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, позволяющих автоматизировать идентификацию опухолей мозга, что помогает в ранней диагностике и планировании лечения.

Структура набора данных

Набор данных по опухолям 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.

Приложения

Применение обнаружения опухолей мозга с помощью компьютерного зрения позволяет проводить раннюю диагностику, планировать лечение и следить за прогрессированием опухоли. Анализируя данные медицинской визуализации, например МРТ или КТ, системы компьютерного зрения помогают точно определять опухоли мозга, способствуя своевременному медицинскому вмешательству и персонализированным стратегиям лечения.

Набор данных YAML

Для определения конфигурации набора данных используется файл YAML (Yet Another Markup Language). В нем содержится информация о путях, классах и других важных сведениях набора данных. В случае с набором данных об опухолях мозга файл YAML brain-tumor.yaml файл хранится по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/brain-tumor.yaml.

# Ultralytics YOLO 🚀, 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
# ├── 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://ultralytics.com/assets/brain-tumor.zip

Использование

Чтобы обучить модель YOLOv8n на наборе данных по опухолям мозга в течение 100 эпох при размере изображения 640, используй приведенные фрагменты кода. Подробный список доступных аргументов можно найти на странице обучения модели.

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

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 аннотаций

Набор данных по опухолям мозга включает в себя широкий спектр изображений с различными категориями объектов и сложными сценами. Ниже представлены примеры изображений из этого набора, сопровождаемые соответствующими аннотациями.

• Мозаичное изображение: Здесь показана тренировочная партия, состоящая из мозаичных изображений набора данных. Мозаика - метод обучения, при котором несколько изображений объединяются в одно, что повышает разнообразие партии. Такой подход помогает улучшить способность модели к обобщению для объектов различных размеров, соотношения сторон и контекста.

Этот пример подчеркивает разнообразие и сложность изображений в наборе данных по опухолям мозга, подчеркивая преимущества включения мозаики на этапе обучения.

Цитаты и благодарности

Набор данных был выпущен в свободный доступ по лицензииAGPL-3.0 .

Комментарии