脑卒中 公开数据集（医学影像，脑部）（BraTS2018，ＣＱ５００，ＩＳＬＥ，ＭＲＢｒａｉｎＳ）

最新推荐文章于 2025-03-05 09:09:16 发布
最新推荐文章于 2025-03-05 09:09:16 发布
阅读量1.7w 收藏 96
点赞数 22
分类专栏： 数据集 脑卒中 医学影像
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_48335963/article/details/116457350
版权
本文介绍了多个用于脑部疾病研究的数据集，包括BraTS2018用于脑肿瘤分割，CQ500针对头部CT扫描识别出血、骨折和肿块，ISLES2018关注缺血性卒中病灶分割，MRBrainS专注于脑部多序列MRI图像分割。这些数据集提供了丰富的图像和临床信息，用于评估和改进医疗图像分析算法。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

脑卒中数据集： BraTS2018，ＣＱ５００，ＩＳＬＥ，MRBrainS, Hippocampus(MRI, 1759), Brain Hemarhage

1.BraTS2018

脑肿瘤图像分割挑战联合MICCAI会议
链接：https://grand-challenge.org/challenges/
会议为评估最好的脑肿瘤分割方法，数据集会随比赛的更新而更新（BraTS2018为目前最新数据集）。很多的数据集被公开，有5类label：脑部健康组织，坏死区，水肿区，肿瘤的加强和非加强区。所有的数据集被校准为同样的解剖模板，并且被插值为1 mm 3的分辨率。每个数据集包含增强前T1和增强后T1，T2，T2磁共振成像液体衰减反转恢复序列MRI体素。

brats 2018 training set有285个病例，每个病例有四个模态，需要分割三个部分：whole tumor, enhance tumor, and tumor core.

下面链接为BraTS2018数据集
百度网盘：
链接：https://pan.baidu.com/s/1A7xRvpNZgl-tgDnpCvU1Pg
提取码：1234

２．CQ500

头部ＣＴ扫描识别出血、骨折和肿块效应
ＣＱ５００数据集包含４９１个扫描和１９３３１７个切片
网页链接：http://headctstudy.qure.ai/
直接下载的链接：https://academictorrents.com/　网页里直接搜索ＣＱ５００即可下载

３.ＩＳＬＥ

ISLES Challenge 2018缺血性卒中病灶分割
Isles 这个挑战被组织来评估，在精确MRI扫描图像中，中风病变及临床结果预测。提供了包含大量的精确中风样例和相关临床参数的MRI扫描。训练集和测试集通过SMIR平台公开
下载链接https://www.smir.ch/ISLES/Start2018

４．MRBrainS

这个评估架构的目的是比较脑部多序列（T1加权，T1加权反转恢复，磁共振成像液体衰减反转恢复序列，FLAIR）3T MRI图像，灰质，白质，脑脊髓液的分割算法。训练集包括5个手动分割的脑部MRI图像，测试集包括15份MRI图像。
下载链接：http://mrbrains13.isi.uu.nl

脑卒中数据集还包括Hippocampus(MRI, 1759), Brain Hemarhage等

brats18:兄弟18
05-01
概要 提交2017年多模式脑肿瘤分割挑战赛（ ）。 使用基于补丁的3D U-Net模型。 该模型不是预测中心像素的类别标签，而是预测整个色块的类别标签。 滑动窗口方法用于部署中，补丁之间有重叠以平均预测值。 程式码范例 工作流程包括偏差校正，补丁提取，培训，后处理，测试和提交。 下载训练数据后，运行python bias_correction.py input_dir以基于N4ITK（ ）执行偏场校正。 校正后的数据集将与原始数据集保存在同一文件夹中。 运行python generate_patches.py input_dir output_dir生成用于培训的补丁。 要训​​练模型，请运行python main.py --train=True --train_data_dir=train_patch_dir 。 或者，您可以修改main.py的默认参数，以便仅运行python ma
疾病预测-脑中风数据集
12-14
脑中风数据集，一共有3566条数据，10个字段，包含患者性别、年龄、症状、工作类别、居住类别、是否吸烟等详细数据。使用支持向量机、决策树、逻辑回归、随机森林模型，精度都可达0.95。 ================== 脑中风又名脑卒中，是颅内血管破裂或堵塞引起的脑组织坏死进而产生的一系列症状，包括脑出血、脑梗死等。若不及时治疗，患者可能会死亡；而即使治疗及时，患者也有可能会残疾。 近年来，慢性疾病如中风、缺血性心脏病、肺癌、慢性阻塞性肺病和肝癌大幅增加，已成为中国过早死亡的主要原因。中国已经成为全球中风发病风险最高的国家，其居民中风的风险率达到了39.3%。而导致中风的原因，基本和生活习惯有关，高血压、吸烟、饮酒、高钠摄入这些都是中风的危险因素。研究显示，目前中国仅有10%到20%的中风患者可在3小时内被送到医院，治疗时间越晚，患者脑部的损害就越大。 中国高中风死亡率的现状，提醒着社会应投入更多的防控措施。《中国脑卒中防治：进展与挑战》就指出，虽然在中国，中风的发病率和患病人数都远高于心脏病，但相关医疗资源的可及性和质量水平却在32个可防控疾病中排名倒数第二。因此，预防重于治疗。
大脑CT（MRI）图像数据集
12-09
大脑CT（MRI）图像数据集，预测MGMT启动子基因的存在或缺失，共1336张图片 大脑CT（MRI）图像数据集，预测MGMT启动子基因的存在或缺失，共1336张图片 大脑CT（MRI）图像数据集，预测MGMT启动子基因的存在或缺失，共1336张图片
人脑肺炎CT图像——图像分类数据集
03-24
1. 包括患肺炎的人脑CT图像以及正常人脑图像 2. 可用于图像分类的数据 3. 仅可用于学习
天津大学研究团队重磅发布全球首个下肢运动想象多模态数据集
最新发布
脑机接口社区
03-05 1068
脑卒中后每4名幸存者中就有3人面临终身瘫痪风险，其中下肢运动功能丧失直接导致患者丧失独立生活能力。传统康复训练存在"神经激活不足-动作执行低效"的恶性循环，亟待突破性解决方案。然而，开发可靠的BCI-MI系统，并借此揭示卒中恢复过程中神经可塑性的机制，需依赖大规模数据集的支持。此类数据集需满足两大需求：一是精准捕捉脑卒中患者下肢MI的脑电特征，二是包含反映康复进程的纵向数据。天津大学的研究团队通过...
人工智能数据集（资源篇）（更新于2020.11.27）
wolf_bailang的博客
01-07 8422
记录机器学习、计算机视觉、自然语言处理、无人驾驶、医疗、金融、政府领域开源的数据集
脑中风预测数据集.rar
09-24
脑中风预测数据集.rar
Brats 2018 数据集分享
csdn_hxs的博客
03-12 9855
最近复现一些医学图像代码时，涉及到brats的数据集。 这个数据集会随着多模态脑部肿瘤分割比赛而更新，所以旧版本的数据集有时候比赛的官网下不到。 brats 2018 training set有285个病例，每个病例有四个模态，需要分割三个部分：whole tumor, enhance tumor, and tumor core. 这里分享brats 2018年比赛的数据集，两个方式，一个是百度云，一个是在百度AI studio公开的数据集，如果对你有帮助的话，给我点个赞哦，谢谢 百度云： 链接：
Nature子刊 | 一种用于急性脑卒中患者的脑电图运动成像数据集
脑机接口社区
02-21 1693
脑机接口（BCI）是一项涉及与大脑部分直接通信的技术，近年来发展迅速；它已经开始用于临床实践，如患者康复。患者脑电图（EEG）数据集对于BCI的算法优化和临床应用至关重要，但目前还很少见。我们收集了50例急性中风患者使用无线便携式生理盐水脑电图设备在执行两项任务时的数据：1)想象右手运动和2)想象左手运动。该数据集包括四种类型的数据：1)运动想象指令，2)原始记录数据，3)去除伪影和其他操作后的预...
MICCAI_BraTS2018\2019\2020数据集全部.txt
12-12
提供MICCAI_BraTS2018\2019\2020数据集百度网盘链接
脑部CT重建
04-18
用了10张脑部CT图像，matlab脚本文件，显示出三维图像。
CVDdb:脑血管病数据库-开源
05-29
我们的集成数据库模式是 Loris (http://loris.ca/, Das et al, 2011) 的附加模式，包括 3079 个主题和超过 550 个联合和可搜索的数据项，包括成像细节、病史和检查，中风和实验室详细信息，映射到大型多中心中风试验，其中包含来自 30 个国家/地区的 10,000 多名患者的影像数据。 在这里，我们提供了我们当前版本的模式和数据字典。 数据本身仅在项目开发期间供内部访问。 由 BRAINS 图像库团队开发：（http://www.brainsimagebank.ac.uk/，Job 等人，2016）Job 等人，2016 年。整个生命过程中正常结构 MRI 的脑成像库：Brain正常对象 (BRAINS) 的图像。 http://dx.doi.org/10.1016/j.neuroimage.2016.01.027 Das 等人，2011 年。LORIS：用于多中心研究的基于网络的数据管理系统。 神经信息学前沿 (5:37)。
医学图像分割数据集：BraTS 3d脑肿瘤图像、划分了2D 数据、并且划分了训练集和测试集
04-03
项目包含：BraTS 3d脑肿瘤图像、划分了2D 数据、并且划分了训练集和测试集 数据集为BRATS 3d，原始数据为nii.gz 文件，这里将数据在x轴进行切分，并且去除了前景区域不足0.03的数据，总共提取了1w多张图像 数据集总大小：162MB 数据集介绍：分为训练集、测试集 训练集：images图片目录+masks模板目录，8921张图片和8921个对应的mask图片 测试集：images图片目录+masks模板目录，3822张图片和3822个对应的mask图片 除此之外，包含一个图像分割的可视化脚本，随机提取一张图片，将其原始图片、GT图像、GT在原图蒙板的图像展示，并保存在当前目录下
BraTS2017特征提取.zip_BraTS 2017_BraTS 2017数据_BraTS2017_BraTS2017数据集
07-15
BraTS（Brain Tumor Segmentation）挑战赛是神经影像分析领域的一项重要赛事，2017年版本的BraTS数据集旨在推动脑肿瘤分割和理解的研究。这个压缩包文件“BraTS2017特征提取.zip”包含的是对BraTS 2017数据集进行...
brats大脑肿瘤分割数据集npy格式
08-07
1200个左右的 brats大脑肿瘤分割数据集npy格式 npy为brats nii.gz4模态的融合，从横断面切片，将四种模态进行融合。其中data的维度为（4，240，240），标签的维度为（240，240）
Brats2017数据集
01-06
Brats2017挑战赛的数据集，有t1,t2,tlce,flair等多个模态的数据，内附百度云下载链接
brats数据集以及其他的医学影像数据集
qq_44896301的博客
11-18 2967
脑肿瘤分割（BraTS）挑战集中于评估在多参数磁共振成像（mpMRI）扫描中分割脑肿瘤的最新方法。自成立以来，它的主要作用有两个方面：a）公开可用的数据集和b）公共基准。BraTS利用多机构术前mpMRI扫描，##说明：这个BraTS胶质瘤数据集它分年份，每一年份的数据集会有所不同，因为数据集会随着比赛的更新而更新，应该是从2012年开始的。最新的应该是2021年的。此外，为了明确该分割任务的临床相关性，BraTS 2018还通过对影像特征和机器学习（ML）算法的综合分析，重点预测患者的总体生存率。
Brats(脑肿瘤分割)2018/2019第1名分割方案
热门推荐
gefeng1209的博客
10-26 1万+
数据集简单介绍 训练集：335，验证集：125，测试集：166 标签图上的3个独立区域类别：ET(enhancing tumor)+ED(peritumoral edema)+NET(non-enhancing tumor) 评价时的3个有重叠的区域：WT(Whole Tumor)+TC(ET+NET)+ET 模态：T1,...
医学图像分割检测公开数据集
02-20
### 可用的公共医学图像分割数据集 对于从事医学图像处理的研究人员来说，获取高质量的数据集至关重要。以下是几个常用的公开可用的医学图像分割数据集： #### 1. Medical Segmentation Decathlon (MSD) Medical Segmentation Decathlon 是一项旨在推动医学影像分析领域发展的挑战赛。该比赛提供了十个不同器官和病理条件下的三维标注数据集[^1]。 #### 2. LITS (Liver Tumor Segmentation Benchmark) LITS 数据集专注于肝脏肿瘤的自动检测与分割任务。此数据集中包含了来自多中心、多种扫描仪采集得到的CT 扫描图片及其对应的专家手动勾画掩码文件。 #### 3. BRATS (Brain Tumor Segmentation Challenge) BRATS 提供了脑胶质瘤患者的MRI 图像以及由神经科医生精心制作的标准真值标签。这些资料被广泛应用于评估新的算法性能并促进跨机构间的合作研究工作。 #### 4. ISIC Archive 虽然主要针对皮肤病变分类问题设计而成，但是ISIC 归档库同样收录了一定量经过精细标记后的黑色素痣及其他皮肤病灶区域边界信息，可用于训练和测试各种类型的语义级目标识别模型。 ```python import os from glob import glob def list_datasets(): base_path = "path_to_medical_dataset_directory" dataset_names = [ 'msd', 'lits', 'brats', 'isic' ] paths = {name:glob(os.path.join(base_path, name, '*')) for name in dataset_names} return paths print(list_datasets()) ```
评论 30
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值