modello model = YOLO("path/to/best.pt") # carica un modello ottimizzato sul dataset brain-tumor # Inferenza con il modello results = model.predict("https://ultralytics.com/assets/brain-tumor-sample.jpg")Il file di configurazione YAML del dataset dei tumori cerebrali è disponibile all'indirizzo brain-tumor.yaml. Questo file include percorsi, classi e altre informazioni pertinenti necessarie per addestrare e valutare i modelli su questo dataset.