Набор данных об опухолях головного мозга
Набор данных для обнаружения опухолей головного мозга состоит из медицинских изображений, полученных с помощью МРТ или КТ, содержащих информацию о наличии, местоположении и характеристиках опухоли головного мозга. Этот набор данных необходим для обучения алгоритмов компьютерного зрения для автоматизации идентификации опухолей головного мозга, что помогает в ранней диагностике и планировании лечения в медицинских приложениях.
Смотреть: Обнаружение опухолей головного мозга с использованием Ultralytics HUB
Структура набора данных
Датасет опухолей головного мозга разделен на два подмножества:
- Обучающий набор: Состоит из 893 изображений, каждое из которых сопровождается соответствующими аннотациями.
- Тестовый набор: Состоит из 223 изображений, с аннотациями для каждого из них.
Набор данных содержит два класса:
- Negative: Изображения без опухолей головного мозга
- Позитивные: Изображения с опухолями головного мозга
Приложения
Применение обнаружения опухолей головного мозга с использованием компьютерного зрения позволяет проводить раннюю диагностику, планирование лечения и мониторинг прогрессирования опухоли. Анализируя данные медицинской визуализации, такие как МРТ или КТ, системы компьютерного зрения помогают точно идентифицировать опухоли головного мозга, способствуя своевременному медицинскому вмешательству и индивидуальным стратегиям лечения.
Медицинские специалисты могут использовать эту технологию для:
- Сократите время диагностики и повысьте точность
- Помощь в хирургическом планировании путем точного определения местоположения опухолей
- Мониторинг эффективности лечения с течением времени
- Поддержка исследований в области онкологии и неврологии.
YAML-файл набора данных
YAML-файл (Yet Another Markup Language) используется для определения конфигурации набора данных. Он содержит информацию о путях, классах и другую важную информацию о наборе данных. В случае набора данных об опухолях головного мозга, brain-tumor.yaml
файл поддерживается 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
Использование
Чтобы обучить модель YOLO11 на наборе данных опухолей головного мозга в течение 100 эпох с размером изображения 640, используйте предоставленные фрагменты кода. Подробный список доступных аргументов см. на странице Обучение модели.
Пример обучения
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
Пример инференса
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"
Примеры изображений и аннотации
Набор данных об опухолях головного мозга включает в себя широкий спектр медицинских изображений, содержащих сканы головного мозга с опухолями и без них. Ниже представлены примеры изображений из набора данных, сопровождаемые соответствующими аннотациями.
- Мозаичное изображение: Здесь отображается пакет обучения, состоящий из мозаичных изображений набора данных. Мозаика, метод обучения, объединяет несколько изображений в одно, повышая разнообразие пакета. Такой подход помогает улучшить способность модели к обобщению различных размеров, форм и местоположений опухолей в сканах мозга.
Этот пример подчеркивает разнообразие и сложность изображений в наборе данных опухолей головного мозга, подчеркивая преимущества включения мозаики на этапе обучения для анализа медицинских изображений.
Цитирование и благодарности
Набор данных был предоставлен в соответствии с лицензией AGPL-3.0.
Если вы используете этот набор данных в своих исследованиях или разработках, пожалуйста, укажите 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/}
}
Часто задаваемые вопросы
Какова структура набора данных об опухолях головного мозга, доступного в документации Ultralytics?
Набор данных опухолей головного мозга разделен на два подмножества: обучающий набор состоит из 893 изображений с соответствующими аннотациями, а тестовый набор состоит из 223 изображений с парными аннотациями. Это структурированное разделение помогает в разработке надежных и точных моделей компьютерного зрения для обнаружения опухолей головного мозга. Для получения дополнительной информации о структуре набора данных посетите раздел Структура набора данных.
Как я могу обучить модель YOLO11 на наборе данных об опухолях головного мозга с помощью Ultralytics?
Вы можете обучить модель YOLO11 на наборе данных опухолей головного мозга в течение 100 эпох с размером изображения 640px, используя методы Python и CLI. Ниже приведены примеры для обоих:
Пример обучения
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 головного мозга для ИИ в здравоохранении?
Использование набора данных об опухолях головного мозга в проектах ИИ позволяет проводить раннюю диагностику и планирование лечения опухолей головного мозга. Это помогает автоматизировать выявление опухолей головного мозга с помощью компьютерного зрения, облегчая точные и своевременные медицинские вмешательства и поддерживая персонализированные стратегии лечения. Это приложение имеет значительный потенциал для улучшения результатов лечения пациентов и повышения эффективности медицинской помощи. Для получения дополнительной информации о применении ИИ в здравоохранении см. решения Ultralytics для здравоохранения.
Как выполнить инференс с использованием точно настроенной модели YOLO11 на наборе данных об опухолях головного мозга?
Вывод с использованием точно настроенной модели YOLO11 можно выполнить с помощью подходов python или CLI. Вот примеры:
Пример инференса
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 я могу найти конфигурацию YAML для набора данных об опухолях головного мозга?
Файл конфигурации YAML для набора данных опухоли головного мозга можно найти по адресу brain-tumor.yaml. Этот файл включает пути, классы и дополнительную релевантную информацию, необходимую для обучения и оценки моделей на этом наборе данных.