Set di dati sul tumore cerebrale

Un set di dati per il rilevamento dei tumori cerebrali è costituito da immagini mediche provenienti da risonanza magnetica o TAC, contenenti informazioni sulla presenza, la posizione e le caratteristiche del tumore cerebrale. Questo set di dati è essenziale per l'addestramento di algoritmi di computer vision per automatizzare l'identificazione dei tumori cerebrali, favorendo la diagnosi precoce e la pianificazione del trattamento.

Guarda: Rilevamento del tumore cerebrale con Ultralytics HUB

Struttura del set di dati

Il set di dati sui tumori cerebrali è suddiviso in due sottoinsiemi:

• Set di allenamento: È composto da 893 immagini, ciascuna accompagnata dalle relative annotazioni.
• Set di test: Comprende 223 immagini, con annotazioni abbinate per ciascuna di esse.

Applicazioni

L'applicazione del rilevamento dei tumori cerebrali mediante la computer vision consente la diagnosi precoce, la pianificazione del trattamento e il monitoraggio della progressione del tumore. Analizzando i dati di imaging medico come risonanza magnetica o TAC, i sistemi di computer vision aiutano a identificare con precisione i tumori cerebrali, favorendo un intervento medico tempestivo e strategie di trattamento personalizzate.

Set di dati YAML

Un file YAML (Yet Another Markup Language) è usato per definire la configurazione del dataset. Contiene informazioni sui percorsi del dataset, sulle classi e altre informazioni rilevanti. Nel caso del set di dati sui tumori cerebrali, il file brain-tumor.yaml Il file viene mantenuto all'indirizzo 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://github.com/ultralytics/assets/releases/download/v0.0.0/brain-tumor.zip

Utilizzo

Per addestrare un modello YOLO11n sul dataset dei tumori cerebrali per 100 epoche con una dimensione dell'immagine di 640, utilizzare i frammenti di codice forniti. Per un elenco dettagliato degli argomenti disponibili, consultare la pagina di addestramento del modello.

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

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 un'ampia gamma di immagini con diverse categorie di oggetti e scene complesse. Di seguito sono riportati alcuni esempi di immagini del set di dati, accompagnati dalle rispettive annotazioni.

• Immagine mosaicata: Qui viene visualizzato un batch di formazione che comprende immagini del set di dati mosaicate. La mosaicatura, una tecnica di formazione, consolida più immagini in una sola, migliorando la diversità del batch. Questo approccio contribuisce a migliorare la capacità del modello di generalizzare tra oggetti di varie dimensioni, rapporti di aspetto e contesti.

Questo esempio evidenzia la diversità e l'intricatezza delle immagini all'interno del dataset del tumore cerebrale, sottolineando i vantaggi dell'incorporazione della mosaicatura durante la fase di addestramento.

Citazioni e ringraziamenti

Il set di dati è stato rilasciato sotto la licenzaAGPL-3.0 .

FAQ

Qual è la struttura del dataset dei tumori cerebrali disponibile nella documentazione di Ultralytics ?

Il set di dati sui tumori cerebrali è suddiviso in due sottoinsiemi: il set di addestramento è composto da 893 immagini con annotazioni corrispondenti, mentre il set di test comprende 223 immagini con annotazioni accoppiate. Questa divisione strutturata aiuta a sviluppare modelli di computer vision robusti e accurati per il rilevamento dei tumori cerebrali. Per ulteriori informazioni sulla struttura del set di dati, visitare la sezione Struttura del set di dati.

Come posso addestrare un modello YOLO11 sul dataset dei tumori cerebrali utilizzando Ultralytics?

È possibile addestrare un modello YOLO11 sul dataset dei tumori cerebrali per 100 epoche con una dimensione dell'immagine di 640px, utilizzando entrambi i metodi Python e CLI . Di seguito sono riportati gli esempi per entrambi:

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 Formazione.

Quali sono i vantaggi dell'utilizzo del dataset dei tumori cerebrali per l'IA in ambito sanitario?

L'utilizzo del set di dati sui tumori cerebrali nei progetti di intelligenza artificiale consente di effettuare diagnosi precoci e pianificare il trattamento dei tumori cerebrali. Aiuta ad automatizzare l'identificazione del tumore cerebrale attraverso la visione computerizzata, facilitando interventi medici accurati e tempestivi e supportando strategie di trattamento personalizzate. Questa applicazione ha un potenziale significativo nel migliorare i risultati dei pazienti e l'efficienza medica.

Come si esegue l'inferenza utilizzando un modello YOLO11 ottimizzato su un set di dati di tumori cerebrali?

L'inferenza con il modello YOLO11 può essere eseguita sia con l'approccio Python che con quello CLI . Ecco gli esempi:

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 dei tumori cerebrali?

Il file di configurazione YAML per il dataset del tumore cerebrale si trova all'indirizzo brain-tumor.yaml. Questo file include percorsi, classi e altre informazioni rilevanti necessarie per l'addestramento e la valutazione dei modelli su questo set di dati.

📅C reato 8 mesi fa ✏️ Aggiornato 2 mesi fa

Commenti