Link to this sectionDataset sui tumori cerebrali#

Un dataset per il rilevamento di tumori cerebrali consiste in immagini mediche provenienti da scansioni MRI o TC, contenenti informazioni sulla presenza, posizione e caratteristiche dei tumori cerebrali. Questo dataset è essenziale per addestrare algoritmi di computer vision per automatizzare l'identificazione dei tumori cerebrali, aiutando nella diagnosi precoce e nella pianificazione dei trattamenti nelle applicazioni sanitarie.

Watch: Brain Tumor Detection using Ultralytics Platform with Ultralytics YOLO26 | Object Detection 🚀

Link to this sectionStruttura del dataset#

Il dataset sui tumori cerebrali è diviso in due sottoinsiemi:

Training set: composto da 893 immagini, ciascuna accompagnata dalle relative annotazioni.
Testing set: composto da 223 immagini, con annotazioni abbinate per ciascuna.

Il dataset contiene due classi:

Negativo: immagini senza tumori cerebrali
Positivo: immagini con tumori cerebrali

Link to this sectionApplicazioni#

L'applicazione del rilevamento dei tumori cerebrali tramite computer vision consente una diagnosi precoce, la pianificazione del trattamento e il monitoraggio della progressione del tumore. Analizzando dati di imaging medico come scansioni MRI o CT, i sistemi di computer vision aiutano a identificare accuratamente i tumori cerebrali, supportando un intervento medico tempestivo e strategie di trattamento personalizzate.

I professionisti del settore medico possono sfruttare questa tecnologia per:

Ridurre i tempi diagnostici e migliorare l'accuratezza
Assistere nella pianificazione chirurgica localizzando con precisione i tumori
Monitorare l'efficacia del trattamento nel tempo
Supportare la ricerca in oncologia e neurologia

Link to this sectionDataset YAML#

Un file YAML (Yet Another Markup Language) viene utilizzato per definire la configurazione del dataset. Contiene informazioni sui percorsi del dataset, le classi e altre informazioni rilevanti. Nel caso del dataset sui tumori cerebrali, il file brain-tumor.yaml è mantenuto su 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

Link to this sectionUtilizzo#

Per addestrare un modello YOLO26 sul dataset dei tumori cerebrali per 100 epochs con una dimensione dell'immagine di 640, utilizza i frammenti di codice forniti. Per un elenco dettagliato degli argomenti disponibili, consulta la pagina di Training del modello.

Esempio di Addestramento

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="brain-tumor.yaml", 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")

Link to this sectionEsempi di immagini e annotazioni#

Il dataset sui tumori cerebrali comprende un'ampia gamma di immagini mediche con scansioni cerebrali con e senza tumori. Di seguito sono presentati esempi di immagini dal dataset, accompagnate dalle rispettive annotazioni.

Esempio di immagine dal dataset sui tumori cerebrali

Immagine a mosaico: qui viene visualizzato un batch di addestramento composto da immagini del dataset a mosaico. Il mosaico, una tecnica di addestramento, consolida più immagini in una sola, migliorando la diversità del batch. Questo approccio aiuta a migliorare la capacità del modello di generalizzare su varie dimensioni, forme e posizioni dei tumori all'interno delle scansioni cerebrali.

Questo esempio evidenzia la diversità e la complessità delle immagini all'interno del dataset sui tumori cerebrali, sottolineando i vantaggi dell'integrazione del mosaico durante la fase di addestramento per l'analisi delle immagini mediche.

Link to this sectionCitazioni e riconoscimenti#

Il dataset è stato reso disponibile sotto la Licenza AGPL-3.0.

Se utilizzi questo dataset nel tuo lavoro di ricerca o sviluppo, citalo in modo appropriato:

Citazione

@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/}
}

Link to this sectionFAQ#

Link to this sectionQual è la struttura del dataset sui tumori cerebrali disponibile nella documentazione di Ultralytics?#

Il dataset sui tumori cerebrali è diviso in due sottoinsiemi: il training set consiste di 893 immagini con le relative annotazioni, mentre il testing set comprende 223 immagini con annotazioni abbinate. Questa suddivisione strutturata aiuta a sviluppare modelli di computer vision robusti e accurati per il rilevamento di tumori cerebrali. Per ulteriori informazioni sulla struttura del dataset, visita la sezione Struttura del Dataset.

Link to this sectionCome posso addestrare un modello YOLO26 sul dataset dei tumori cerebrali utilizzando Ultralytics?#

Puoi addestrare un modello YOLO26 sul dataset dei tumori cerebrali per 100 epoche con una dimensione dell'immagine di 640px utilizzando sia Python che i metodi CLI. Di seguito sono riportati gli esempi per entrambi:

Esempio di Addestramento

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="brain-tumor.yaml", epochs=100, imgsz=640)

Per un elenco dettagliato degli argomenti disponibili, fai riferimento alla pagina Addestramento.

Link to this sectionQuali sono i vantaggi dell'utilizzo del dataset sui tumori cerebrali per l'IA nella sanità?#

L'utilizzo del dataset sui tumori cerebrali in progetti di IA consente la diagnosi precoce e la pianificazione del trattamento per i tumori cerebrali. Aiuta ad automatizzare l'identificazione dei tumori cerebrali tramite computer vision, facilitando interventi medici accurati e tempestivi e supportando strategie di trattamento personalizzate. Questa applicazione ha un potenziale significativo nel migliorare i risultati per i pazienti e l'efficienza medica. Per ulteriori approfondimenti sulle applicazioni dell'IA nella sanità, vedi le soluzioni sanitarie di Ultralytics.

Link to this sectionCome eseguo l'inferenza utilizzando un modello YOLO26 perfezionato sul dataset dei tumori cerebrali?#

L'inferenza utilizzando un modello YOLO26 perfezionato può essere eseguita con approcci Python o CLI. Ecco gli esempi: