Overslaan naar inhoud

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.



Kijken: Hersentumordetectie met Ultralytics HUB

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 behandelstrategieƫn.

Dataset YAML

Een YAML (Yet Another Markup Language) bestand wordt gebruikt om de configuratie van de dataset te definiƫren. 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/cfg/datasets/brain-tumor.yaml

# Ultralytics YOLO šŸš€, 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
# ā”œā”€ā”€ ultralytics
# ā””ā”€ā”€ datasets
#     ā””ā”€ā”€ brain-tumor  ā† 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

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.

Voorbeeld trein

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

Voorbeeld van gevolgtrekking

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 objectcategorieĆ«n en ingewikkelde scĆØnes. Hieronder staan voorbeelden van afbeeldingen uit de dataset, vergezeld van hun respectievelijke annotaties

Voorbeeldafbeelding hersentumor dataset

  • GemozaĆÆekte afbeelding: Hier wordt een trainingsbatch weergegeven met gemozaĆÆekte afbeeldingen van de dataset. Bij mozaĆÆeken, een trainingstechniek, worden meerdere afbeeldingen samengevoegd tot Ć©Ć©n 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 mozaĆÆeken tijdens de trainingsfase.

Citaten en erkenningen

De dataset is vrijgegeven onder de AGPL-3.0 Licentie.

FAQ

Wat is de structuur van de hersentumor dataset die beschikbaar is in Ultralytics documentatie?

De hersentumor dataset is verdeeld in twee subsets: de trainingsset bestaat uit 893 afbeeldingen met bijbehorende annotaties, terwijl de testset bestaat uit 223 afbeeldingen met gekoppelde annotaties. Deze gestructureerde verdeling helpt bij het ontwikkelen van robuuste en nauwkeurige computervisiemodellen voor het detecteren van hersentumoren. Ga voor meer informatie over de structuur van de dataset naar de sectie Datasetstructuur.

Hoe kan ik een YOLOv8 model trainen op de hersentumor dataset met Ultralytics?

Je kunt een YOLOv8 model trainen op de hersentumor dataset voor 100 epochs met een afbeeldingsgrootte van 640px met zowel Python als CLI methoden. Hieronder staan de voorbeelden voor beide:

Voorbeeld trein

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

Raadpleeg de pagina Training voor een gedetailleerde lijst van beschikbare argumenten.

Wat zijn de voordelen van het gebruik van de hersentumor dataset voor AI in de gezondheidszorg?

Het gebruik van de hersentumor dataset in AI projecten maakt vroege diagnose en behandelplanning voor hersentumoren mogelijk. Het helpt bij het automatiseren van hersentumoridentificatie door middel van computervisie, het vergemakkelijken van nauwkeurige en tijdige medische interventies en het ondersteunen van gepersonaliseerde behandelingsstrategieƫn. Deze toepassing heeft een aanzienlijk potentieel voor het verbeteren van patiƫntresultaten en medische efficiƫntie.

Hoe voer ik inferentie uit met behulp van een verfijnd YOLOv8 model op de hersentumor dataset?

Inferentie met behulp van een verfijnd YOLOv8 model kan worden uitgevoerd met Python of CLI benaderingen. Hier zijn de voorbeelden:

Voorbeeld van gevolgtrekking

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"

Waar kan ik de YAML-configuratie voor de hersentumor dataset vinden?

Het YAML configuratiebestand voor de hersentumor dataset kan worden gevonden op brain-tumor.yaml. Dit bestand bevat paden, klassen en aanvullende relevante informatie die nodig is voor het trainen en evalueren van modellen op deze dataset.



Aangemaakt 2024-03-19, Bijgewerkt 2024-07-04
Auteurs: glenn-jocher (3), RizwanMunawar (1), Burhan-Q (1)

Reacties