Набор данных по опухолям головного мозга

Набор данных для обнаружения опухолей мозга состоит из медицинских изображений, полученных с помощью МРТ или КТ, и содержит информацию о наличии, расположении и характеристиках опухоли мозга. Этот набор данных необходим для обучения алгоритмов компьютерного зрения для автоматизации идентификации опухолей мозга, что помогает в ранней диагностике и планировании лечения в здравоохранении.

Смотреть: Обнаружение опухолей головного мозга с помощью Ultralytics HUB

Структура набора данных

Набор данных об опухолях головного мозга разделен на два подмножества:

• Обучающий набор: Состоит из 893 изображений, каждое из которых сопровождается соответствующими аннотациями.
• Набор для тестирования: Состоит из 223 изображений с парными аннотациями для каждого из них.

Набор данных содержит два класса:

• Негатив: Изображения без опухолей головного мозга
• Позитив: Изображения с опухолями головного мозга

Приложения

Обнаружение опухолей мозга с помощью компьютерного зрения позволяет проводить раннюю диагностику, планировать лечение и следить за прогрессированием опухоли. Анализируя данные медицинской визуализации, такие как МРТ или КТ, системы компьютерного зрения помогают точно определить опухоли мозга, что способствует своевременному медицинскому вмешательству и персонализированным стратегиям лечения.

Медицинские работники могут использовать эту технологию для:

• Сокращение времени диагностики и повышение точности
• Помощь в планировании операции путем точного определения местоположения опухоли
• Контролируйте эффективность лечения с течением времени
• Поддержка исследований в области онкологии и неврологии

Набор данных YAML

Для определения конфигурации набора данных используется файл YAML (Yet Another Markup Language). Он содержит информацию о путях, классах и другую необходимую информацию о наборе данных. В случае с набором данных об опухолях головного мозга файл brain-tumor.yaml файл хранится 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 (4.05 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

Использование

Обучить YOLO11 на наборе данных по опухолям мозга в течение 100 эпох при размере изображения 640, воспользуйтесь приведенными фрагментами кода. Подробный список доступных аргументов можно найти на странице обучения модели.

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"

Образцы изображений и аннотаций

Набор данных "Опухоли мозга" включает в себя широкий спектр медицинских изображений, на которых представлены снимки мозга с опухолями и без них. Ниже представлены примеры изображений из этого набора, сопровождаемые соответствующими аннотациями.

• Мозаичное изображение: Здесь показана обучающая партия, состоящая из мозаичных изображений набора данных. Мозаика - метод обучения - объединяет несколько изображений в одно, повышая разнообразие партии. Такой подход помогает улучшить способность модели обобщать различные размеры, формы и расположение опухолей на снимках мозга.

Этот пример подчеркивает разнообразие и сложность изображений в наборе данных по опухолям мозга, а также преимущества использования мозаики на этапе обучения для анализа медицинских изображений.

Цитаты и благодарности

Набор данных доступен по лицензииAGPL-3.0

Если вы используете этот набор данных в своих исследованиях или разработках, пожалуйста, укажите на него соответствующую ссылку:

@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/}
}

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

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

Набор данных по опухолям мозга разделен на два подмножества: обучающий набор состоит из 893 изображений с соответствующими аннотациями, а тестовый набор включает 223 изображения с парными аннотациями. Такое структурированное разделение помогает в разработке надежных и точных моделей компьютерного зрения для обнаружения опухолей мозга. Более подробную информацию о структуре набора данных можно найти в разделе " Структура набора данных".

Как обучить модель YOLO11 на наборе данных об опухолях головного мозга с помощью Ultralytics?

Вы можете обучить модель YOLO11 на наборе данных по опухолям мозга в течение 100 эпох при размере изображения 640px, используя методы Python и CLI . Ниже приведены примеры для обоих методов:

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

Подробный список доступных аргументов см. на странице Обучение.

Каковы преимущества использования набора данных об опухолях мозга для ИИ в здравоохранении?

Использование набора данных об опухолях мозга в проектах ИИ позволяет проводить раннюю диагностику и планировать лечение опухолей мозга. Это помогает автоматизировать идентификацию опухолей мозга с помощью компьютерного зрения, способствует точному и своевременному медицинскому вмешательству, а также поддерживает персонализированные стратегии лечения. Это приложение обладает значительным потенциалом для улучшения результатов лечения пациентов и повышения эффективности медицины. Более подробную информацию о применении искусственного интеллекта в здравоохранении можно найти в решенияхUltralytics для здравоохранения.

Как сделать вывод с помощью точно настроенной модели YOLO11 на наборе данных об опухолях мозга?

Вывод с использованием тонкой настройки модели YOLO11 может быть выполнен с помощью подходов 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")

# 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"

Где можно найти конфигурацию YAML для набора данных опухоли мозга?

Конфигурационный файл YAML для набора данных "Опухоль мозга" находится по адресу brain-tumor.yaml. Этот файл содержит пути, классы и дополнительную информацию, необходимую для обучения и оценки моделей на этом наборе данных.

📅 Создано 1 год назад ✏️ Обновлено 8 дней назад

Комментарии