Link to this sectionНабор данных опухолей головного мозга#

Набор данных для обнаружения опухолей головного мозга состоит из медицинских изображений, полученных с помощью МРТ или КТ-сканирования, и содержит информацию о наличии, расположении и характеристиках опухолей. Этот набор данных необходим для обучения алгоритмов компьютерного зрения с целью автоматизации идентификации опухолей головного мозга, что способствует ранней диагностике и планированию лечения в медицинских приложениях.

Watch: Brain Tumor Detection using Ultralytics Platform with Ultralytics YOLO26 | Object Detection 🚀

Link to this sectionСтруктура набора данных#

Набор данных для 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 также имеются аннотации.

Набор данных содержит два класса:

Отрицательный (Negative): Изображения без опухолей головного мозга
Положительный (Positive): Изображения с опухолями головного мозга

Link to this sectionПрименение#

Применение детектирования опухолей головного мозга с использованием компьютерного зрения позволяет проводить раннюю диагностику, планировать лечение и отслеживать прогрессирование опухоли. Анализируя данные медицинской визуализации, такие как МРТ или КТ-сканы, системы компьютерного зрения помогают точно идентифицировать опухоли головного мозга, способствуя своевременному медицинскому вмешательству и разработке персонализированных стратегий лечения.

Медицинские специалисты могут использовать эту технологию для:

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

Link to this sectionYAML набора данных#

Для определения конфигурации набора данных используется файл формата YAML (Yet Another Markup Language). Он содержит информацию о путях к данным, классах и другую соответствующую информацию. Файл brain-tumor.yaml для набора данных опухолей головного мозга находится по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/brain-tumor.yaml.

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

Link to this sectionИспользование#

Чтобы обучить модель YOLO26 на наборе данных опухолей головного мозга в течение 100 эпох с размером изображения 640, используй предоставленные фрагменты кода. Подробный список доступных аргументов можно найти на странице обучения модели.

Пример обучения

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)

Пример вывода (Inference)

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")

Link to this sectionПримеры изображений и аннотации#

Набор данных опухолей головного мозга включает широкий спектр медицинских изображений, представляющих собой сканы мозга с опухолями и без них. Ниже представлены примеры изображений из набора данных вместе с соответствующими аннотациями.

Пример изображения из набора данных опухолей головного мозга

Мозаичное изображение: здесь показан пакет данных для обучения, состоящий из мозаичных изображений. Мозаика — это метод обучения, который объединяет несколько изображений в одно, повышая разнообразие пакета. Этот подход помогает улучшить способность модели к обобщению на изображениях с опухолями различных размеров, форм и расположений в структуре мозга.

Этот пример демонстрирует разнообразие и сложность изображений в наборе данных опухолей головного мозга, подчеркивая преимущества использования мозаики во время фазы обучения для анализа медицинских изображений.

Link to this sectionЦитирование и благодарности#

Набор данных доступен по лицензии AGPL-3.0 License.

Если ты используешь этот набор данных в своей исследовательской работе или разработке, пожалуйста, сошлися на него должным образом:

Цитата

@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/}
}

Link to this sectionFAQ#

Link to this sectionКакова структура набора данных опухолей головного мозга, доступного в документации Ultralytics?#

Набор данных опухолей головного мозга разделен на два подмножества: обучающая выборка состоит из 893 изображений с соответствующими аннотациями, в то время как тестовая выборка насчитывает 223 изображения с парными аннотациями. Такое структурированное разделение помогает в разработке надежных и точных моделей компьютерного зрения для обнаружения опухолей головного мозга. Дополнительную информацию о структуре набора данных см. в разделе Структура набора данных.

Link to this sectionКак я могу обучить модель YOLO26 на наборе данных опухолей головного мозга, используя Ultralytics?#

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

Пример обучения

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)

Подробный список доступных аргументов представлен на странице Обучение.

Link to this sectionКаковы преимущества использования набора данных опухолей головного мозга для ИИ в здравоохранении?#

Использование этого набора данных в ИИ-проектах позволяет проводить раннюю диагностику и планирование лечения опухолей головного мозга. Это помогает автоматизировать процесс идентификации опухолей с помощью компьютерного зрения, способствуя точному и своевременному медицинскому вмешательству, а также поддерживая персонализированные стратегии лечения. Данное приложение обладает значительным потенциалом для улучшения результатов лечения пациентов и повышения эффективности медицинских услуг. Для получения дополнительных сведений о применении ИИ в здравоохранении ознакомься с решениями Ultralytics для медицины.

Link to this sectionКак мне выполнить инференс с помощью дообученной модели YOLO26 на наборе данных опухолей головного мозга?#

Инференс с помощью дообученной модели YOLO26 можно выполнить как с помощью Python, так и через CLI. Вот соответствующие примеры: