Beyin Tümörü Veri Kümesi

Bir beyin tümörü tespit veri kümesi, beyin tümörünün varlığı, konumu ve özellikleri hakkında bilgi içeren MRI veya CT taramalarından elde edilen tıbbi görüntülerden oluşur. Bu veri kümesi, beyin tümörü tanımlamasını otomatikleştirmek, erken tanı ve tedavi planlamasına yardımcı olmak için bilgisayarla görme algoritmalarını eğitmek için gereklidir.

Veri Kümesi Yapısı

Beyin tümörü veri kümesi iki alt kümeye ayrılmıştır:

• Eğitim seti: Her birine karşılık gelen ek açıklamaların eşlik ettiği 893 görüntüden oluşur.
• Test seti: Her biri için ek açıklamaların eşleştirildiği 223 görüntüden oluşmaktadır.

Uygulamalar

Bilgisayarlı görü kullanılarak beyin tümörü tespiti uygulaması, erken teşhis, tedavi planlaması ve tümör ilerlemesinin izlenmesini sağlar. Bilgisayarla görme sistemleri, MR veya BT taramaları gibi tıbbi görüntüleme verilerini analiz ederek beyin tümörlerinin doğru bir şekilde tanımlanmasına, zamanında tıbbi müdahaleye ve kişiselleştirilmiş tedavi stratejilerine yardımcı olur.

Veri Kümesi YAML

Veri kümesi yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında bilgi içerir. Beyin tümörü veri kümesi söz konusu olduğunda brain-tumor.yaml dosyası şu adreste tutulur 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

Kullanım

Bir YOLOv8n modelini 640 görüntü boyutuyla 100 epok için beyin tümörü veri kümesi üzerinde eğitmek için sağlanan kod parçacıklarını kullanın. Kullanılabilir bağımsız değişkenlerin ayrıntılı bir listesi için modelin Eğitim sayfasına bakın.

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"

Örnek Görüntüler ve Açıklamalar

Beyin tümörü veri kümesi, çeşitli nesne kategorileri ve karmaşık sahneler içeren geniş bir görüntü yelpazesini kapsamaktadır. Aşağıda, ilgili açıklamalarıyla birlikte veri kümesinden görüntü örnekleri sunulmuştur

• Mozaiklenmiş Görüntü: Burada mozaiklenmiş veri seti görüntülerinden oluşan bir eğitim grubu gösterilmektedir. Bir eğitim tekniği olan mozaikleme, birden fazla görüntüyü tek bir görüntüde birleştirerek yığın çeşitliliğini artırır. Bu yaklaşım, modelin çeşitli nesne boyutları, en-boy oranları ve bağlamlar arasında genelleme yapma kapasitesini geliştirmeye yardımcı olur.

Bu örnek, beyin tümörü veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını vurgulamakta ve eğitim aşamasında mozaiklemenin dahil edilmesinin avantajlarının altını çizmektedir.

Atıflar ve Teşekkür

Veri seti AGPL-3.0 Lisansı altında kullanıma sunulmuştur.

Yorumlar