مجموعة بيانات أورام الدماغ
تتكون مجموعة بيانات الكشف عن أورام الدماغ من صور طبية من فحوصات التصوير بالرنين المغناطيسي أو الأشعة المقطعية، وتحتوي على معلومات حول وجود ورم في الدماغ وموقعه وخصائصه. تعتبر هذه المجموعة ضرورية لتدريب خوارزميات الرؤية الحاسوبية لأتمتة تحديد أورام الدماغ، مما يساعد في التشخيص المبكر والتخطيط للعلاج في تطبيقات الرعاية الصحية.
شاهد: الكشف عن أورام الدماغ باستخدام Ultralytics HUB
هيكل مجموعة البيانات
تنقسم مجموعة بيانات ورم الدماغ إلى مجموعتين فرعيتين:
- مجموعة التدريب: تتكون من 893 صورة، مصحوبة بتعليقات توضيحية مقابلة.
- مجموعة الاختبار: تتكون من 223 صورة، مع إقران التعليقات التوضيحية لكل صورة.
تحتوي مجموعة البيانات على فئتين:
- سلبي: صور بدون أورام في الدماغ
- إيجابي: صور بأورام في المخ
التطبيقات
يتيح تطبيق الكشف عن أورام الدماغ باستخدام رؤية الكمبيوتر التشخيص المبكر، وتخطيط العلاج، ومراقبة تطور الورم. من خلال تحليل بيانات التصوير الطبي مثل التصوير بالرنين المغناطيسي أو الأشعة المقطعية، تساعد أنظمة رؤية الكمبيوتر في تحديد أورام الدماغ بدقة، مما يساعد في التدخل الطبي في الوقت المناسب واستراتيجيات العلاج الشخصية.
يمكن للمهنيين الطبيين الاستفادة من هذه التقنية من أجل:
- تقليل وقت التشخيص وتحسين الدقة
- المساعدة في التخطيط الجراحي عن طريق تحديد مواقع الأورام بدقة
- مراقبة فعالية العلاج بمرور الوقت
- دعم البحوث في علم الأورام وعلم الأعصاب
ملف YAML لمجموعة البيانات
يتم استخدام ملف YAML (وهي لغة ترميز أخرى) لتحديد تكوين مجموعة البيانات. يحتوي على معلومات حول مسارات مجموعة البيانات وفئاتها ومعلومات أخرى ذات صلة. في حالة مجموعة بيانات ورم الدماغ، فإن brain-tumor.yaml يتم الاحتفاظ بالملف في 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
الاستخدام
لتدريب نموذج YOLO11 على مجموعة بيانات ورم الدماغ لمدة 100 حقبة بحجم صورة يبلغ 640، استخدم مقتطفات التعليمات البرمجية المتوفرة. للحصول على قائمة مفصلة بالوسائط المتاحة، راجع صفحة التدريب الخاصة بالنموذج.
مثال على التدريب
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
مثال على الاستدلال
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"
عينات من الصور والشروحات التوضيحية
تشتمل مجموعة بيانات أورام الدماغ على مجموعة واسعة من الصور الطبية التي تعرض فحوصات الدماغ مع وبدون أورام. فيما يلي أمثلة لصور من مجموعة البيانات، مصحوبة بالشروح الخاصة بها.
- صورة الفسيفساء: معروض هنا دفعة تدريب تتكون من صور مجموعة بيانات الفسيفساء. الفسيفساء، وهي تقنية تدريب، تدمج صورًا متعددة في صورة واحدة، مما يعزز تنوع الدفعة. يساعد هذا النهج في تحسين قدرة النموذج على التعميم عبر مختلف أحجام الأورام وأشكالها ومواقعها داخل فحوصات الدماغ.
يسلط هذا المثال الضوء على تنوع وتعقيد الصور داخل مجموعة بيانات أورام الدماغ، مما يؤكد على مزايا دمج الفسيفساء خلال مرحلة التدريب من أجل تحليل الصور الطبية.
الاقتباسات والإقرارات
تم توفير مجموعة البيانات بموجب ترخيص AGPL-3.0.
إذا كنت تستخدم مجموعة البيانات هذه في عملك البحثي أو التطويري، فيرجى الاستشهاد بها بشكل مناسب:
@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/}
}
الأسئلة الشائعة
ما هو هيكل مجموعة بيانات ورم الدماغ المتوفرة في وثائق Ultralytics؟
تنقسم مجموعة بيانات ورم الدماغ إلى مجموعتين فرعيتين: تتكون مجموعة التدريب من 893 صورة مع التعليقات التوضيحية المقابلة، بينما تشتمل مجموعة الاختبار على 223 صورة مع التعليقات التوضيحية المقترنة. يساعد هذا التقسيم المنظم في تطوير نماذج رؤية كمبيوتر قوية ودقيقة للكشف عن أورام الدماغ. لمزيد من المعلومات حول هيكل مجموعة البيانات، قم بزيارة قسم هيكل مجموعة البيانات.
كيف يمكنني تدريب نموذج YOLO11 على مجموعة بيانات ورم الدماغ باستخدام Ultralytics؟
يمكنك تدريب نموذج YOLO11 على مجموعة بيانات أورام الدماغ لـ 100 حقبة بحجم صورة يبلغ 640 بكسل باستخدام طريقتي Python و CLI. فيما يلي أمثلة لكلا الطريقتين:
مثال على التدريب
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
للحصول على قائمة مفصلة بالحجج المتاحة، راجع صفحة التدريب.
ما هي فوائد استخدام مجموعة بيانات ورم الدماغ للذكاء الاصطناعي في الرعاية الصحية؟
يتيح استخدام مجموعة بيانات ورم الدماغ في مشاريع الذكاء الاصطناعي التشخيص المبكر والتخطيط للعلاج لأورام الدماغ. فهو يساعد في أتمتة تحديد أورام الدماغ من خلال رؤية الكمبيوتر، وتسهيل التدخلات الطبية الدقيقة وفي الوقت المناسب، ودعم استراتيجيات العلاج الشخصية. يحمل هذا التطبيق إمكانات كبيرة في تحسين نتائج المرضى والكفاءات الطبية. لمزيد من الأفكار حول تطبيقات الذكاء الاصطناعي في الرعاية الصحية، راجع حلول Ultralytics للرعاية الصحية.
كيف يمكنني إجراء الاستدلال باستخدام نموذج YOLO11 تم ضبطه بدقة على مجموعة بيانات أورام الدماغ؟
يمكن إجراء الاستدلال باستخدام نموذج YOLO11 تم ضبطه بدقة إما باستخدام Python أو باستخدام أوامر CLI. فيما يلي أمثلة:
مثال على الاستدلال
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"
أين يمكنني العثور على تكوين YAML لمجموعة بيانات ورم الدماغ؟
يمكن العثور على ملف تكوين YAML لمجموعة بيانات ورم الدماغ في brain-tumor.yaml. يتضمن هذا الملف المسارات والفئات ومعلومات إضافية ذات صلة ضرورية لتدريب وتقييم النماذج على مجموعة البيانات هذه.
