关于数据集

🧠 BRISC 2025：用于分割和分类的脑肿瘤 MRI 数据集

BRISC是一个高质量、专家注释的 MRI 数据集，专为脑肿瘤分割和分类而设计。它解决了现有数据集（例如 BraTS、Figshare）中常见的局限性，包括类别不平衡、肿瘤焦点狭窄和注释不一致。

该数据集包括：

• 6,000 张 T1 加权 MRI 图像
• 四个类别：神经胶质瘤、脑膜瘤、垂体肿瘤和无肿瘤
• 经过医生和放射科医生验证的像素级分割掩模
• 三个解剖平面：轴向、冠状面和矢状面
• 干净、分层的训练（5,000）和测试（1,000）分割

---

📦数据集内容

BRISC 数据集分为两个主要任务：

1. 分类任务——用于多类肿瘤识别
2. 分割任务——用于像素级肿瘤区域注释

📁 文件夹描述

classification_task/

• 包含按肿瘤类别组织的子文件夹（glioma，meningioma，pituitary，no_tumor）
• 每个类文件夹都包含原始T1 加权 MRI 切片，.jpg格式如下
• 支持图像级分类模型的训练

segmentation_task/

• 包含配对 MRIimages/和相应的二进制masks/
• 所有切片均来自 T1 加权 MRI 扫描
• 掩模是由医学专家创建和验证的像素级注释
• 图像和蒙版文件名对齐

---

🧪 技术细节

• 总样本：6,000（5,000 个训练样本/1,000 个测试样本）
• 注释质量：由医学专家审核和修改
• 成像方式：仅 T1 加权 MRI
• 平面：轴向、冠状面和矢状面的平衡表示
• 肿瘤分类：四大类均衡分布

成分	例子	意义
前缀	brisc2025	数据集标识符
分裂	测试	数据拆分：train或test
指数	00010	零填充图像编号
瘤	gl	gl= 神经胶质瘤，me= 脑膜瘤，pi= 垂体
看法	斧头	ax= 轴向，co= 冠状，sa= 矢状
顺序	t1	MRI 序列（例如t1T1 加权图像）

• 示例文件名：brisc2025_test_00010_gl_ax_t1.jpg

---

🎯 为什么使用 BRISC？

• ✅ 平衡且多样化的多类别标签
• ✅ 专家精心打造的符合医学共识的分割面具
• ✅ 包括具有挑战性的真实案例和细微肿瘤
• ✅ 专为多任务学习而设计：分割+分类
• ✅ 非常适合训练具有真实世界 MRI 变异性的稳健模型

---

📈 应用程序

• 使用深度学习 进行脑肿瘤分割
• 多类分类和二元肿瘤检测
• 二维医学成像中的 跨平面泛化
• 开发神经肿瘤学的 人工智能辅助诊断工具