Dataset hersentumoren

Een dataset voor het opsporen van hersentumoren bestaat uit medische beelden van MRI- of CT-scans, die informatie bevatten over de aanwezigheid, locatie en kenmerken van hersentumoren. Deze dataset is essentieel voor het trainen van computervisie-algoritmen om de identificatie van hersentumoren te automatiseren, wat helpt bij het stellen van een vroege diagnose en het plannen van de behandeling.

Structuur dataset

De hersentumor dataset is verdeeld in twee subsets:

• Trainingsset: Bestaat uit 893 afbeeldingen, elk vergezeld van bijbehorende annotaties.
• Testset: Bestaat uit 223 afbeeldingen, met annotaties gekoppeld voor elke afbeelding.

Toepassingen

Het opsporen van hersentumoren met behulp van computervisie maakt vroegtijdige diagnose, planning van behandeling en bewaking van tumorgroei mogelijk. Door het analyseren van medische beeldvormingsgegevens zoals MRI- of CT-scans, helpen computervisiesystemen bij het nauwkeurig identificeren van hersentumoren, wat helpt bij tijdige medische interventie en gepersonaliseerde behandelstrategieën.

Dataset YAML

Een YAML (Yet Another Markup Language) bestand wordt gebruikt om de configuratie van de dataset te definiëren. Het bevat informatie over de paden, klassen en andere relevante informatie van de dataset. In het geval van de hersentumor dataset is het brain-tumor.yaml bestand wordt onderhouden op 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://ultralytics.com/assets/brain-tumor.zip

Gebruik

Om een YOLOv8n model te trainen op de hersentumor dataset voor 100 epochs met een afbeeldingsgrootte van 640, gebruik je de meegeleverde code snippets. Raadpleeg de pagina Training van het model voor een gedetailleerde lijst van beschikbare argumenten.

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

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"

Voorbeeldafbeeldingen en -annotaties

De hersentumor dataset omvat een breed scala aan afbeeldingen met diverse objectcategorieën en ingewikkelde scènes. Hieronder staan voorbeelden van afbeeldingen uit de dataset, vergezeld van hun respectievelijke annotaties

• Gemozaïekte afbeelding: Hier wordt een trainingsbatch weergegeven met gemozaïekte afbeeldingen van de dataset. Bij mozaïeken, een trainingstechniek, worden meerdere afbeeldingen samengevoegd tot één afbeelding, waardoor de diversiteit van de batch wordt vergroot. Deze aanpak helpt bij het verbeteren van het vermogen van het model om te generaliseren over verschillende objectgroottes, beeldverhoudingen en contexten.

Dit voorbeeld benadrukt de diversiteit en complexiteit van beelden binnen de hersentumor dataset en onderstreept de voordelen van het integreren van mozaïeken tijdens de trainingsfase.

Citaten en erkenningen

De dataset is vrijgegeven onder de AGPL-3.0 Licentie.

Reacties