Bộ dữ liệu U não

Bộ dữ liệu phát hiện u não bao gồm các hình ảnh y tế từ MRI hoặc CT scan, chứa thông tin về sự hiện diện, vị trí và các đặc điểm của u não. Bộ dữ liệu này rất cần thiết để huấn luyện các thuật toán computer vision nhằm tự động hóa việc nhận diện u não, hỗ trợ chẩn đoán sớm và lập kế hoạch điều trị trong các ứng dụng chăm sóc sức khỏe.

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

Cấu trúc bộ dữ liệu

Bộ dữ liệu u não được chia thành hai tập hợp con:

Tập huấn luyện (Training set): Bao gồm 893 ảnh, mỗi ảnh đi kèm với chú thích tương ứng.
Tập kiểm tra (Testing set): Bao gồm 223 ảnh, với các chú thích đi kèm cho từng ảnh.

Bộ dữ liệu chứa hai lớp:

Âm tính (Negative): Hình ảnh không có u não
Dương tính (Positive): Hình ảnh có u não

Ứng dụng

Việc áp dụng phát hiện u não bằng computer vision 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 scan, các hệ thống computer vision hỗ trợ nhận diện u não một cách chính xác, góp phần vào việc 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 khối u
Theo dõi hiệu quả điều trị theo thời gian
Hỗ trợ nghiên cứu trong lĩnh vực ung bướu và thần kinh học

YAML bộ dữ liệu

Tệp YAML (Yet Another Markup Language) được sử dụng để định nghĩa 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. Đối với bộ dữ liệu u não, tệp brain-tumor.yaml 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 model YOLO26 trên bộ dữ liệu u não trong 100 epochs với kích thước ảnh là 640, hãy sử dụng các đoạn mã được cung cấp. Để biết danh sách chi tiết các đối số có sẵn, hãy tham khảo trang Training của model.

Ví dụ huấn luyện

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)

Ví dụ 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")

Hình ảnh và Chú thích mẫu

Bộ dữ liệu u não bao gồm nhiều hình ảnh y tế với các bản quét não có và không có khối u. Dưới đây là các ví dụ về hình ảnh từ bộ dữ liệu, đi kèm với các chú thích tương ứng của chúng.

Ảnh mẫu bộ dữ liệu u não

Ảnh ghép (Mosaiced Image): Hiển thị ở đây là một batch huấn luyện bao gồm các hình ảnh bộ dữ liệu đã được ghép. Mosaicing, một kỹ thuật huấn luyện, hợp nhất nhiều hình ảnh thành một, giúp nâng cao sự đa dạng của batch. Cách tiếp cận này giúp cải thiện khả năng của model trong việc tổng quát hóa trên các kích thước, hình dạng và vị trí khối u khác nhau trong các bản quét não.

Ví dụ này làm nổi bật sự đa dạng và phức tạp của hình ảnh trong bộ dữ liệu u não, nhấn mạnh những lợi ích của việc kết hợp kỹ thuật mosaicing trong giai đoạn huấn luyện cho phân tích hình ảnh y tế.

Trích dẫn và Ghi nhận

Bộ dữ liệu này 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:

Trích dẫn

@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 (FAQ)

Cấu trúc của bộ dữ liệu u não có sẵn trong tài liệu Ultralytics là gì?

Bộ dữ liệu u não được chia thành hai tập hợp con: tập huấn luyện bao gồm 893 ảnh với các chú thích tương ứng, trong khi tập kiểm tra bao gồm 223 ảnh với các chú thích đi kèm. Sự phân chia có cấu trúc này hỗ trợ việc phát triển các model computer vision mạnh mẽ và chính xác để phát hiện 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 tôi có thể huấn luyện model YOLO26 trên bộ dữ liệu u não bằng Ultralytics?

Bạn có thể huấn luyện model YOLO26 trên bộ dữ liệu u não trong 100 epochs với kích thước ảnh 640px bằng cách sử dụng cả phương pháp Python và CLI. Dưới đây là ví dụ cho cả hai:

Ví dụ huấn luyện

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)

Để biết danh sách chi tiết các đối số có sẵn, hãy tham khảo trang Training.

Lợi ích của việc sử dụng bộ dữ liệu u não cho AI trong chăm sóc sức khỏe là gì?

Việc sử dụng bộ dữ liệu u não trong các dự án AI cho phép chẩn đoán sớm và lập kế hoạch điều trị u não. Nó hỗ trợ tự động hóa việc nhận diện u não thông qua computer vision, tạo điều kiện cho các can thiệp y tế chính xác, kịp thời và hỗ trợ các chiến lược điều trị cá nhân hóa. Ứng dụng này mang lại tiềm năng đáng kể trong việc cải thiện kết quả của bệnh nhân và hiệu quả y tế. Để biết thêm thông tin chi tiết về các ứng dụng AI trong chăm sóc sức khỏe, hãy xem các giải pháp chăm sóc sức khỏe của Ultralytics.

Làm cách nào để tôi thực hiện suy luận bằng model YOLO26 đã được tinh chỉnh trên bộ dữ liệu u não?

Việc suy luận bằng model YOLO26 đã được tinh chỉnh có thể được thực hiện bằng cách tiếp cận qua Python hoặc CLI. Dưới đây là các ví dụ: