Набор данных для выявления опухолей головного мозга

Набор данных для выявления опухолей головного мозга состоит из медицинских изображений МРТ или КТ-сканирований, содержащих информацию о наличии, локализации и характеристиках опухолей мозга. Этот набор данных необходим для обучения алгоритмов computer vision с целью автоматизации идентификации опухолей мозга, что помогает в ранней диагностике и планировании лечения в healthcare applications.

Структура набора данных

Набор данных опухолей головного мозга разделен на два подмножества:

• Обучающая выборка: состоит из 893 изображений, каждое из которых сопровождается соответствующими аннотациями.
• Тестовая выборка: состоит из 223 изображений, для каждого из которых имеются аннотации.

Набор данных содержит два класса:

• Отрицательный: изображения без опухолей головного мозга
• Положительный: изображения с опухолями головного мозга

Применение

Применение обнаружения опухолей головного мозга с использованием компьютерного зрения позволяет проводить early diagnosis, планировать лечение и отслеживать прогрессирование опухоли. Анализируя медицинские данные визуализации, такие как МРТ или КТ-сканирования, computer vision systems помогают точно идентифицировать опухоли мозга, способствуя своевременному медицинскому вмешательству и персонализированным стратегиям лечения.

Медицинские специалисты могут использовать эту технологию для:

• Сокращения времени диагностики и повышения точности
• Помощи в планировании хирургического вмешательства путем точного определения местоположения опухолей
• Мониторинга эффективности лечения в динамике
• Поддержки исследований в области онкологии и неврологии

YAML набора данных

Файл YAML (Yet Another Markup Language) используется для определения конфигурации набора данных. Он содержит информацию о путях к набору данных, классах и другую важную информацию. В случае набора данных для опухолей головного мозга файл brain-tumor.yaml размещен по адресу https://github.com/ultralytics/ultralytics/blob/main/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

Использование

Чтобы обучить модель YOLO26 на наборе данных опухолей головного мозга в течение 100 epochs при размере изображения 640, используй предоставленные фрагменты кода. Подробный список доступных аргументов смотри на странице модели Training.

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)

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")

Примеры изображений и аннотаций

Набор данных опухолей головного мозга охватывает широкий спектр медицинских изображений, включая сканы мозга как с опухолями, так и без них. Ниже представлены примеры изображений из набора данных, сопровождаемые соответствующими аннотациями.

• Мозаичное изображение: здесь отображен обучающий пакет, состоящий из мозаичных изображений набора данных. Мозаика — это метод обучения, который объединяет несколько изображений в одно, увеличивая разнообразие пакета. Этот подход помогает улучшить способность модели к обобщению на различных размерах, формах и местах расположения опухолей на сканах мозга.

Этот пример подчеркивает разнообразие и сложность изображений в наборе данных опухолей головного мозга, подтверждая преимущества использования мозаики во время этапа обучения для medical image analysis.

Цитаты и благодарности

Набор данных доступен по лицензии AGPL-3.0 License.

Если ты используешь этот набор данных в своих исследованиях или разработках, пожалуйста, процитируй его соответствующим образом:

@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

Какова структура набора данных опухолей головного мозга, доступного в документации Ultralytics?

Набор данных опухолей головного мозга разделен на два подмножества: training set состоит из 893 изображений с соответствующими аннотациями, тогда как testing set включает 223 изображения с парными аннотациями. Это структурированное разделение помогает разрабатывать надежные и точные модели компьютерного зрения для обнаружения опухолей мозга. Для получения дополнительной информации о структуре набора данных посети раздел Dataset Structure.

Как я могу обучить модель YOLO26 на наборе данных опухолей головного мозга с использованием Ultralytics?

Ты можешь обучить модель YOLO26 на наборе данных опухолей головного мозга в течение 100 эпох с размером изображения 640px, используя методы Python или CLI. Ниже приведены примеры для обоих случаев:

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)

Для получения подробного списка доступных аргументов обратись к странице Training.

Каковы преимущества использования набора данных опухолей головного мозга для ИИ в здравоохранении?

Использование набора данных опухолей головного мозга в проектах ИИ позволяет проводить раннюю диагностику и планирование лечения опухолей мозга. Это помогает автоматизировать идентификацию опухолей мозга с помощью компьютерного зрения, облегчая точные и своевременные медицинские вмешательства и поддерживая стратегии персонализированного лечения. Это приложение обладает значительным потенциалом для улучшения результатов лечения пациентов и повышения медицинской эффективности. Дополнительные сведения о применении ИИ в здравоохранении см. в Ultralytics' healthcare solutions.

Как выполнить вывод с помощью дообученной модели YOLO26 на наборе данных опухолей головного мозга?

Вывод с помощью дообученной модели YOLO26 можно выполнить, используя подходы Python или CLI. Вот примеры:

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")

Где я могу найти конфигурацию YAML для набора данных опухолей головного мозга?

Файл конфигурации YAML для набора данных опухолей головного мозга можно найти по адресу brain-tumor.yaml. Этот файл содержит пути, классы и дополнительную актуальную информацию, необходимую для обучения и оценки моделей на этом наборе данных.