Dataset sui tumori cerebrali
Un dataset di rilevamento di tumori cerebrali è costituito da immagini mediche provenienti da risonanze magnetiche o scansioni TC, contenenti informazioni sulla presenza, la posizione e le caratteristiche del tumore cerebrale. Questo dataset è essenziale per l'addestramento di algoritmi di computer vision per automatizzare l'identificazione dei tumori cerebrali, aiutando nella diagnosi precoce e nella pianificazione del trattamento nelle applicazioni sanitarie.
Guarda: Rilevamento di tumori cerebrali tramite Ultralytics HUB
Struttura del set di dati
Il dataset dei tumori cerebrali è suddiviso in due sottoinsiemi:
- Set di addestramento: Composto da 893 immagini, ciascuna accompagnata dalle relative annotazioni.
- Set di test: Composto da 223 immagini, con annotazioni abbinate per ciascuna.
Il dataset contiene due classi:
- Negativo: Immagini senza tumori cerebrali
- Positivo: Immagini con tumori cerebrali
Applicazioni
L'applicazione del rilevamento di tumori cerebrali tramite computer vision consente la diagnosi precoce, la pianificazione del trattamento e il monitoraggio della progressione del tumore. Analizzando i dati di imaging medico come la risonanza magnetica o la TAC, i sistemi di computer vision aiutano a identificare accuratamente i tumori cerebrali, contribuendo a un intervento medico tempestivo e a strategie di trattamento personalizzate.
I professionisti del settore medico possono sfruttare questa tecnologia per:
- Riduce i tempi di diagnostica e migliora la precisione
- Assistere nella pianificazione chirurgica localizzando con precisione i tumori
- Monitora l'efficacia del trattamento nel tempo
- Supporta la ricerca in oncologia e neurologia
YAML del set di dati
Un file YAML (Yet Another Markup Language) viene utilizzato per definire la configurazione del dataset. Contiene informazioni sui percorsi, le classi e altre informazioni rilevanti del dataset. Nel caso del dataset dei tumori cerebrali, il brain-tumor.yaml file è mantenuto in 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
Utilizzo
Per addestrare un modello YOLO11 sul set di dati dei tumori cerebrali per 100 epoche con una dimensione dell'immagine di 640, utilizza i frammenti di codice forniti. Per un elenco dettagliato degli argomenti disponibili, consulta la pagina Addestramento del modello.
Esempio di addestramento
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
Esempio di inferenza
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"
Immagini di esempio e annotazioni
Il set di dati sui tumori cerebrali comprende una vasta gamma di immagini mediche con scansioni cerebrali con e senza tumori. Di seguito sono riportati esempi di immagini del set di dati, accompagnati dalle rispettive annotazioni.
- Immagine mosaicata: Qui viene visualizzato un batch di training composto da immagini del dataset mosaicato. Il mosaicing, una tecnica di training, consolida più immagini in una, migliorando la diversità del batch. Questo approccio aiuta a migliorare la capacità del modello di generalizzare tra varie dimensioni, forme e posizioni del tumore all'interno delle scansioni cerebrali.
Questo esempio evidenzia la diversità e la complessità delle immagini all'interno del dataset dei tumori cerebrali, sottolineando i vantaggi dell'incorporazione del mosaicing durante la fase di training per l'analisi di immagini mediche.
Citazioni e ringraziamenti
Il dataset è stato reso disponibile con licenza AGPL-3.0.
Se utilizzi questo dataset nel tuo lavoro di ricerca o sviluppo, cita la fonte in modo appropriato:
@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/}
}
FAQ
Qual è la struttura del dataset sui tumori cerebrali disponibile nella documentazione di Ultralytics?
Il dataset sui tumori cerebrali è suddiviso in due sottoinsiemi: il set di addestramento è composto da 893 immagini con le relative annotazioni, mentre il set di test comprende 223 immagini con annotazioni abbinate. Questa divisione strutturata aiuta a sviluppare modelli di visione artificiale robusti e accurati per il rilevamento dei tumori cerebrali. Per ulteriori informazioni sulla struttura del dataset, visitare la sezione Struttura del dataset.
Come posso addestrare un modello YOLO11 sul dataset dei tumori cerebrali utilizzando Ultralytics?
È possibile addestrare un modello YOLO11 sul dataset sui tumori cerebrali per 100 epoche con una dimensione dell'immagine di 640px utilizzando sia i metodi python che CLI. Di seguito sono riportati gli esempi per entrambi:
Esempio di addestramento
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
Per un elenco dettagliato degli argomenti disponibili, consultare la pagina Training.
Quali sono i vantaggi dell'utilizzo del dataset sui tumori cerebrali per l'IA nel settore sanitario?
L'utilizzo del set di dati sui tumori cerebrali nei progetti di IA consente la diagnosi precoce e la pianificazione del trattamento per i tumori cerebrali. Aiuta ad automatizzare l'identificazione dei tumori cerebrali attraverso la visione artificiale, facilitando interventi medici accurati e tempestivi e supportando strategie di trattamento personalizzate. Questa applicazione ha un potenziale significativo nel miglioramento dei risultati dei pazienti e dell'efficienza medica. Per ulteriori approfondimenti sulle applicazioni dell'IA nel settore sanitario, consulta le soluzioni sanitarie di Ultralytics.
Come posso eseguire l'inferenza utilizzando un modello YOLO11 ottimizzato sul dataset dei tumori cerebrali?
L'inferenza utilizzando un modello YOLO11 ottimizzato può essere eseguita con approcci Python o CLI. Ecco gli esempi:
Esempio di inferenza
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"
Dove posso trovare la configurazione YAML per il dataset sui tumori cerebrali?
Il file di configurazione YAML per il dataset sui tumori cerebrali è disponibile all'indirizzo brain-tumor.yaml. Questo file include percorsi, classi e ulteriori informazioni rilevanti necessarie per l'addestramento e la valutazione dei modelli su questo dataset.
