Link to this sectionBộ dữ liệu khối u não#

Bộ dữ liệu phát hiện khối u não bao gồm các hình ảnh y tế từ chụp 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 huấn luyện các thuật toán computer vision nhằm tự động hóa việc nhận diện khối 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 🚀

Link to this sectionCấu trúc tập dữ liệu#

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

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

Bộ dữ liệu chứa hai lớp:

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

Link to this sectionỨng dụng#

Việc áp dụng phát hiện khối u não sử dụng 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 chụp MRI hoặc CT, các hệ thống computer vision hỗ trợ xác định chính xác các khối u não, giúp can thiệp y tế kịp thời và đưa ra 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 về ung bướu và thần kinh học

Link to this sectionYAML tập dữ liệu#

Một 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. Đối với bộ dữ liệu khối 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

Link to this sectionCách sử dụng#

Để huấn luyện model YOLO26 trên bộ dữ liệu khối u não trong 100 epoch với kích thước ảnh là 640, hãy sử dụng các đoạn mã được cung cấp. Để biết danh sách chi tiết các tham số khả dụng, hãy tham khảo trang Training của model.

Ví dụ về Training

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 về Inference

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")

Link to this sectionHình ảnh mẫu và chú thích#

Bộ dữ liệu khối u não bao gồm nhiều loại hình ảnh y tế với các bản chụp 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.

Hình ảnh mẫu bộ dữ liệu khối u não

Hình ảnh Mosaiced: Hiển thị ở đây là một batch huấn luyện bao gồm các hình ảnh bộ dữ liệu đã được mosaiced. Mosaicing, một kỹ thuật huấn luyện, hợp nhất nhiều hình ảnh thành một, giúp tăng cường sự đa dạng của batch. Phương pháp này hỗ trợ cải thiện khả năng của model trong việc tổng quát hóa trên nhiều kích thước, hình dạng và vị trí khối u khác nhau trong các bản chụp não.

Ví dụ này làm nổi bật sự đa dạng và phức tạp của các hình ảnh trong bộ dữ liệu khối 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.

Link to this sectionTrích dẫn và Ghi nhận#

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 phù 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/}
}

Link to this sectionCâu hỏi thường gặp#

Link to this sectionCấu trúc của bộ dữ liệu khối u não có sẵn trong tài liệu Ultralytics là gì?#

Bộ dữ liệu khối u não được chia thành hai tập con: tập huấn luyện bao gồm 893 hình ảnh với các chú thích tương ứng, trong khi tập kiểm tra bao gồm 223 hình ảnh với các chú thích đi kèm. Việc phân chia có cấu trúc này hỗ trợ phát triển các model computer vision 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.

Link to this sectionLàm thế nào để tôi có thể huấn luyện model YOLO26 trên bộ dữ liệu khối u não bằng Ultralytics?#

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

Ví dụ về Training

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 tham số khả dụng, hãy tham khảo trang Training.

Link to this sectionNhững lợi ích của việc sử dụng bộ dữ liệu khối u não cho AI trong 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 khối u não. Nó giúp tự động hóa việc nhận diện khối u não thông qua computer vision, 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 của bệnh nhân và hiệu quả y tế. Để biết thêm thông tin về các ứng dụng AI trong chăm sóc sức khỏe, hãy xem các giải pháp chăm sóc sức khỏe của Ultralytics.

Link to this sectionLàm thế nào để tôi thực hiện suy luận (inference) bằng model YOLO26 đã được tinh chỉnh trên bộ dữ liệu khối u não?#

Suy luận bằng model YOLO26 đã tinh chỉnh có thể được thực hiện bằng phương pháp Python hoặc CLI. Dưới đây là các ví dụ: