Bỏ để qua phần nội dung

Bộ dữ liệu khối u não

Bộ dữ liệu phát hiện khối u não bao gồm các hình ảnh y tế từ quét 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 cho việc đào tạo các thuật toán thị giác máy tính để tự động xác định khối u não, hỗ trợ chẩn đoán sớm và lập kế hoạch điều trị.



Xem: Phát hiện khối u não bằng cách sử dụng Ultralytics Trung tâm

Cấu trúc tập dữ liệu

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

  • Bộ đào tạo: Bao gồm 893 hình ảnh, mỗi hình ảnh đi kèm với các chú thích tương ứng.
  • Bộ thử nghiệm: Bao gồm 223 hình ảnh, với các chú thích được ghép nối cho mỗi hình ảnh.

Ứng dụng

Việc áp 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 quét 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.

Tập dữ liệu YAML

Tệp YAML (Yet Another Markup Language) được sử dụng để xác định cấu hình tập dữ liệu. Nó chứa thông tin về đường dẫn, lớp và thông tin liên quan khác của tập dữ liệu. Trong trường hợp bộ dữ liệu khối u não, các 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 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

Sử dụng

Để đào tạo một YOLOv8n Mô hình trên bộ dữ liệu khối u não cho 100 kỷ nguyên với kích thước hình ảnh là 640, sử dụng các đoạn mã được cung cấp. Để biết danh sách chi tiết các đối số có sẵn, hãy tham khảo trang Đào tạo của mô hình.

Ví dụ về tàu hỏa

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

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")
# 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"

Hình ảnh mẫu và chú thích

Bộ dữ liệu khối u não bao gồm một loạt các hình ảnh có các loại đối tượng đa dạng và các cảnh phức tạp. Trình bày dưới đây là các ví dụ về hình ảnh từ tập dữ liệu, kèm theo các chú thích tương ứng của chúng

Hình ảnh mẫu tập dữ liệu khối u não

  • Hình ảnh khảm: Hiển thị ở đây là một lô đào tạo bao gồm các hình ảnh tập dữ liệu được khảm. Khảm, một kỹ thuật đào tạo, hợp nhất nhiều hình ảnh thành một, tăng cường sự đa dạng hàng loạt. Cách tiếp cận này hỗ trợ cải thiện khả năng của mô hình để khái quát hóa trên các kích thước đối tượng, tỷ lệ khung hình và bối cảnh khác nhau.

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 đào tạo.

Trích dẫn và xác nhận

Tập dữ liệu đã được phát hành có sẵn theo AGPL-3.0 Giấy phép.



Created 2024-03-19, Updated 2024-06-02
Authors: glenn-jocher (2), RizwanMunawar (1), Burhan-Q (1)

Ý kiến