Tập Dữ Liệu Khối U Não
Một bộ dữ liệu phát hiện khối u não bao gồm các hình ảnh y tế từ MRI hoặc CT, chứa thông tin về sự hiện diện, vị trí và đặc điểm của khối u não. Bộ dữ liệu này rất cần thiết để đào tạo các thuật toán thị giác máy tính để tự động hóa việc xác định khối u não, hỗ trợ chẩn đoán sớm và lập kế hoạch điều trị trong các ứng dụng chăm sóc sức khỏe.
Xem: Phát Hiện Khối U Não bằng Ultralytics HUB
Cấu trúc bộ dữ liệu
Tập dữ liệu khối u não được chia thành hai tập hợp con:
- Tập huấn luyện: Bao gồm 893 hình ảnh, mỗi hình ảnh đi kèm với các chú thích tương ứng.
- Tập kiểm thử: Bao gồm 223 ảnh, với các chú thích đi kèm cho mỗi ảnh.
Bộ dữ liệu chứa hai lớp:
- Âm tính: Ảnh không có khối u não
- Dương tính: Hình ảnh có khối u não
Các ứng dụng
Ứng dụng phát hiện khối u não bằng thị giác máy tính cho phép chẩn đoán sớm, lập kế hoạch điều trị và theo dõi sự tiến triển của khối u. Bằng cách phân tích dữ liệu hình ảnh y tế như MRI hoặc CT, hệ thống thị giác máy tính hỗ trợ xác định chính xác các khối u não, hỗ trợ can thiệp y tế kịp thời và các chiến lược điều trị cá nhân hóa.
Các chuyên gia y tế có thể tận dụng công nghệ này để:
- Giảm thời gian chẩn đoán và cải thiện độ chính xác
- Hỗ trợ lập kế hoạch phẫu thuật bằng cách xác định chính xác vị trí các khối u
- Theo dõi hiệu quả điều trị theo thời gian
- Hỗ trợ nghiên cứu trong lĩnh vực ung thư và thần kinh học
YAML bộ dữ liệu
Tệp YAML (Yet Another Markup Language) được sử dụng để xác định cấu hình bộ dữ liệu. Nó chứa thông tin về đường dẫn, các lớp và các thông tin liên quan khác của bộ dữ liệu. Trong trường hợp bộ dữ liệu khối u não, brain-tumor.yaml tệp được duy trì tại 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
Cách sử dụng
Để huấn luyện mô hình YOLO11 trên bộ dữ liệu khối u não trong 100 epochs với kích thước ảnh là 640, hãy sử dụng các đoạn mã được cung cấp. Để có danh sách chi tiết về các đối số có sẵn, hãy tham khảo trang Huấn luyện của mô hình.
Ví dụ huấn luyện
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
Ví dụ về suy luận
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"
Ảnh và Chú thích mẫu
Bộ dữ liệu về khối u não bao gồm một loạt các hình ảnh y tế, đặc trưng là ảnh chụp não có và không có khối u. Dưới đây là các ví dụ về hình ảnh từ bộ dữ liệu, kèm theo các chú thích tương ứng.
- Hình ảnh ghép: Hình ảnh hiển thị ở đây là một lô huấn luyện bao gồm các hình ảnh tập dữ liệu được ghép lại. Ghép ảnh, một kỹ thuật huấn luyện, hợp nhất nhiều hình ảnh thành một, tăng cường tính đa dạng của lô. Phương pháp này hỗ trợ cải thiện khả năng tổng quát hóa của mô hình trên các kích thước, hình dạng và vị trí khối u khác nhau trong ảnh chụp não.
Ví dụ này làm nổi bật sự đa dạng và phức tạp của hình ảnh trong bộ dữ liệu khối u não, nhấn mạnh những lợi thế của việc kết hợp khảm trong giai đoạn huấn luyện để phân tích hình ảnh y tế.
Trích dẫn và Lời cảm ơn
Bộ dữ liệu đã được cung cấp theo Giấy phép AGPL-3.0.
Nếu bạn sử dụng bộ dữ liệu này trong công việc nghiên cứu hoặc phát triển của mình, vui lòng trích dẫn nó một cách thích hợp:
@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/}
}
Câu hỏi thường gặp
Cấu trúc của tập dữ liệu khối u não có trong tài liệu Ultralytics như thế nào?
Bộ dữ liệu khối u não được chia thành hai tập hợp con: tập huấn luyện bao gồm 893 hình ảnh với các chú thích tương ứng, trong khi tập kiểm thử bao gồm 223 hình ảnh với các chú thích được ghép nối. Sự phân chia có cấu trúc này hỗ trợ phát triển các mô hình thị giác máy tính mạnh mẽ và chính xác để phát hiện khối u não. Để biết thêm thông tin về cấu trúc bộ dữ liệu, hãy truy cập phần Cấu trúc bộ dữ liệu.
Làm cách nào để huấn luyện mô hình YOLO11 trên tập dữ liệu khối u não bằng Ultralytics?
Bạn có thể huấn luyện mô hình YOLO11 trên bộ dữ liệu khối u não trong 100 epochs với kích thước ảnh 640px bằng cả phương pháp Python và CLI. Dưới đây là các ví dụ cho cả hai:
Ví dụ huấn luyện
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
Để biết danh sách đầy đủ các đối số có sẵn, hãy tham khảo trang Huấn luyện.
Những lợi ích của việc sử dụng tập dữ liệu khối u não cho AI trong lĩnh vực chăm sóc sức khỏe là gì?
Sử dụng bộ dữ liệu khối u não trong các dự án AI cho phép chẩn đoán sớm và lập kế hoạch điều trị cho các khối u não. Nó giúp tự động hóa việc xác định khối u não thông qua thị giác máy tính, tạo điều kiện cho các can thiệp y tế chính xác và kịp thời, đồng thời hỗ trợ các chiến lược điều trị cá nhân hóa. Ứng dụng này có tiềm năng đáng kể trong việc cải thiện kết quả điều trị bệnh nhân và hiệu quả y tế. Để biết thêm thông tin chi tiết về các ứng dụng AI trong lĩnh vực chăm sóc sức khỏe, hãy xem các giải pháp chăm sóc sức khỏe của Ultralytics.
Làm cách nào để thực hiện suy luận bằng mô hình YOLO11 đã được tinh chỉnh trên tập dữ liệu khối u não?
Suy luận bằng mô hình YOLO11 đã được tinh chỉnh có thể được thực hiện bằng phương pháp Python hoặc CLI. Dưới đây là các ví dụ:
Ví dụ về suy luận
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"
Tôi có thể tìm thấy cấu hình YAML cho tập dữ liệu khối u não ở đâu?
Bạn có thể tìm thấy tệp cấu hình YAML cho bộ dữ liệu khối u não tại brain-tumor.yaml. Tệp này bao gồm các đường dẫn, lớp và thông tin liên quan bổ sung cần thiết để huấn luyện và đánh giá các mô hình trên bộ dữ liệu này.
