Conjunto de Dados de Tumor Cerebral
Um conjunto de dados de detecção de tumor cerebral consiste em imagens médicas de ressonância magnética ou tomografia computadorizada, contendo informações sobre a presença, localização e características do tumor cerebral. Este conjunto de dados é essencial para treinar algoritmos de visão computacional para automatizar a identificação de tumores cerebrais, auxiliando no diagnóstico precoce e no planejamento do tratamento em aplicações de saúde.
Assista: Detecção de Tumor Cerebral usando o Ultralytics HUB
Estrutura do Conjunto de Dados
O conjunto de dados de tumor cerebral é dividido em dois subconjuntos:
- Conjunto de treinamento: Consistindo em 893 imagens, cada uma acompanhada pelas anotações correspondentes.
- Conjunto de teste: Compreendendo 223 imagens, com anotações emparelhadas para cada uma.
O dataset contém duas classes:
- Negativo: Imagens sem tumores cerebrais
- Positivo: Imagens com tumores cerebrais
Aplicações
A aplicação da detecção de tumores cerebrais usando visão computacional possibilita o diagnóstico precoce, o planejamento do tratamento e o monitoramento da progressão do tumor. Ao analisar dados de imagem médica, como ressonância magnética ou tomografia computadorizada, os sistemas de visão computacional auxiliam na identificação precisa de tumores cerebrais, auxiliando na intervenção médica oportuna e em estratégias de tratamento personalizadas.
Profissionais médicos podem aproveitar esta tecnologia para:
- Reduzir o tempo de diagnóstico e melhorar a precisão
- Auxiliar no planejamento cirúrgico, localizando tumores com precisão
- Monitore a eficácia do tratamento ao longo do tempo
- Apoia a pesquisa em oncologia e neurologia
YAML do Conjunto de Dados
Um arquivo YAML (Yet Another Markup Language) é usado para definir a configuração do conjunto de dados. Ele contém informações sobre os caminhos, classes e outras informações relevantes do conjunto de dados. No caso do conjunto de dados de tumor cerebral, o brain-tumor.yaml arquivo é mantido em 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
Utilização
Para treinar um modelo YOLO11 no conjunto de dados de tumor cerebral por 100 épocas com um tamanho de imagem de 640, utilize os trechos de código fornecidos. Para uma lista detalhada dos argumentos disponíveis, consulte a página de Treinamento do modelo.
Exemplo de Treinamento
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
Exemplo de Inferência
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"
Amostras de Imagens e Anotações
O conjunto de dados de tumor cerebral abrange uma ampla gama de imagens médicas com exames cerebrais com e sem tumores. Apresentados abaixo estão exemplos de imagens do conjunto de dados, acompanhados de suas respectivas anotações.
- Imagem em Mosaico: Exibido aqui está um lote de treinamento composto por imagens de conjunto de dados em mosaico. O mosaico, uma técnica de treinamento, consolida várias imagens em uma, aumentando a diversidade do lote. Essa abordagem auxilia na melhoria da capacidade do modelo de generalizar em vários tamanhos, formas e locais de tumores em exames cerebrais.
Este exemplo destaca a diversidade e a complexidade das imagens dentro do conjunto de dados de tumor cerebral, enfatizando as vantagens de incorporar o mosaico durante a fase de treinamento para análise de imagem médica.
Citações e Agradecimentos
O dataset foi disponibilizado sob a Licença AGPL-3.0.
Se você usar este conjunto de dados em seu trabalho de pesquisa ou desenvolvimento, cite-o adequadamente:
@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/}
}
FAQ
Qual é a estrutura do conjunto de dados de tumor cerebral disponível na documentação da Ultralytics?
O conjunto de dados de tumor cerebral é dividido em dois subconjuntos: o conjunto de treinamento consiste em 893 imagens com anotações correspondentes, enquanto o conjunto de teste compreende 223 imagens com anotações pareadas. Essa divisão estruturada auxilia no desenvolvimento de modelos de visão computacional robustos e precisos para detectar tumores cerebrais. Para obter mais informações sobre a estrutura do conjunto de dados, visite a seção Estrutura do Conjunto de Dados.
Como posso treinar um modelo YOLO11 no conjunto de dados de tumor cerebral usando Ultralytics?
Pode treinar um modelo YOLO11 no conjunto de dados de tumor cerebral por 100 épocas com um tamanho de imagem de 640px usando os métodos Python e CLI. Abaixo estão os exemplos para ambos:
Exemplo de Treinamento
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
Para uma lista detalhada dos argumentos disponíveis, consulte a página de Treinamento.
Quais são os benefícios de usar o conjunto de dados de tumor cerebral para IA na área da saúde?
O uso do conjunto de dados de tumor cerebral em projetos de IA permite o diagnóstico precoce e o planejamento do tratamento de tumores cerebrais. Ajuda na automatização da identificação de tumores cerebrais por meio da visão computacional, facilitando intervenções médicas precisas e oportunas e apoiando estratégias de tratamento personalizadas. Esta aplicação tem um potencial significativo para melhorar os resultados dos pacientes e a eficiência médica. Para obter mais informações sobre aplicações de IA na área da saúde, consulte as soluções de saúde da Ultralytics.
Como realizar a inferência usando um modelo YOLO11 ajustado no conjunto de dados de tumor cerebral?
A inferência usando um modelo YOLO11 ajustado pode ser realizada com abordagens Python ou CLI. Aqui estão os exemplos:
Exemplo de Inferência
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"
Onde posso encontrar a configuração YAML para o conjunto de dados de tumor cerebral?
O arquivo de configuração YAML para o conjunto de dados de tumor cerebral pode ser encontrado em brain-tumor.yaml. Este arquivo inclui caminhos, classes e informações adicionais relevantes necessárias para treinar e avaliar modelos neste conjunto de dados.
