信息速览
INFOBOX — BraTioUS 一屏速览
维度 内容 本质 **脑肿瘤术中超声（ioUS / iUS）**多中心数据集——胶质瘤开颅手术中采集的二维 B-mode 影像 + 肿瘤分割掩膜 关键鉴别 术中超声，非 MRI——与 BraTS 家族（术前多模态 MRI 分割）物理模态、采集时机根本不同 规模 142 例胶质瘤患者 / 1669 张 B-mode 二维 ioUS 图像 / 1669 个分割掩膜 中心 6 家医院 / 5 个国家（西班牙、印度、法国、意大利×2、美国） 采集期 2018–2023（跨 6 年回溯性多中心采集） 模态 二维 B-mode 术中超声（单模态），NIfTI（.nii）格式 设备 ≥5 厂商：Hitachi© / Esaote© / BK© / Supersonic© / Sonowand©；线性或曲阵神经颅脑探头 标注 nnU-Net 伪标签自动生成 → 神经外科医师 ITK-SNAP v4.0.1 人工复核修正 许可 CC BY 4.0（允许含商业用途再分发与改编，仅需署名） 托管 Zenodo（首版记录 16887363 / 最新 v4 记录 20800464） 论文 Data in Brief 2026;65:112478（doi:10.1016/j.dib.2026.112478；PMID 41657404） 库内互链 BraTS 家族（brats 24 / brats-met 950 / brats-meningioma 949 等，MRI 血统对照）、UPENN-GBM、UCSF-PDGM、Ivy GAP、Rembrandt
BraTioUS（Brain Tumor Intraoperative Ultrasound）是一个把"手术台上的实时眼睛"变成公开训练资料的数据集工程：它收集了六院五国在 2018 到 2023 年间、为 142 位胶质瘤患者开颅切除肿瘤时，用术中超声探头扫出的 1669 张二维 B-mode 图像，并为每一张配上了专家逐图修正过的肿瘤分割掩膜。它要解决的问题不是"再做一个分割数据集"，而是填补一个长期空白——术中超声（ioUS）影像的公开资源极度稀缺，而这类影像恰恰是神经外科医生在手术中判断"肿瘤切干净了没有"的直接依据。
需要第一时间破除的误解是：BraTioUS 不是 BraTS。 名字里都带 “Bra”（brain），但两者属于完全不同的模态家族。BraTS 系列是术前多模态 MRI（T1、T1ce、T2、FLAIR）的脑肿瘤分割基准，图像在手术前扫描、体素是三维的、物理原理是核磁共振；而 BraTioUS 是术中二维 B-mode 超声，图像在手术进行中由超声探头贴在脑表面实时扫出，物理原理是声波反射，形态是二维灰度扇面。二者一个在"术前规划"、一个在"术中导航"，恰好构成神经肿瘤手术 AI 的上下游闭环，但数据本身绝不可互换、不可混训。
导语读法三则：
- 只想下数据：直奔 §6 获取与许可——Zenodo 公开直链、CC BY 4.0、三个 ZIP 包，无申请门槛。
- 关心数据质量与标注：直奔 §4 与 §5——nnU-Net 伪标签 + 医师复核的三段式流水线、1669 图/142 例的规模与中心分布。
- 做脑肿瘤影像 AI：直奔 §7 与 §10——与 BraTS 的模态对照、跨设备域偏移、小样本过拟合三大坑点，以及库内可互链条目。
§0 一句话速览
BraTioUS 是脑肿瘤术中超声（intraoperative ultrasound, ioUS）的多中心公开数据集：6 家医院、5 个国家的神经外科团队在 2018–2023 年间，为 142 位胶质瘤（glioma）患者开颅切除肿瘤的过程中，采集了 1,669 张二维 B-mode 术中超声图像，并为每一张图配上了经神经外科医师逐图复核修正的肿瘤分割掩膜。数据集以 CC BY 4.0 许可托管于 Zenodo，配套论文发表于 Data in Brief 2026 年第 65 卷（Article 112478）。
用一句更通俗的话说：如果 BraTS 系列记录的是"手术前医生看到脑子长什么样"，那么 BraTioUS 记录的就是"手术中医生的探头贴到脑表面、实时看到肿瘤在哪、切到哪"。前者是术前的三维核磁规划，后者是术中的二维声波哨兵。两者同属脑肿瘤影像，却是两条不可互换的技术血统。
§0.1 三条最需要记住的硬事实
- 它是超声，不是 MRI。BraTioUS 的唯一模态是二维 B-mode 超声（brightness-mode two-dimensional ultrasound）。没有 T1、没有 T1ce、没有 T2、没有 FLAIR，没有任何核磁共振体数据。
- 它是术中（intraoperative），不是术前。图像在开颅过程中由灭菌探头直接贴附于脑表面采集，反映的是脑组织在术中被牵拉、塌陷、形变之后的真实状态。
- 它的名字来自 BraTS 家族，但不是 BraTS 家族。命名上"Bra"同源（brain），但"TioUS"截取的是 Tumor Intraoperative US（ultrasound），与"BraTS = Brain Tumor Segmentation"的后缀语义完全不同。
§1 身份与命名辨析：BraTioUS 究竟是不是 BraTS 的一员？
这是本条目必须第一时间澄清的问题，因为它是读者最容易踩的认知陷阱。
§1.1 命名拆解：BraTioUS 五个字母段的来源
"BraTioUS"这个看似玄奥的拼写，实际上是五个语义单元的首字母/关键字母拼接：
| 字母段 | 展开 | 中文 | 说明 |
|---|---|---|---|
| Bra | Brain | 脑 | 与 BraTS 共享的"脑"前缀 |
| T | Tumor | 肿瘤 | 病灶对象 |
| io | IntraOperative | 术中 | 采集时机——本文最重要的区分词 |
| US | UltraSound | 超声 | 成像模态——本文第二重要的区分词 |
合起来即"脑肿瘤术中超声"（Brain Tumor Intraoperative UltraSound）。这个名字天然宣示了它的三张身份证：脑（器官域）、肿瘤（病灶域）、术中超声（模态与时机域）。
一个常见误读是把 “TioUS” 读成某个拉丁词缀或人名，进而把它当成"另一个版本号后缀"。实际它只是四个英文单词的压缩。理解这一点，就能立刻明白为何它不可能是 BraTS 的子集——BraTS 的后缀 “TS” 指向 Segmentation（分割任务），而 BraTioUS 的 “TioUS” 指向的是成像模态本身。命名逻辑的落点不同，决定了二者的血缘关系止于"都研究脑肿瘤"。
§1.2 与 BraTS 家族的模态对照（核心辨析）
BraTS（Brain Tumor Segmentation Challenge）是医学影像领域最具影响力的脑肿瘤术前多模态 MRI 分割基准系列。库内已收录的 BraTS 家族条目包括：
| 库内条目（slug / rid） | 全称语境 | 模态 | 与 BraTioUS 的关系 |
|---|---|---|---|
| brats（24） | BraTS 主系列 | 术前多模态 MRI（T1/T1ce/T2/FLAIR） | 同疾病域、异模态 |
| brats-africa（683） | BraTS-Africa | 术前多模态 MRI | 同疾病域、异模态 |
| brats-pediatric（688） | BraTS-PED | 儿童脑肿瘤术前 MRI | 同疾病域、异模态 |
| brats-meningioma（949） | BraTS 脑膜瘤子任务 | 术前多模态 MRI | 同疾病域、异模态（且病灶类型不同） |
| brats-met（950） | BraTS 脑转移瘤子任务 | 术前多模态 MRI | 同疾病域、异模态（且病灶类型不同） |
| brats-2026（931） | BraTS 2026 届 | 术前多模态 MRI | 同疾病域、异模态 |
这张表的核心信息只有一句：BraTS 家族全部是 MRI，BraTioUS 是术中超声。 把 BraTioUS 归入 BraTS 家族会犯三重错误——错在模态（超声 vs 核磁）、错在采集时机（术中 vs 术前）、错在数据维数（二维声学切片 vs 三维解剖体素）。
§1.3 为什么"同疾病域、异模态"这个区分如此重要
对做算法的读者而言，这个区分不是文字游戏，而是工程上决定模型能否复用的硬约束：
- 不可混训：MRI 的像素强度有物理量纲（质子密度、弛豫时间），超声的像素强度是声阻抗反射的回波增益，二者分布不可比。把 ioUS 图喂给在 BraTS 上预训练的 MRI 分割网络，等于让模型面对一个完全陌生的分布。
- 不可直接迁移：BraTS 的三维体数据带有层间一致性（同一患者相邻切片强相关），而 BraTioUS 是逐图独立的二维帧，采集时探头的角度、位置、压力都可能导致相邻两图毫无连续性。BraTS 上常用的 3D 滑窗、层间注意力等范式在 BraTioUS 上失去物理依据。
- 互补而非替代：BraTS 服务术前规划（切哪里、怎么进路），BraTioUS 服务术中导航（切到哪了、还剩多少）。二者在临床流程上是上下游，在数据上是两套独立资源。把它们并置阅读，恰好能勾画出"脑肿瘤手术 AI 全流程"的完整拼图。
§1.4 库内查重结论（截至成稿）
写作前对本条目 slug 与相关词根做了库内只读检索，结论如下：
%bratious%→ 0 行：库内无同名条目，无撞库风险。%ious%→ 0 行：无其他含 “ious” 词根的条目。%brat%→ 6 行：即上表所列 6 个 BraTS 家族条目，全部为 MRI 分割数据集，与 BraTioUS 模态不同，不构成重复。检索时应特别留意这一簇，避免把"brat"误判为"bratious 已存在"。- 本地目录
writing/→ 无bratious同名目录，无本地撞名。
查重判定：BraTioUS 为库内孤例，与既有 BraTS 家族形成"同域异模"的互补关系，应共存并互相指引，而非去重合并。
§2 论文与技术背景
§2.1 论文出处与索引信息
BraTioUS 的官方论文是一篇典型的 Data in Brief 数据描述文章（data descriptor），其定位不是提出新方法，而是说明一份数据集的来源、构成、标注与复用方式。
| 字段 | 值 |
|---|---|
| 期刊 | Data in Brief（Elsevier） |
| ISSN | 2352-3409 |
| 卷/文章号 | Vol 65 / Article 112478 |
| DOI | 10.1016/j.dib.2026.112478 |
| PII | S2352340926000314 |
| PMID | 41657404 |
| PMC | PMC12874095 |
| 在线发表 | 2026-01-15 |
| 开放获取日期 | 2026-01-02 |
| 许可 | 开放获取（Open Access） |
Data in Brief 是 Elsevier 面向"可复现数据"的开放期刊，专门发表数据集说明文。选择这一载体本身就传递了一个信息：BraTioUS 的首要价值在于数据本身的可获得性与可复用性，而非某篇论文的方法创新。这与它作为"公开稀缺资源填补者"的定位一致。
论文标题为 “BraTioUS: A multicenter dataset of baseline intraoperative brain tumor ultrasound images”，其中 “baseline” 一词将在 §2.4 单独讨论。
§2.2 为什么术中超声影像长期稀缺
在理解 BraTioUS 的价值之前，需要先理解它填补的是什么空白。
术中超声（ioUS）在神经外科中其实并不新鲜——它便宜、实时、可反复扫查、无电离辐射，是许多手术团队的常规导航辅助手段。但公开的 ioUS 数据集极其罕见，原因有三：
- 采集场景受限：ioUS 只在开颅手术过程中产生，数据获取依赖手术室现场、依赖术者配合，无法像 MRI 那样"排期扫描"。
- 隐私与合规门槛高：术中影像天然与具体病例、具体手术强绑定，脱敏与伦理审批流程复杂，跨机构汇集尤为困难。
- 标注成本高昂：超声图像本身对比度低、斑点噪声重，肿瘤边界判读难度远高于 MRI，需要有经验的神经外科医师逐图勾画，无法外包给普通标注员。
这三重门槛叠加，导致 ioUS 脑肿瘤影像长期停留在"各医院自产自用"的状态。BraTioUS 的核心贡献，正是用跨国多中心协作的方式，一次性跨过了这三重门槛：把六家医院的手术室数据汇聚、脱敏、标准化、专家精修，然后以 CC BY 4.0 开放出来。
§2.3 技术路线：nnU-Net 伪标签 + 神经外科医师人工精修
BraTioUS 的标注流程采用的是一种在医学影像界日益普及的**“机器预标注 + 专家精修”**两阶段范式，而非纯人工从零勾画。
第一阶段：nnU-Net 自动生成伪标签。
nnU-Net（“no-new-Net”）是医学图像分割领域一个极具影响力的自配置框架，其核心理念是"不发明新网络结构，而是让一套固定的 U-Net 骨架根据数据集特性自动决定预处理、归一化、补丁尺寸、网络深度、训练策略等所有超参数"。它之所以被选作 BraTioUS 的预标注器，原因在于：
- 开箱即用：nnU-Net 的设计目标就是"拿到一个新数据集，无需调参即可跑出接近 SOTA 的基线"。这对多中心异质数据尤其友好。
- 稳健性：其对归一化与数据增强的自动化处理，能部分吸收不同厂商超声设备的强度差异。
- 可复现：作为广泛使用的开源框架，用它生成伪标签，意味着后续研究者可以精确复现这套初始标签，从而理解专家修正的"净效应"。
nnU-Net 生成的分割结果被称为伪标签（pseudo-label），因为它来自模型预测而非人工勾画，天然带有模型偏差：在超声低对比、斑点噪声、声影遮挡的区域，自动分割很可能给出模糊甚至错误的边界。这正是第二阶段存在的理由。
第二阶段：神经外科医师用 ITK-SNAP 人工修正。
伪标签随后交由神经外科医师逐图审校。论文明确记载，人工编辑使用的工具是 ITK-SNAP v4.0.1（论文所载访问日期为 2024-11-01）。
ITK-SNAP 是一款经典的医学图像分割交互软件，提供半自动分割（如区域生长、主动轮廓）与全手动勾画能力，特别适合"在自动结果基础上快速修边"的工作流。选择它意味着：
- 专家并非从空白画布开始，而是在模型草稿上做修改，效率远高于纯手工。
- 最终的每一张掩膜都经真人过目，弥补了自动分割在难例上的系统性错误。
- 由于医师的修正只针对可见问题，伪标签中未被察觉的偏差可能部分残留——这是复用该数据集时必须意识到的质量边界（详见 §7 坑点部分）。
流程小结：原始 ioUS 图像 → nnU-Net 预配置模型推理 → 伪标签掩膜 → 神经外科医师 ITK-SNAP 复核修正 → 最终专家精修掩膜。这条"机器起草、专家定稿"的流水线，是 BraTioUS 标注质量的核心保障，也是其可复现性与可批评性的来源。
§2.4 “baseline” 一词的语义辨析
论文标题中的 “baseline intraoperative brain tumor ultrasound images” 含 “baseline” 一词，需要谨慎理解。
在医学语境中，“baseline” 通常指某个参照时点或初始状态。结合数据集采集于开颅手术过程中的事实，最合理的解读是：它指的是手术中"基线时点"采集的 ioUS 图像——即肿瘤切除前、或切除关键节点处，用于建立术中影像参照的超声快照，而非"数据集的第一版基线"这种版本含义。
需要坦承的是，论文摘要并未对 “baseline” 做逐字定义。因此本条目采用**“术中基线时点 ioUS 图像”**这一理解，并在此明确标注这是基于上下文的合理推断，而非论文原文的逐字断言。读者若需精确语义，应以论文正文为准。这一处理方式遵循"不虚构、存疑即标注"的原则。
§3 发布机构与作者团队
§3.1 跨国多中心协作：六家医院、五个国家
BraTioUS 的规模数字中，"六院五国"是最容易被写错的一项——因为它听起来像"六院六国"，但实际是意大利一国有两家医院，故国家数比医院数少一个。
| 编号 | 机构缩写 | 机构全称 | 城市 | 国家 |
|---|---|---|---|---|
| 1 | RHUH | Rio Hortega University Hospital | Valladolid | 西班牙（牵头/通讯单位） |
| 2 | TMC | Tata Memorial Center | Mumbai | 印度 |
| 3 | CHRUT | CHRU de Tours | Tours | 法国 |
| 4 | INCC | Carlo Besta Neurological Institute | Milan | 意大利 |
| 5 | UPALER | University of Palermo | Palermo | 意大利 |
| 6 | MGH | Massachusetts General Hospital | Boston | 美国 |
计数校验：机构数 = 6；国家集合 = {西班牙, 印度, 法国, 意大利, 美国}，共 5 个（意大利的 INCC 与 UPALER 两院合计为一国）。写作时统一表述为"六家医院、五个国家"，切勿写成"六国"。
这一分布本身就说明数据集的地理与临床实践多样性：既有欧洲的西班牙、法国、意大利，也有亚洲的印度与北美的美国；既有大学附属医院（RHUH、UPALER），也有专科肿瘤中心（TMC、INCC）与大型综合医院（MGH）。不同医疗体系下的手术习惯、设备选型、扫描协议差异，最终都沉淀为数据集内部的异质性——这既是它的价值，也是它的挑战。
§3.2 作者团队（14 人）
论文作者共 14 位，覆盖神经外科、神经影像与术中超声方向：
| # | 作者 | 备注 |
|---|---|---|
| 1 | Esteban-Sinovas, Olga | 通讯/联系人；ORCID 0000-0002-4917-877X |
| 2 | Sarabia, Rosario | |
| 3 | Arrese, Ignacio | |
| 4 | Singh, Vikas | |
| 5 | Shetty, Prakash | |
| 6 | Moiyadi, Aliasgar | |
| 7 | Zemmoura, Ilyess | |
| 8 | Del Bene, Massimiliano | |
| 9 | Barbotti, Arianna | |
| 10 | DiMeco, Francesco | |
| 11 | West, Timothy Richard | |
| 12 | Nahed, Brian Vala | |
| 13 | Giammalva, Giuseppe Roberto | |
| 14 | Cepeda, Santiago |
通讯作者 Esteban-Sinovas 所在单位为西班牙 Valladolid 的 Rio Hortega University Hospital（RHUH），与表中牵头单位一致。作者团队的多国构成与 §3.1 的六院五国分布相互印证——这不是单一机构的内部数据集，而是真正意义上的国际协作产物。
§3.3 领域背景
从作者构成与数据内容看，BraTioUS 处于三个领域的交叉点：
- 神经外科：数据的采集者与标注者，最了解 ioUS 在术中的实际用途与判读要点。
- 神经影像 / 医学图像分析：数据的标准化、格式转换（NIfTI）、元数据组织与算法接口设计。
- 术中超声工程：涉及多厂商设备（见 §5）、探头类型选择与声学成像参数。
这一交叉属性决定了数据集的目标用户同样是跨界的：既包括训练术中分割模型的算法团队，也包括研究术中导航与超声域自适应的临床工程人员。
§4 数据规模与构成（硬数字）
§4.1 核心规模一览
| 指标 | 数值 |
|---|---|
| ioUS 图像总数 | 1,669 张（B-mode 二维术中超声） |
| 患者数 | 142 位胶质瘤（glioma）患者 |
| 标注覆盖 | 1,669 张全部具备专家精修肿瘤分割掩膜（覆盖率 100%，无遗漏） |
| 采集年份 | 2018–2023（跨 6 年回溯性采集） |
| 采集中心 | 6 家医院 / 5 个国家 |
| 模态 | 二维 B-mode 超声（单模态） |
| 病灶类型 | 脑肿瘤（以胶质瘤为主） |
关键比值：1,669 ÷ 142 ≈ 11.75 张/例。也就是说，平均每位患者贡献约 11–12 张术中超声图。这一比值透露了数据集的采集逻辑——不是对每位患者做密集的连续扫描，而是在手术过程中截取若干有代表性的 基线帧（呼应 §2.4 对 “baseline” 的讨论）。因此图像的"帧间连续性"通常较弱，更接近一组独立快照而非一段连续视频。
§4.2 图像模态细节
- B-mode（brightness mode）：即以灰度亮度表示回波强度的二维超声成像模式，是最基础也最常用的超声显示方式。图像中亮处代表强反射界面（如组织边界），暗处代表弱反射或无反射（如液体）。
- 二维（2D）而非三维：每张图像是一个二维声学切片，切片之间没有体素层面的空间对应关系。这与 BraTS 的三维 MRI 体形成根本差异。
- 单模态：数据集不包含任何 MRI、CT 或其他模态的配准。这意味着无法直接进行"超声-核磁配准"研究，除非研究者自行采集或借助外部配准数据。
- 灰度扇面形态：由于探头阵元排列，图像常呈扇形/矩形视场，边缘为探头几何决定的视野边界，而非解剖边界。
§5 数据构成、格式与采集设备
§5.1 文件构成与体积（Zenodo 托管）
数据集在 Zenodo 上以三个 ZIP 包发布，分别承载元数据、原始超声图像与分割掩膜：
| 文件 | 内容 | 体积 | MD5 |
|---|---|---|---|
BraTioUS - Metadata.zip |
患者/图像级元数据（.xlsx） | 17.8 kB | af1c756fbe900231e2caafe5baf369b2 |
ioUS-BraTioUS-dataset.zip |
原始 B-mode 二维 ioUS 图像（NIfTI） | 239.1 MB | 516a2bad6aee7dbdba531c76cc59d960 |
tumor-segmentation-BraTioUS-dataset.zip |
专家精修肿瘤分割掩膜（NIfTI） | 3.9 MB | b6752a5c4806a62d17936353dec140eb |
| 合计 | 约 243.0 MB |
体积结构的解读：图像包（239.1 MB）与分割包（3.9 MB）体积相差约 61 倍。这一悬殊比例并不意外，却提供了一条重要线索——分割掩膜是二值或低值标签图，压缩率极高；而超声图像含丰富灰度纹理与斑点噪声，压缩率低。这从侧面印证了数据集的"图像质量真实、未做过度压缩"特性。
格式说明：全部数据以 NIfTI（.nii） 格式提供。NIfTI（Neuroimaging Informatics Technology Initiative）是神经影像领域的通用格式，可携带空间坐标信息。一张二维超声图以 NIfTI 存储时通常表现为"高度×宽度×1"的准二维体，或采用单层切片表示。元数据则以 .xlsx 电子表格形式提供，便于用常规表格工具查看与筛选。
§5.2 采集设备：多厂商混合
BraTioUS 的一个显著特点是设备来源高度多样。据论文记载，涉及至少五家厂商的超声平台：
| 厂商 | 说明 |
|---|---|
| Hitachi© | |
| Esaote© | |
| BK© | |
| Supersonic© | |
| Sonowand© |
配套使用的是灭菌神经颅脑探头，阵型包括**线阵（linear）或曲阵（curve）**两类。
为什么设备多样性既是优势也是难点：
- 优势：真实世界的手术室里本就不会只用一种超声机。多厂商数据让模型有机会学习"与设备无关的肿瘤特征"，这比单一设备数据集更贴近部署现实。
- 难点：不同厂商的分辨率、增益曲线、频率、视场角、后处理算法各不相同。同样一块肿瘤，在 Hitachi 和 BK 上可能呈现完全不同的灰度分布与边缘锐度。这构成了一道天然的域偏移（domain shift）鸿沟，任何单一模型都难以在所有设备上都保持稳定性能（详见 §7 坑点一）。
线阵与曲阵探头的混用进一步放大了异质性：线阵探头视场较窄、浅表分辨率高；曲阵探头视场较宽、深部穿透强。同一批数据里两种探头并存，意味着图像几何与覆盖范围也存在系统差异。
§5.3 标注产物与覆盖度
- 逐图分割掩膜：1,669 张图像每一张都配有对应的肿瘤分割掩膜，覆盖度 100%。
- 标注对象：肿瘤前景区域（foreground/tumor region），用于训练与评测图像分割模型。
- 标注一致性：所有掩膜都经过 §2.3 所述的"nnU-Net 伪标签 + 专家精修"流程，具备统一的标注规范背景。
- 无人为遗漏：论文与托管页均确认图像与掩膜数量一一对应（1,669 : 1,669），不存在"有图无标"或"有标无图"的错位。
元数据（.xlsx）的内容颗粒度：元数据表承载患者/图像级信息，用于按病例追溯与分层分析。需要说明的是，其具体列名（如患者 ID、中心、设备、探头、年份等字段的确切命名）在本轮核验中未逐列抓取。因此本条目仅描述到"含患者/图像级元数据"这一颗粒度，不虚构字段名。研究者使用时应以解压后的元数据表实际内容为准。
§6 获取方式与许可
§6.1 托管平台：Zenodo
BraTioUS 托管于 Zenodo——由欧洲核子研究中心（CERN）运营的开放科研数据仓储。选择 Zenodo 而非期刊附件或机构 FTP，意味着：
- 长期可用：Zenodo 为每次发布分配永久 DOI，即使未来平台变更，引用链接依然可解析。
- 版本可追溯：支持同一数据集的多版本发布，并能区分"概念 DOI"（指向整个数据集家族）与"版本 DOI"（指向某一具体快照）。
- 零门槛获取：无需注册申请、无需签署数据使用协议（DUA），任何人均可直接下载。
§6.2 标识符的"四种口径"（重要）
BraTioUS 在文献与页面中出现了多个看似不同、实则指向同一数据集的标识符。这一现象容易被误读为"数据有多个版本互相矛盾"，实则是 Zenodo 的标识体系本身存在多个层级。逐条厘清如下：
| 口径 | 标识符 | 含义 |
|---|---|---|
| 论文所载 data identification number | 10.5281/zenodo.16887362 |
论文正文给出的数据集标识号 |
| 论文所载 Direct URL | https://zenodo.org/records/16887363 |
论文正文给出的直达链接 |
| 聚合页引用 DOI | 10.5281/zenodo.16887363 |
开放数据集聚合页（nidusai）采用的 DOI |
| Zenodo 记录页 | 18130394 |
Zenodo 记录页别名入口 |
| Zenodo 最新版本页 | 20800464 |
v4 版本记录（2026-06-22 发布） |
判定：上述标识符并非彼此矛盾，而是命中同一 records 家族的四个层级——16887362 是概念/纪录级 DOI，16887363 是首个具体版本的 DOI，18130394 是记录页别名，20800464 是最新的 v4 版本页。四者共同指向同一份数据集的不同"视图"。
引用建议：正文统一采用论文所载 DOI 10.5281/zenodo.16887362，并在需要指向具体快照时附上最新版本页 20800464。这样既尊重论文的原始声明，又保证读者能定位到最新修订版。
§6.3 许可：CC BY 4.0
BraTioUS 采用 CC BY 4.0（Creative Commons Attribution 4.0 International）许可。
| 要点 | 说明 |
|---|---|
| 可商用 | 是——允许用于商业目的 |
| 可再分发 | 是——允许原样或改编后再发布 |
| 可改编 | 是——允许修改、转换、二次创作 |
| 核心义务 | 署名（Attribution）——须注明来源作者与许可 |
| 附加要求 | 若做改动，应标注已修改 |
| 是否需申请 | 否——无申请门槛，直接下载即获得授权 |
对比说明：CC BY 4.0 是开放数据许可中最宽松的一档（仅次于 CC0 公有领域）。它对企业与研究机构都友好——不需要像 CC BY-NC 那样排除商用，也不需要像某些临床数据集那样逐案申请。这使得 BraTioUS 具备了被产品化与工程化复用的法律基础。
许可出处的诚实说明：CC BY 4.0 这一事实由开放数据集聚合页（nidusai 的 “open ultrasound datasets” 页面 Licence/Access 字段）确证。本轮核验未直接抓取到 Zenodo 记录页自身的 license 字段明文。 因此严谨表述应为"CC BY 4.0（据开放数据集聚合页记载）"，并提示读者以下载页面的实际许可声明为最终准据。这一标注遵循"不把二手来源当一手断言"的原则。
§6.4 版本更新：v4 做了什么
最新版本 v4（记录 20800464，2026-06-22 发布）相较早期版本有三项主要变动：
- 标签系统复查：对分割掩膜的标签体系做了系统性核对。
- 修正约 5% 的错误标签：发现并修正了约 5% 的错误标注。
- 按每例图像数重命名文件：调整文件命名规则，使其反映每个病例所含图像数量。
对使用者的影响：
- 这三项变动说明数据集处于持续维护状态，早期下载者应注意是否有更新可用。
- "修正约 5% 标签"是一项诚实且值得注意的信息——它既说明维护方在认真纠错，也反证了初版标签中存在约 5% 的可修正错误。对于追求标注精度的训练任务，这意味着应优先使用最新版本。
- 文件重命名会影响依赖固定文件名编写的脚本，迁移到新版本时需同步调整路径解析逻辑。
§6.5 推荐引用格式
学术使用时应同时给出论文与数据集两个来源：
Esteban-Sinovas O, et al. BraTioUS: A multicenter dataset of baseline
intraoperative brain tumor ultrasound images. Data in Brief.
2026;65:112478. doi:10.1016/j.dib.2026.112478
Dataset: BraTioUS. Zenodo. doi:10.5281/zenodo.16887362
(latest version: https://zenodo.org/records/20800464)
同时引用论文与版本 DOI，是当前数据出版实践的通行规范：论文提供方法学与背景说明，数据集 DOI 提供具体数据快照的可复现锚点。
§7 评测、基准与坑点
§7.1 官方任务定位
BraTioUS 的核心任务是脑肿瘤术中超声图像分割——在二维 B-mode 图上框定肿瘤前景区域。由这一主任务派生出的下游任务包括：
- 术中肿瘤定位：帮助术者快速确认残留病灶位置。
- 切除边界判断：辅助判断"切到边界了没有"。
- ioUS 域内分割模型训练与评测：为超声域构建专用分割模型提供训练与测试数据。
- 域自适应研究：以六院五国的异质分布为舞台，研究跨设备、跨中心的模型泛化。
需要明确的是，BraTioUS 的评测指标语境是标准的分割指标族——Dice 系数、IoU（交并比）等——与 BraTS 等分割基准所用的指标族相同。但数据集本身并不附带官方排行榜（leaderboard）与逐方法的 Dice 数值（详见 §7.6）。
§7.2 天然基线锚点：nnU-Net
BraTioUS 有一个非常特殊的"基线"属性：它的标注本身就由 nnU-Net 伪标签起步（见 §2.3）。这带来一个耐人寻味的推论：
- nnU-Net 是天然的参照系：既然初始标签来自 nnU-Net，那么在 BraTioUS 上评测 nnU-Net 就有"部分自证"的意味——但要小心，最终标签经过了专家修正，因此 nnU-Net 的原始输出与最终标签之间存在系统差异，这个差异恰好量化了"人工修正的净贡献"。
- 不构成性能上限：不要把 nnU-Net 当作"到达专家水平"的标杆。更合理的定位是：它是一个可复现的起点，任何新方法都应至少显著优于它才有意义。
- 建议的诚实表述：BraTioUS 未发布官方 SOTA 排名，nnU-Net 应被理解为"数据集自带流程中的预标注器兼合理基线"，而非官方认证的冠军或下限。
§7.3 坑点一：跨设备域偏移（多厂商异质性）
问题：数据集混用 Hitachi、Esaote、BK、Supersonic、Sonowand 至少五家厂商设备，并混用线阵与曲阵探头。不同设备的分辨率、增益、频率、视场角、后处理差异显著。
后果：同一模型在 A 设备上表现优异，迁移到 B 设备可能大幅下降。若训练/测试划分不当（如按图像随机划分而非按设备/中心划分），会产生虚假的高性能——模型记住了设备特征而非肿瘤特征。
应对：优先采用按中心或按设备划分的留一验证，而非简单随机划分；引入域自适应或域泛化方法；报告中显式说明设备构成。
§7.4 坑点二：跨中心异质性（六院五国）
问题：数据来自 6 家医院、5 个国家，各中心的手术习惯、扫描协议、操作者经验、患者人群均不同。
后果：中心间存在采集协议偏移与患者分布偏移。某些中心可能贡献了不成比例的图像量，导致模型偏向主导中心。
应对：如元数据提供中心标签，应做分层抽样与分层评估；报告各中心的表现而非仅报告总体指标；警惕"总体好看、少数中心崩塌"的假象。
§7.5 坑点三：超声固有成像难点
问题：超声成像本身存在一系列 MRI 不会遇到的物理限制：
- 斑点噪声（speckle）：相干波干涉产生的颗粒状噪声，会模糊组织边界。
- 低对比度：肿瘤与周围脑组织的声学阻抗差异有限，边界不如 MRI 清晰。
- 声影（acoustic shadowing）：强反射体后方形成暗区，可能掩盖病灶。
- 探头压迫形变：术中探头贴附脑表面会造成组织形变，改变解剖形态。
后果：肿瘤边界判读难度显著高于 MRI，是标注分歧与模型误差的主要来源。这也是 BraTioUS 需要"专家精修"而非纯自动标注的根本原因。
应对：预处理阶段的去噪与增强需谨慎（可能同时抹掉弱边界）；评测时应关注边界区域的误差分布，而非仅看整体 Dice。
§7.6 坑点四：伪标签偏差的残留
问题：标签由 nnU-Net 伪标签起步，尽管经专家复核，但专家只修正了他们察觉到的问题。未被察觉的伪标签偏差可能部分残留。
证据：v4 版本明确记载"修正约 5% 的错误标签"——这直接说明初版存在可修正的错误，且这类错误是在发布之后才被系统发现的。
后果：把掩膜当作"绝对真值"可能引入难以察觉的偏差，尤其在不常见病例或难例上。
应对：使用最新版本（v4）；对精度敏感的研究可考虑引入人工复核子集做质量评估；在论文中说明标注来源与可能的偏差方向。
§7.7 坑点五：小样本与过拟合风险
问题：总量 1,669 张图、142 例患者，对深度模型而言规模偏小。且平均每例约 11.75 张图，同一患者的多张图高度相关。
后果：若按图像随机划分训练/测试集，同一患者的图像会同时出现在两侧，造成数据泄漏，测试性能虚高。这是医学影像小数据集最常见的陷阱之一。
应对：必须采用按患者划分（patient-level split），确保同一患者的图像只出现在训练集或测试集中；使用交叉验证并报告方差；警惕单一划分下的偶然高分。
§7.8 坑点六：二维帧的独立性——不可照搬 BraTS 的 3D 范式
问题：BraTioUS 是逐帧独立的二维图像，不具备 BraTS 那种"同一患者三维体数据内相邻切片强相关"的结构。
后果：从 BraTS 生态迁移过来的 3D 分割范式（如 3D U-Net、层间注意力、三维滑窗推理）在 BraTioUS 上失去物理依据。强行把不连续的二维帧拼成"伪三维体"会引入错误的空间先验。
应对：采用面向二维图像的分割范式（2D 网络、逐图推理）；如确需多帧信息，应基于元数据做真实病例级别的聚合，而非假设帧序即空间序。
§7.9 坑点七：标签类型单一——仅覆盖胶质瘤
问题：数据集覆盖的是胶质瘤（glioma），不包含脑膜瘤、脑转移瘤、垂体瘤等其他颅内肿瘤类型。
后果：模型在 BraTioUS 上训练后，不能直接推广到其他肿瘤类型的 ioUS 分割；库内 brats-meningioma（949）、brats-met（950）等条目覆盖的正是这些缺失类型（但均为 MRI）。
应对：明确声明适用域为胶质瘤；跨肿瘤类型应用需额外标注或迁移学习；对照阅读 BraTS 系列的相应子任务以理解类型覆盖的互补性。
§7.10 坑点八：中心贡献不均衡（元数据未逐中心披露）
问题：论文未逐中心披露各自贡献的图像数量。六家医院的贡献可能高度不均衡。
后果：数据集的"多中心"标签可能名不副实——若某中心贡献了绝大多数图像，则所谓"多中心多样性"实际有限，跨中心泛化评测的统计效力也会打折扣。
应对：使用元数据表自行统计各中心的图像数与病例数；在评估跨中心泛化时，注意样本量少的中心其指标置信区间较宽；将分布信息作为数据处理的一部分予以报告。
§7.11 外部方法学上下文
BraTioUS 并非孤立的术中超声工作，论文页列出了若干关联研究，构成 ioUS 脑肿瘤分析的方法学语境：
| 关联论文 DOI | 语境 |
|---|---|
10.3390/cancers17020280 |
ioUS 相关研究 |
10.3390/cancers17020315 |
ioUS 相关研究 |
10.1016/j.compbiomed.2025.110481 |
计算生物医学方法 |
此外，Cepeda S.、Dixon L.、Weld A.、Anichini G.、Giannarou S. 等研究者的相关工作，共同构成了"术中超声脑肿瘤分析"这一新兴方向。BraTioUS 的定位，正是为该方向提供首个大规模多中心公开基准。
§7.12 关于"未获统一排行榜"的诚实说明
本轮核验未检索到论文或 Zenodo 页面公布的官方 leaderboard 与逐方法 Dice 数值。因此：
- 本条目不虚构任何指标排名或"某方法在 BraTioUS 上达到 XX% Dice"的表述。
- 正文只陈述事实性锚点：“标注流程基于 nnU-Net 伪标签 + 专家精修”。
- 有意评测 BraTioUS 的研究者，应自行建立可复现的实验协议，并明确说明划分方式（患者级 / 中心级）。
这一处理遵循数据条目的基本伦理：没有证据的数字，不写。
§8 上下游与目标用户
§8.1 目标用户画像
| 用户类型 | 关注点 | 对应章节 |
|---|---|---|
| 术中影像 AI 研究者 | 分割模型训练、域自适应 | §5、§7 |
| 神经导航开发者 | 术中实时定位、边界判断 | §0、§7 |
| 医学图像分割团队 | 数据规模、标注质量、划分规范 | §4、§5、§7 |
| 神经外科临床研究者 | 术式评价、切除程度分析 | §3、§9 |
| 超声图像分析研究者 | 斑点噪声、低对比、声学伪影 | §4、§7 |
§8.2 在脑肿瘤手术 AI 全流程中的位置
如果把脑肿瘤手术的 AI 辅助看作一条链路：
术前规划 ──► 术中导航 ──► 术后评估
│ │ │
BraTS 系列 BraTioUS 随访影像
(多模态 MRI) (术中超声) (MRI/CT)
(三维体素) (二维实时) (纵向对比)
BraTioUS 填的是中间那一格。长期来看，术前 MRI（BraTS）与术中 ioUS（BraTioUS）的跨模态配准与联合建模，是一个既有临床价值又有方法学挑战的方向——它要求模型理解"核磁切片上的肿瘤"与"超声扇面上的同一肿瘤"之间的几何与语义对应关系。BraTioUS 提供了其中一半的基础设施。
§8.3 与库内其他条目的互链关系
- 同疾病域、异模态（首要对照簇）：brats（24）、brats-africa（683）、brats-pediatric（688）、brats-meningioma（949）、brats-met（950）、brats-2026（931）——全部为 MRI 分割，用作模态对照。
- 同模态/近邻模态候选：与超声、术中、分割相关的库内条目（如 ISLES 卒中影像、胎儿超声类数据集等），可在成稿前以 DB 只读查询确认 rid 后互链，切勿张冠李戴。
- 分割方法论参照：医学图像分割类基准（如多器官分割、血管分割、眼底分割数据集），可作为方法迁移的类比对象。
互链时的纪律：引用库内条目一律以"slug（rid）"格式标注，rid 须以写作前的 DB 只读查询结果为准。库内 brats 系列的 rid 已在 §1.2 表中列明并复核。
§9 临床与科研价值
§9.1 为什么术中超声值得被 AI 关注
术中超声（ioUS）在现代神经外科中的角色，可以用一句话概括：它是手术中唯一"实时、可重复、低成本、无辐射"的影像反馈手段。
- 实时：与术前 MRI 不同，ioUS 反映的是此刻脑组织的状态。开颅后脑组织会因压力变化而移位（brain shift），术前 MRI 的空间对应关系可能失效，而 ioUS 能即时更新。
- 可重复：肿瘤切除过程中可多次扫查，随时回答"还剩多少"的问题。
- 低成本且无辐射：相比术中 MRI（iMRI）动辄需要专门手术室与昂贵设备，ioUS 只需一台可移动超声机与灭菌探头。
- 操作门槛相对低：神经外科医师可在术中自行操作，不必等待影像科排队。
正是这些优势，让 ioUS 成为许多医院——尤其是资源有限地区——的首选术中导航手段。但长期缺少公开数据的现实，使得该方向的 AI 研究进展远慢于 MRI 方向。BraTioUS 的价值，正是在这里。
§9.2 三重未被满足的需求
BraTioUS 之所以值得单独建档，是因为它同时回应了三类长期未被满足的需求：
需求一：术中影像分析缺少公开训练数据。
在 BraTioUS 之前，研究者若想训练"术中超声肿瘤分割"模型，几乎只能依赖本院自采数据——数据量小、不可发表、无法对比。BraTioUS 把这一基础设施公开化。
需求二：超声 AI 缺少多中心多样性。
单一医院的超声数据，设备型号、操作习惯、患者人群都高度同质，训出的模型"出门就废"。BraTioUS 六院五国的构成，逼着模型面对真实世界的异质性。
需求三：术前-术中跨模态研究缺少中间桥梁。
术前 MRI（BraTS）与术中超声之间，需要可公开、可复现的数据来支撑配准与联合建模研究。BraTioUS 补上了术中超声这一端。
§9.3 可复现性设计
BraTioUS 在可复现性上的几处设计值得单独指出：
- 提供 MD5 校验值：三个 ZIP 包各自附带 MD5（见 §5.1），下载者可验证文件完整性，避免因传输损坏导致的实验差异。
- 公开元数据表：.xlsx 使研究者能复现特定的子集划分（如按中心、按年份），而非只能使用"全量随机划分"这一种方式。
- 版本化发布：Zenodo 的版本机制让"我在哪个版本上做的实验"变得可追溯——这在数据集会持续修订的情况下尤为关键。
- 明确标注流程：论文详细说明 nnU-Net + ITK-SNAP 的流水线，使标注过程本身可被理解、复现甚至改进。
§9.4 使用建议清单
面向准备使用 BraTioUS 的研究者，给出如下操作建议：
- 下载最新版本：优先使用 v4（记录
20800464），因其包含约 5% 标签纠错。 - 校验完整性：用论文/页面公布的 MD5 核对三个 ZIP 包。
- 按患者划分数据集：杜绝同一患者的图像跨训练/测试集（§7.7）。
- 按中心/设备分层评估：报告各子群的性能，而非仅报总体指标（§7.3、§7.4）。
- 声明模态边界：论文中明确"本研究基于二维 B-mode ioUS，结论不适用于 MRI 场景"。
- 声明病灶域边界：明确"仅覆盖胶质瘤"（§7.9）。
- 同时引用论文与数据集：给出论文 DOI 与 Zenodo 版本 DOI（§6.5）。
- 标注可能残留的伪标签偏差：在局限性部分说明标注来源（§7.6）。
§9.5 局限性与边界（诚实清单）
任何数据集条目都必须坦诚说明自己的边界。BraTioUS 的局限包括：
| 类别 | 局限 |
|---|---|
| 模态 | 仅二维 B-mode 超声，无 MRI/CT 配准；无法直接支持跨模态研究 |
| 维数 | 二维独立帧，无三维体一致性；不可照搬 BraTS 3D 范式 |
| 病灶 | 仅胶质瘤，不含脑膜瘤、转移瘤等 |
| 规模 | 142 例 / 1,669 图，对深度模型偏小，过拟合风险高 |
| 标注 | 伪标签起步 + 人工精修，可能残留未察觉偏差；v4 曾修正约 5% 标签 |
| 设备 | 多厂商混用，域偏移显著；跨设备泛化困难 |
| 分布 | 各中心贡献量未逐中心披露，可能存在不均衡 |
| 语义 | 标题 “baseline” 的确切含义论文未逐字定义 |
| 许可 | CC BY 4.0 由聚合页确证，Zenodo 页面 license 字段未在本轮直接抓取 |
| 基准 | 无官方 leaderboard 与逐方法指标，无认证的 SOTA |
这份清单不是对数据集的贬低，而是对其使用边界的准确刻画。 一个数据集的价值恰恰由其边界的清晰程度决定——知道自己不能做什么，才知道能可靠地做什么。
§9.6 与 BraTS 家族的对照总结（回扣 §1）
回到本条目反复强调的核心区分，用一张表做最终收束：
| 维度 | BraTS 家族（brats 24 等） | BraTioUS |
|---|---|---|
| 物理模态 | 核磁共振（MRI） | 超声波（Ultrasound） |
| 成像原理 | 质子弛豫信号 | 声波界面反射 |
| 采集时机 | 术前 | 术中 |
| 数据维数 | 三维体素 | 二维独立帧 |
| 模态数 | 多模态（T1/T1ce/T2/FLAIR） | 单模态（B-mode） |
| 典型噪声 | 低（几何稳定） | 斑点噪声、声影、形变 |
| 临床角色 | 术前规划 | 术中导航 |
| 病灶覆盖 | 胶质瘤 + 脑膜瘤 + 转移瘤等 | 仅胶质瘤 |
| 标准任务 | 三维多标签子区分割 | 二维肿瘤区域分割 |
一句话结论：BraTS 是"术前看到什么"，BraTioUS 是"术中看到什么"；一个是磁，一个是声；一个是三维，一个是二维。它们是互补的两半，不是彼此的副本。
§10 总结与检索指引
§10.1 一句话定位
BraTioUS 是首个公开的多中心脑肿瘤术中超声（ioUS）基线图像数据集——1,669 张二维 B-mode 术中超声图、142 例胶质瘤患者、六院五国、2018–2023 采集、逐图专家精修分割掩膜、CC BY 4.0 于 Zenodo 开放获取、配套论文发表于 Data in Brief 2026;65:112478。
§10.2 五条核心结论
- 模态身份：术中二维 B-mode 超声，非 MRI，与 BraTS 家族必须严格区分（§1）。
- 数据规模：1,669 图 / 142 例 / 6 院 / 5 国 / 2018–2023（§4）。
- 标注方法：nnU-Net 伪标签 + 神经外科医师 ITK-SNAP v4.0.1 精修（§2.3、§5.3）。
- 获取与许可：Zenodo 公开下载，CC BY 4.0，约 243 MB 三个 ZIP 包（§5.1、§6）。
- 主要坑点：跨设备域偏移、跨中心异质性、超声固有噪声、伪标签残留、小样本泄漏、二维范式不可照搬、病灶类型单一、中心分布不均衡（§7）。
§10.3 关键数字速查表
| 数字 | 含义 |
|---|---|
| 1,669 | ioUS 图像总数 |
| 142 | 胶质瘤患者数 |
| ≈11.75 | 平均每例图像数（1669/142） |
| 6 / 5 | 医院数 / 国家数 |
| 2018–2023 | 采集年份跨度（6 年） |
| 5 | 超声设备厂商数（Hitachi/Esaote/BK/Supersonic/Sonowand） |
| 14 | 论文作者数 |
| 243.0 MB | 数据总体积 |
| 3 | ZIP 包数量 |
| 100% | 标注覆盖率 |
| ≈5% | v4 修正的错误标签比例 |
| 4.0.1 | 人工精修所用 ITK-SNAP 版本 |
§10.4 关键标识符速查表
| 标识 | 值 |
|---|---|
| 论文 DOI | 10.1016/j.dib.2026.112478 |
| 论文 PII | S2352340926000314 |
| PMID | 41657404 |
| PMC | PMC12874095 |
| 数据集 DOI（论文所载） | 10.5281/zenodo.16887362 |
| 数据集直链（论文所载） | https://zenodo.org/records/16887363 |
| Zenodo 最新版本页 | 20800464（v4） |
| Zenodo 记录页别名 | 18130394 |
| 期刊 | Data in Brief 2026;65:112478 |
| 许可 | CC BY 4.0 |
§10.5 检索关键词建议
面向希望深入检索 BraTioUS 相关文献的读者：
- 数据集名：
BraTioUS、BraTioUS dataset - 模态：
intraoperative ultrasound、ioUS、iUS、B-mode ultrasound - 任务：
brain tumor segmentation、intraoperative tumor delineation、glioma segmentation - 方法：
nnU-Net、pseudo-labeling、ITK-SNAP - 临床：
neuronavigation、brain shift、glioma resection - 主题词：
neuro-oncology、medical image segmentation、domain shift
§10.6 库内互链索引
| 类型 | 条目（slug / rid） | 关系 |
|---|---|---|
| 同域异模·主系列 | brats（24） | 脑肿瘤 MRI 分割 |
| 同域异模·区域 | brats-africa（683） | 脑肿瘤 MRI 分割（非洲） |
| 同域异模·儿科 | brats-pediatric（688） | 儿童脑肿瘤 MRI 分割 |
| 同域异模·病种 | brats-meningioma（949） | 脑膜瘤 MRI 分割 |
| 同域异模·病种 | brats-met（950） | 脑转移瘤 MRI 分割 |
| 同域异模·届次 | brats-2026（931） | BraTS 2026 届 MRI 分割 |
说明：以上 rid 均来自写作前的库内只读查询，已复核。其他可能相关的超声/术中/分割类条目，应在实际引用前再次核对 rid，避免张冠李戴。
§10.7 存档说明与遗留疑点
本条目在写作过程中严格遵守"三源互证、存疑标注"原则。以下为本轮核验中未能完全闭合的问题，如实列示：
- 无官方排行榜：未检索到论文/Zenodo 公布的 leaderboard 与逐方法 Dice 数值，故正文不写任何排名或对比指标。
- 许可原始出处：CC BY 4.0 由聚合页确证，Zenodo 记录页 license 字段本轮未直接抓取明文。
- “baseline” 语义：论文未逐字定义，正文按"术中基线时点"理解并已标注为推断。
- 元数据字段：.xlsx 具体列名未逐列抓取，正文仅描述到"患者/图像级元数据"颗粒度。
- Zenodo 标识多口径：
16887362/16887363/18130394/20800464四者非矛盾，已在 §6.2 逐条厘清。 - 中心贡献分布：论文未逐中心披露图像数量，分布均衡性未知。
以上六点均有据可查，未做任何虚构填充。读者如需精确信息，应以论文原文与 Zenodo 页面为最终准据。
§10.8 阅读路径推荐
- 新手快速上手：§0 → §6 → §5.1（先拿到数据）。
- 算法研究者：§4 → §5 → §7（先理解数据，再理解坑）。
- 临床研究者：§3 → §9（先看谁做的，再看有什么用）。
- 写综述的人：§1 → §7 → §10（先破除误解，再理解边界）。
- 只想引用的人：§10.4（标识符速查表）。
§10.9 结语
BraTioUS 的意义不在于它有多大——1,669 张图、142 例患者，在动辄数万例的 MRI 数据集面前并不算庞大。它的意义在于它出现的位置：术中超声这个长期被数据荒漠笼罩的领域，终于有了一份公开、多中心、专家标注、许可清晰的基础资源。
对神经外科医生而言，这意味着"手术台下那双眼睛"终于有了被算法学习的可能；对算法研究者而言，这意味着一个真实、异质、带坑的战场——它不会让你刷出漂亮的榜单分数，但会让你真正面对临床部署时会遇到的一切：设备不同、中心不同、噪声不同、样本有限。
BraTS 教你如何在术前理解肿瘤；BraTioUS 教你如何在术中面对它。
§8 生态、应用与影响
§8.1 临床与科研定位
BraTioUS 处于神经肿瘤外科与医学影像 AI的交叉点。其应用谱系可大致分为四层：
- 术中肿瘤分割：最直接的应用。训练模型在术中实时勾勒肿瘤边界，辅助术者判断切除范围。
- 残余肿瘤检测：结合配准与增量扫查，识别切除后残留的肿瘤组织，服务于最大安全切除目标。
- 神经导航增强：术中超声可与神经导航系统结合，补偿脑移位带来的术前 MRI 失准。
- 影像分析方法研究：作为超声域的实验床，研究跨设备泛化、伪标签校正、半监督学习等通用问题。
§8.2 对脑肿瘤影像 AI 的填补意义
在 BraTioUS 之前，脑肿瘤影像 AI 的数据资源分布严重失衡：MRI 侧有 BraTS 等成熟基准，超声侧却近乎空白。这种失衡导致一个后果——几乎所有脑肿瘤分割 AI 都建立在术前 MRI 上，而真正决定手术成败的术中信息反而缺少数据支撑。BraTioUS 以 1669 张带专家掩膜的 ioUS 图像，为"术中 AI"这一环节补上了公开数据的地基。
§8.3 多中心异构性的双重价值
BraTioUS 的六中心五国结构带来两类价值：
- 科研价值：天然的多域数据集，是域自适应、域泛化研究的现成素材。研究者可以按中心划分做留一中心验证（leave-one-center-out），直接量化跨中心泛化差距。
- 公平性价值：跨国家、跨种族人群的数据有助于检验模型在不同人群上是否存在偏倚——这是单一中心数据集无法回答的问题。
§8.4 与产业界的接口
CC BY 4.0 许可使 BraTioUS 可以被商业主体自由使用（含商用）。这为术中超声 AI 医疗器械的开发提供了合法的公开训练资源。潜在的产业方向包括：术中超声增强软件、AI 辅助神经导航、便携式超声的智能判读模块等。相比研究用途受限的数据集，BraTioUS 的开放许可显著降低了产业转化的法律门槛。
§8.5 已产生的学术引用痕迹
截至 2026 年 10 月的公开计量数据，BraTioUS 的 PlumX 记录显示 0 次引用、5 次捕获（captures）/读者（readers），Mendeley 收录 5 次。这说明该数据集作为 2026 年初发布的新资源，尚处于被研究社区采纳的早期阶段。随着论文传播，其引用量预期将随术中超声 AI 研究的升温而增长。Zenodo 记录关联的多篇 Cancers / CBM 论文（§6.5）表明其方法学生态已开始形成。
§9 库内关系与互链点
§9.1 与 BraTS 家族的对照关系（核心互链叙事）
BraTioUS 与千方病案医数集库内的 BraTS 家族构成"术前 MRI ↔ 术中超声"的模态对照轴，这是最有价值的互链叙事：
| 库内条目 | rid | 模态与定位 | 与 BraTioUS 的关系 |
|---|---|---|---|
| brats | 24 | MRI 多模态脑肿瘤分割基准 | 术前 MRI 对照，互为补充 |
| brats-met | 950 | MRI 脑转移瘤分割 | 同为肿瘤但模态不同 |
| brats-meningioma | 949 | MRI 脑膜瘤分割 | 肿瘤类型互补（BraTioUS 仅胶质瘤） |
| brats-africa | 683 | MRI 脑肿瘤（非洲队列） | 人群/地域互补 |
| brats-pediatric | 688 | MRI 儿童脑肿瘤 | 年龄层互补（BraTioUS 为成人） |
| brats-2026 | 931 | MRI 脑肿瘤最新届 | 同域最新基准 |
互链要点：所有 BraTS 条目都是 MRI、术前、三维；BraTioUS 是超声、术中、二维。 在跨条目的推荐系统中，应把这条"模态差异"作为首要消歧信息展示，避免用户误以为 BraTioUS 是 BraTS 的又一代版本。
§9.2 脑肿瘤影像邻近条目
除 BraTS 家族外，库内还有若干脑肿瘤影像条目与 BraTioUS 主题邻近：
- topbrain2026（rid 632）：脑肿瘤相关影像条目，可在"脑肿瘤影像"聚合页共现。
- upenn-gbm / ucsf-pdgm：胶质母细胞瘤（GBM）MRI 数据集，与 BraTioUS 同属胶质瘤谱系，但模态为 MRI。
- ivy-gap / rembrandt：胶质瘤基因表达与影像配对数据集，可从"胶质瘤多组学—影像"角度互链。
§9.3 术中/手术影像族
BraTioUS 属于"术中影像"大类，库内与之同族的条目包括：
- cholecseg8k / cholect50：腹腔镜胆囊切除手术视频与器械标注；
- cataracts / cataract-101：白内障手术视频；
- endoscapes：腹腔镜手术场景理解；
- pitvis：垂体手术视频；
- jigsaws / autolaparo：机器人辅助手术技能与场景数据。
互链价值：这些条目共同构成"术中视觉 AI"的资源星系，BraTioUS 是其中唯一聚焦术中超声（而非光学内窥镜/外部摄像）的成员，模态上具有独特性。
§9.4 超声模态族
库内的超声类条目与 BraTioUS 共享成像模态：
- busi：乳腺超声病灶分割；
- acouslic-ai：胎儿超声采集质量与帧识别；
- psi-ava / psfhs：超声相关妇产/骨盆数据。
互链价值：这些条目可归入"超声影像 AI"聚合，BraTioUS 是其神经超声方向的代表。
§9.5 建议互链点汇总
综合以上，建议在发布条目中加入以下互链（按优先级）：
- brats（rid 24）——最重要的模态对照锚点；
- brats-met（rid 950）、brats-meningioma（rid 949）——肿瘤类型对照；
- topbrain2026（rid 632）——脑肿瘤影像聚合；
- upenn-gbm、ucsf-pdgm——胶质瘤谱系；
- busi、acouslic-ai——超声模态聚合。
§10 使用坑点与注意事项
以下坑点均基于 BraTioUS 的实际数据特征与医学影像 AI 的通用实战教训整理，编号制，供使用者在实验中对照规避。
坑点 1：把 BraTioUS 误当作 BraTS 的变体
现象：仅凭名字里的 “Bra” 就以为是 BraTS 家族又一版，直接把 BraTS 的 MRI 分割模型或数据处理流程套用过来。
后果：模态完全不兼容——MRI 是三维多模态体素，ioUS 是二维单通道灰度超声。预处理（如 Z-score per modality）、通道数、评估口径全部错位，模型无法收敛或结果毫无意义。
规避：牢记 §0.3 的模态对照表。BraTioUS 是术中超声、二维、单模态。从头选择适配超声的预处理（如灰度归一化、直方图均衡）与网络配置。
坑点 2：按图像随机划分导致数据泄漏
现象：用 train_test_split 对 1669 张图像做随机划分，把同一患者的多张图像同时分进了训练集和测试集。
后果：同一患者的图像高度相似，模型在测试集上"见过"该患者，Dice 虚高，跨患者泛化能力被严重高估。
规避：必须按病例（case）划分。先从元数据表取得 case_id，对 case 做划分，再按 case 分配其全部图像。若做多折交叉验证，同样以 case 为最小单位。
坑点 3：忽视标签噪声，把真值当绝对真理
现象：假设 1669 个掩膜是"完美真值"，追求 Dice→1.0。
后果：2026-06-22 的更新明确修正了约 5% 的标签错误，说明真值本身含噪。盲目追求与含噪真值的高一致，可能是在拟合标签噪声而非学习肿瘤边界。
规避：把标签视为"专家精修但仍不完全可靠"的近似真值。在报告中讨论标签不确定性，必要时做标签噪声鲁棒性实验（如对掩膜做轻微扰动看模型稳定性）。
坑点 4：无视跨设备域偏移，单中心训练全量评测
现象：随机抽一部分图像训练，在剩余图像上评测，然后宣称模型"泛化良好"。
后果：BraTioUS 的图像来自 ≥5 家厂商、6 个中心。随机划分掩盖了域偏移，模型在真正的跨中心场景（如训练不含 MGH、测试含 MGH）可能大幅掉点。
规避：至少做一次留一中心验证（leave-one-center-out），单独报告跨中心性能。这才是 BraTioUS 多中心设计想要检验的能力。
坑点 5：样本量小却训练超大模型，过拟合而不自知
现象：142 例 / 1669 图的数据量下，直接训练参数量巨大的分割大模型，且不做正则化。
后果：训练损失快速下降、验证损失上升，模型记住训练集但泛化差。小样本是 BraTioUS 的固有约束，超大模型在此极易过拟合。
规避：优先使用医学影像领域成熟的轻量架构（如 nnU-Net 家族）或预训练模型微调；使用强数据增强、早停、交叉验证；报告多折结果而非单次最优。
坑点 6：中心贡献不均衡导致测试集偏斜
现象：假设各中心贡献图像数相近，直接随机划分，实际某中心可能贡献了远超其他中心的图像。
后果：测试集被主导中心"刷高"，跨中心评测失真；少样本中心的性能可能被完全掩盖。
规避：先从元数据表统计各中心图像数，做分层划分（stratified split），确保每个中心在各子集中都有代表。对少数中心样本可考虑重采样或专门的评估报告。
坑点 7：混淆"术中超声"与"术中 MRI"
现象：把 BraTioUS 与术中 MRI（iMRI）数据集混为一谈，或认为二者可互相替代。
后果：术中 MRI 是三维高分辨率但设备昂贵、流程复杂；术中超声是二维、便携、廉价但分辨率与视野受限。二者的数据格式、分辨率、应用流程均不同，混用会导致方法论错位。
规避：明确 BraTioUS 是**超声（ultrasound）**而非 MRI。在方法学讨论中不要把 iMRI 的结论直接迁移到 ioUS。
坑点 8：以过时版本（非 v4）做实验并引用旧 DOI
现象：引用论文标注的首版记录号（16887363）下载数据，却不知 2026-06-22 已有 v4 标签纠错。
后果：使用的标签含约 5% 的已知错误未被修正，结果与使用最新版的研究不可比。
规避：始终从 Zenodo **最新版（v4，记录 20800464）**下载，核对 md5（§5.1）。引用时双写首版与最新版 DOI，说明所用版本。
§10.9 坑点速查表
| 编号 | 坑点 | 一句话规避 |
|---|---|---|
| 1 | 误当 BraTS 变体 | 记住是二维单模态超声，不是 MRI |
| 2 | 按图像划分泄漏 | 必须按 case 划分 |
| 3 | 忽视标签噪声 | 5% 纠错率，真值非完美 |
| 4 | 无视域偏移 | 做留一中心验证 |
| 5 | 小样本训大模型过拟合 | 用轻量架构 + 强增强 + 交叉验证 |
| 6 | 中心不均衡致偏斜 | 分层划分，报告各中心 |
| 7 | 混淆 ioUS 与 iMRI | 明确是超声非 MRI |
| 8 | 用过时版本 | 下载 v4，核对 md5 |
§10.10 DAIMS 数据资产成熟度评估
以下为对 BraTioUS 的 DAIMS（Data Asset Maturity & Integration Scoring） 评估表，从数据治理与 AI-Ready 成熟度角度打分（满分为各项满分之和）：
| 维度 | 评估要点 | 得分 | 满分 |
|---|---|---|---|
| 可发现性（Discoverability） | 有 DOI、PMID、Zenodo 记录、多索引收录，极易检索 | 9 | 10 |
| 可获取性（Accessibility） | CC BY 4.0 完全开放、Zenodo 直链、无申请门槛 | 10 | 10 |
| 互操作性（Interoperability） | NIfTI 标准格式、ITK-SNAP 生态、主流工具链兼容 | 8 | 10 |
| 可复用性（Reusability） | 语义清晰的肿瘤分割、元数据表、许可宽松；缺官方划分 | 7 | 10 |
| 数据质量（Quality） | 专家复核 + 系统性纠错；伪标签残留与 5% 噪声 | 7 | 10 |
| 文档完备度（Documentation） | Data in Brief 规格表 + Zenodo 说明 + 元数据表；字段细节略欠 | 7 | 10 |
| 规模充分性（Scale） | 1669 图 / 142 例，对超声模态属较大，对深度模型仍偏小 | 6 | 10 |
| 多中心代表性（Diversity） | 六院五国、≥5 厂商，多域性极强的亮点 | 9 | 10 |
| 标注可信度（Annotation Trust） | 神经外科医师精修，但基于 nnU-Net 伪标签 | 7 | 10 |
| 时效与维护（Maintenance） | 2026 发布并已更新 v4，处于活跃维护期 | 8 | 10 |
| 合计 | — | 78 | 100 |
解读：BraTioUS 在"可获取性"与"多中心代表性"上表现优异（10、9），在"规模充分性"上是明显短板（6），符合中小规模专病数据集的典型画像。总体 78 分属于"高质量开放专病数据集"区间，适合作为术中超声 AI 的基础资源，但使用者需自行补足官方划分缺失带来的评测规范性问题。
附录 A：常见问题（FAQ 40+）
A.1 身份与命名
Q1：BraTioUS 的名字怎么读、怎么拆？
“Bra” = brain（脑），“Tio” = tumor intraoperative（肿瘤术中），“US” = ultrasound（超声）。合起来即"脑肿瘤术中超声"。也有资料写作 iUS/ioUS，均指术中超声。
Q2：官方全称是什么？
数据集全称 “BraTioUS — Brain Tumor Intraoperative Ultrasound Dataset”；论文标题为 “BraTioUS: A multicenter dataset of baseline intraoperative brain tumor ultrasound images”。
Q3：它是挑战赛数据集吗？
不是。它是 Data in Brief 论文描述的数据集资源，没有挑战赛、没有排行榜、没有提交系统。
Q4：slug 为什么是 bratious？
取官方名 BraTioUS 的小写形式，全库唯一，与 BraTS 家族（brats 等）无撞库。
Q5：它和 BraTS 是同一团队做的吗？
不是。BraTS 由独立的国际联盟组织（多年来由多机构联合举办）；BraTioUS 由六国五院协作、通讯作者 Olga Esteban-Sinovas（牵头于西班牙 Río Hortega 大学医院）。
Q6：为什么名字里都带 Bra 却完全不同的模态？
纯属命名巧合——都以 brain 开头。切勿据此假设二者同源或可互换。
A.2 数据内容
Q7：一共多少张图？
1669 张 B-mode 二维术中超声图像。
Q8：多少患者？
142 例胶质瘤患者。
Q9：多少人多少国？
六家医院、五个国家（西班牙、印度、法国、意大利×2、美国）。
Q10：什么时间段采集的？
2018–2023 年。
Q11：图像是什么模态？
B-mode 二维术中超声（单模态灰度）。
Q12：有 MRI 吗？
没有。BraTioUS 只有术中超声，不含 MRI、CT 或其他模态。
Q13：图像是视频还是静态帧？
静态二维帧（2D frame/slice），不是视频序列。
Q14：图像存成什么格式？
NIfTI（.nii）。
Q15：有分割掩膜吗？
有，1669 个，每图一个，同样为 NIfTI。
Q16：有没有分类标签（如肿瘤级别）？
公开描述以肿瘤分割为主；是否存在逐病例的分子/级别标签需下载元数据表核对（见遗留疑点）。
Q17：覆盖哪些肿瘤类型？
仅胶质瘤（glioma），不含脑膜瘤、转移瘤等。
Q18：有年龄/性别信息吗？
元数据表可能含有限人口学信息，具体字段需下载核对。
Q19：图像分辨率是多少？
论文摘要未单列统一分辨率；不同厂商/探头分辨率不同，需以实际文件为准（见遗留疑点）。
Q20：数据总量多大？
整包约 243 MB（图像约 239 MB，分割约 4 MB，元数据约 18 kB）。
A.3 标注与质量
Q21：标签是谁标的？
nnU-Net 自动生成伪标签 + 神经外科医师人工复核修正。
Q22：用什么软件标注？
ITK-SNAP v4.0.1（访问日期 2024-11-01）。
Q23：标签里有没有错误？
有。2026-06-22 更新修正了约 5% 的标签错误，说明真值非完美。
Q24：标签是二值还是多类？
以肿瘤组织前景为主的分割（二值语义分割口径）。
Q25：标注是否多标注者？
论文描述为医师复核修正伪标签的流程，未强调多标注者一致性分析。
Q26：图像做过匿名化吗？
做过，经 nnU-Net 分割模型自动匿名化与标准化，去除采集相关与患者可识别元素。
Q27：剔除过劣质图像吗？
是，质量次优或含妨碍判读伪影的图像被排除。
A.4 获取与许可
Q28：怎么下载？
Zenodo 记录页（最新 v4 记录 20800464）直接下载三个 ZIP，无需申请。
Q29：要钱吗？
不要，完全免费公开。
Q30：需要注册或签协议吗？
不需要，公开直链。
Q31：能商用吗？
可以，CC BY 4.0 允许商业用途。
Q32：用了要补偿什么？
只需署名（Attribution）+ 提供许可链接 + 说明是否修改。
Q33：应该引用哪个 DOI？
论文 DOI 10.1016/j.dib.2026.112478；数据集 DOI 用 Zenodo 版本 DOI（首版 16887363 / 最新 20800464）。
Q34：为什么 DOI 有好几个？
Zenodo 区分版本 DOI 与概念 DOI，同一概念有多个版本标识，详见 §6.3。
Q35：Zenodo 上的文件和索引页标注的 DOI 一致吗？
编号形态不同但属同一概念，索引页多引用首版记录号，最新版为 v4。
A.5 使用与评测
Q36：能直接拿去和 BraTS 结果比吗？
不能。模态不同，任务输入不同，指标不可直接横向比较。
Q37：怎么做训练/测试划分？
按病例划分，切勿按图像随机划分（防泄漏，见坑点 2）。
Q38：适合什么网络的基线？
nnU-Net 是自然基线（标签即其派生），建议另配异架构方法做对照。
Q39：报告什么指标？
Dice、IoU、HD95、Sensitivity/Specificity、ASSD 等分割通用指标。
Q40：做跨中心评价怎么做？
留一中心验证（leave-one-center-out），单独报告各中心性能。
Q41：小样本怎么办？
交叉验证 + 强增强 + 迁移学习/预训练；避免直接训超大模型。
Q42：能做无监督/自监督吗？
可以，伪标签结构也使其适合半监督/自训练研究。
Q43：图像质量参差怎么办？
利用数据集"质量筛除"的先验，训练质量评估或退化鲁棒模型。
Q44：可以用于透明手术/增强现实吗？
理论可结合神经导航做增强现实显示，但需额外的配准与系统集成，非数据集本身功能。
Q45：这个数据集会持续更新吗？
已从首版更新至 v4（2026-06-22），处于活跃维护期，建议关注 Zenodo 记录。
附录 B：事实清单（硬数字与出处）
| # | 事实 | 出处 |
|---|---|---|
| B1 | 数据集全称 BraTioUS — Brain Tumor Intraoperative Ultrasound Dataset | Zenodo 记录 |
| B2 | 1669 张 B-mode 二维 ioUS 图像 | 论文 + Zenodo + OpenAIRE 三源一致 |
| B3 | 142 例胶质瘤患者 | 三源一致 |
| B4 | 1669 个专家精修肿瘤分割掩膜 | 论文规格表 |
| B5 | 六家医院 / 五个国家 | 三源一致 |
| B6 | 采集年份 2018–2023 | 三源一致 |
| B7 | 厂商 Hitachi/Esaote/BK/Supersonic/Sonowand | 论文 + Zenodo |
| B8 | 标注工具 ITK-SNAP v4.0.1 | 论文规格表 |
| B9 | 伪标签模型 nnU-Net | 论文 + Zenodo |
| B10 | 许可 CC BY 4.0 | nidusai 超声目录页 |
| B11 | 托管 Zenodo | 论文 + Zenodo |
| B12 | 论文 DOI 10.1016/j.dib.2026.112478 | Data in Brief |
| B13 | PMID 41657404 / PMC12874095 | PubMed / PMC |
| B14 | 期刊 Data in Brief, Vol 65, Art 112478 | 论文 |
| B15 | 首版记录 16887363 / 最新 v4 记录 20800464 | Zenodo |
| B16 | 2026-06-22 更新纠错约 5% 标签 | Zenodo 更新说明 |
| B17 | 图像格式 NIfTI | Zenodo |
| B18 | 数据总量约 243 MB | Zenodo 文件清单 |
| B19 | 通讯作者 Olga Esteban-Sinovas（ORCID 0000-0002-4917-877X） | Zenodo |
| B20 | 14 位作者 | Zenodo + sciprofiles |
附录 C：术语表
- ioUS / iUS（intraoperative ultrasound）：术中超声，手术过程中实时进行的超声成像。
- B-mode（Brightness mode）：二维灰度超声显示模式，回波强度映射为亮度。
- Glioma（胶质瘤）：起源于胶质细胞的脑肿瘤，占原发性脑肿瘤的大宗。
- nnU-Net（no-new-Net）：医学图像分割的自配置框架，自动适配预处理、网络与训练。
- pseudolabel（伪标签）：由模型自动生成、未经人工确认的标签。
- ITK-SNAP：开源医学图像分割与可视化软件。
- NIfTI（.nii）：神经影像信息学技术倡议格式，医学影像常用存储格式。
- Dice（Dice Similarity Coefficient）：分割重叠度指标，2|A∩B|/(|A|+|B|)。
- IoU / Jaccard：交并比，|A∩B|/|A∪B|。
- HD95：95 分位 Hausdorff 距离，边界误差稳健度量。
- Craniotomy（开颅术）：切开颅骨以暴露脑组织的手术操作。
- Brain shift（脑移位）：开颅后脑组织因减压/脑脊液流失发生的位移，使术前影像失准。
- Maximal safe resection：在保全神经功能前提下的最大程度肿瘤切除。
- Domain shift（域偏移）：训练与测试数据分布不一致导致的性能下降。
- Leave-one-center-out：留一中心验证，用一部分中心训练、留出中心测试。
- Data leakage（数据泄漏）：训练集与测试集间存在不应有的信息重叠。
- CC BY 4.0：知识共享署名 4.0 国际许可，允许商用与改编，需署名。
- RHUH / TMC / CHRUT / INCC / UPALER / MGH：六个采集中心代码（见 §2.3）。
附录 D：时间线
- 2018：开始多中心术中超声图像采集。
- 2023：采集结束，累计 2018–2023 数据。
- 2024-11-01：ITK-SNAP 访问日期，标注工作推进中。
- 2026-01-02：Zenodo 数据集首次公开可用。
- 2026-01-15：Data in Brief 论文正式发表。
- 2026-06-22：Zenodo 更新至 v4，系统性复核并纠正约 5% 标签，按每病例图像数重命名。
- 2026-10：本条目撰写时，PlumX 显示 0 引用 / 5 捕获。
附录 E：来源与延伸阅读
- Esteban-Sinovas O, et al. BraTioUS: A multicenter dataset of baseline intraoperative brain tumor ultrasound images. Data in Brief. 2026;65:112478. https://doi.org/10.1016/j.dib.2026.112478
- ScienceDirect 全文（PII S2352340926000314）：https://www.sciencedirect.com/science/article/pii/S2352340926000314
- PubMed：https://pubmed.ncbi.nlm.nih.gov/41657404/
- PMC 全文：https://www.ncbi.nlm.nih.gov/pmc/articles/PMC12874095/
- Zenodo 数据集（最新 v4）：https://zenodo.org/records/20800464
- Zenodo 首版记录：https://zenodo.org/records/16887363
- Zenodo 早期快照：https://zenodo.org/records/18130394
- OpenAIRE 索引：https://explore.openaire.eu/search/result?pid=10.5281/zenodo.20800464
- NIDUS-AI 超声开放数据目录：https://ultrasound-open-access.nidusai.ca/
- PlumX 计量：https://plu.mx/plum/a/6ZRa-I6EfkEZ7Day-4M8DxDP5zxgMBs1phkJO83DWkg
- 相关论文 Cancers：https://doi.org/10.3390/cancers17020280 ；https://doi.org/10.3390/cancers17020315
- 相关论文 CBM：https://doi.org/10.1016/j.compbiomed.2025.110481
- ITK-SNAP：http://itksnap.org
附录 F：遗留疑点与待核事项
- 逐中心图像分布：论文未逐中心披露各贡献多少图像，无法在本条目精确给出中心均衡性。
- 图像分辨率统一性：不同厂商/探头分辨率不同，数据集是否统一重采样未明确。
- 元数据表列结构：.xlsx 元数据的具体字段未在摘要逐列列出。
- 官方训练/测试划分：数据集未提供官方划分，评测需自建。
- 官方基线数字：无排行榜、无官方 SOTA，指标需自行设定。
- 每患者图像数范围：平均值约 11.8，但极值范围未公布。
- 伦理审批编号：各中心本地伦理批号未在公开摘要单列。
- 患者人群构成：年龄/性别/种族分布未在摘要披露。
- 肿瘤级别/分子分型：是否附带 WHO 分级或 IDH 状态等标签待核。
- 是否含多帧序列：当前以静态二维帧为主，是否含连续扫查帧待核。
以上疑点在引用本条目做严谨研究前，建议直接下载元数据表或联系通讯作者核实。
附录 G：撰写存照
- 撰稿代理：agent-c-bratious
- 撰稿日期：2026-10-09
- 三源互证：Data in Brief 论文（DOI 10.1016/j.dib.2026.112478）+ Zenodo 记录（20800464 等版本）+ OpenAIRE / NIDUS-AI 索引页
- 核心鉴别：BraTioUS = 术中超声（ioUS，二维单模态）；BraTS 家族 = 术前 MRI（三维多模态）。二者不可混用。
- 查重结论：
%bratious%、%ious%均 0 行；%brat%命中 6 行均为 BraTS 家族 MRI，非本条目。 - 双口径冲突：数据集 DOI 版本（首版 16887363 vs 最新 20800464）；文件大小（242.9 vs 243.0 MB）；作者拼写（Shett vs Shetty，以 ORCID 为准取 Shetty）——均已在 §6.3、§5.1、§3 存照。
本条目内容基于 2026-10 时点的公开三源互证结果撰写，硬数字以论文与 Zenodo 最新版为准。BraTioUS 为术中超声数据集，与千方病案医数集库内 BraTS 系列（MRI）分属不同模态家族，请勿混淆。
条目结束 · BraTioUS (bratious) · 千方病案医数集 AI-Ready Wikipedia · 2026-10-09
附录 H：神经肿瘤学背景与术中超声临床价值
H.1 胶质瘤：为什么术中影像如此关键
胶质瘤（glioma）是起源于脑内胶质细胞的原发性脑肿瘤，其中胶质母细胞瘤（GBM）是最恶性的一类。胶质瘤的一个决定性特征是其浸润性生长——肿瘤细胞不像转移瘤那样形成清晰边界，而是沿着白质纤维束向周围正常脑组织弥散浸润。这意味着：
- 边界不清：肉眼（甚至术野光镜下）很难区分肿瘤与正常组织的过渡带；
- 全切困难：绝对的"完全切除"往往不可能，因为浸润的肿瘤细胞已在显微层面扩散；
- 功能权衡：过度切除会损伤功能皮层与白质束，导致瘫痪、失语等神经功能缺损。
因此，神经肿瘤外科的核心目标被表述为最大安全切除（maximal safe resection）——在保全神经功能的前提下尽可能多地切除肿瘤。而在术中实时判断"边界在哪、残余还有多少"，正是一切术中影像技术的使命所在。
研究证据表明，切除程度（EOR, Extent of Resection）与胶质瘤患者生存期显著相关。这为术中影像 AI 提供了强动机：哪怕把边界判断的准确度提升一点点，都可能转化为可观的临床获益。
H.2 术中影像技术的谱系
神经外科术中的"眼睛"有多种，各有优劣：
| 技术 | 原理 | 优势 | 局限 |
|---|---|---|---|
| 术前 MRI + 神经导航 | 术前三维成像 + 空间追踪 | 分辨率高、解剖清晰 | 脑移位后失准（brain shift） |
| 术中 MRI（iMRI） | 术中重新扫描 MRI | 实时、高分辨率、可更新导航 | 设备极贵、手术室改造、流程冗长 |
| 术中超声（ioUS） | 探头贴脑表面声波成像 | 便携、廉价、实时、可反复 | 二维、分辨率受限、操作者依赖 |
| 荧光引导（5-ALA） | 肿瘤荧光标记 | 直观显示恶性组织 | 依赖药物代谢、深部受限 |
| 术中病理（冰冻切片） | 取组织即时镜检 | 金标准病理 | 采样点有限、耗时、非全局 |
术中超声的独特定位：它在"成本—实时性—覆盖率"三角中占据极佳位置。相比 iMRI，它不需要昂贵设备与手术室改造，可在任何标准手术室使用；相比荧光，它能看深部与自己重建三维视野（通过探头扫描）；相比术中 MRI，它可随时重复扫查、无流程负担。其局限在于二维平面信息、分辨率有限、对操作者手法敏感——这正是 AI 可以补强的地方。
H.3 脑移位（Brain shift）：术前影像阿喀琉斯之踵
脑移位是神经导航的经典难题。开颅、硬膜切开、脑脊液流失、肿瘤切除、重力与体位都会使脑组织发生数毫米到厘米级的位移。结果：术前 MRI 上精心规划的肿瘤边界，在手术进行中可能已经"错位"数毫米以上，导航精度大打折扣。
术中超声的优势正在于此——它在移位后的真实解剖上成像。术者可以直接在超声画面上看到肿瘤残余，而不必依赖术前影像。若将 ioUS 与术前 MRI 配准融合，还能同时获得"实时形态"与"高分辨解剖"的好处。BraTioUS 提供的专家分割掩膜，为训练"从超声自动识别肿瘤"的模型奠定了基础，进而可支撑术中导航的自动增强。
H.4 为什么术中超声 AI 长期缺数据
尽管 ioUS 临床价值高，其 AI 研究却长期受制于数据稀缺，原因是多方面的：
- 采集条件苛刻：无菌环境、时间紧迫、术野受限，采集标准化困难。
- 隐私敏感：术中影像涉及患者颅内结构，去标识化与共享的伦理门槛高。
- 质控困难：超声图像质量受操作者、设备、术野影响极大，标注一致性难保证。
- 商业价值与开源矛盾：超声厂商与医院对数据的态度不一，公开意愿有限。
- 标注成本高：需要兼具神经外科与超声判读双重专长的医师来标注，人力昂贵。
BraTioUS 通过六中心协作 + nnU-Net 伪标签 + 医师精修的流水线，部分化解了成本与质控矛盾，最终把 1669 张带专家掩膜的图像以 CC BY 4.0 释放——这是它最核心的贡献。
附录 I：BraTioUS 与同类数据集深度对照
I.1 与 BraTS 的多维对照
| 对照维度 | BraTS 家族 | BraTioUS |
|---|---|---|
| 模态 | MRI（T1/T1ce/T2/FLAIR 多模态） | 单模态 B-mode 超声 |
| 维度 | 3D 体素 | 2D 帧 |
| 时机 | 术前 | 术中 |
| 采集环境 | 标准 MRI 室 | 手术室（无菌、术野内） |
| 主要分割目标 | 增强肿瘤 + 瘤周水肿 + 坏死核心 | 肿瘤组织 |
| 标签来源 | 多专家共识/融合 | nnU-Net 伪标签 + 医师精修 |
| 规模量级 | 通常 1000+ 例（历年累积） | 142 例 / 1669 图 |
| 许可 | 多为公开/注册制（历史上各异） | CC BY 4.0 |
| 排行榜 | 有挑战赛与在线榜 | 无 |
| 影像引导阶段 | 规划 | 导航与实时判断 |
| 库内 rid | 24 / 950 / 949 / 683 / 688 / 931 | 本条目 |
I.2 与其他术中/超声数据集的定位
BraTioUS 在库内术中影像与超声影像两个家族中都占据独特位置：
- 与内窥镜/腹腔镜手术视频（cholecseg8k、cholect50、cataracts 等）：BraTioUS 是超声而非光学成像，成像物理完全不同；
- 与乳腺/胎儿超声（busi、acouslic-ai 等）：同属超声模态，但解剖靶区与临床场景差异大（脑 vs 乳腺/胎儿）；
- 与其他脑肿瘤影像（upenn-gbm、ucsf-pdgm、ivy-gap、rembrandt 等）：同为脑胶质瘤，但那些是 MRI 与多组学，BraTioUS 是术中超声。
因此，在推荐系统的邻域图中，BraTioUS 应当同时连接"脑肿瘤影像"与"超声影像"两个聚类，并以"术中"作为与内窥镜家族的桥接标签。
I.3 独特性总结
BraTioUS 的不可替代性体现在三个"唯一"：
- 库内唯一的脑肿瘤术中超声数据集；
- 唯一以六院五国多厂商、多协议为卖点的脑超声数据集；
- 少数以完全开放许可（CC BY 4.0）释放的术中影像分割数据集。
附录 J：面向不同使用者的实操指南
J.1 面向入门研究者
如果你是第一次接触术中超声 AI：
- 先读 §0.3 搞清楚它和 BraTS 的区别；
- 从 Zenodo 下载三个包，解压，用 SimpleITK 加载一两张图与掩膜可视化，建立直觉；
- 用 nnU-Net 直接跑一个 5 折按病例交叉验证基线，记录 Dice；
- 对照 §10 的坑点逐条检查自己的实验设置。
J.2 面向方法学研究者
如果你要在此数据集上提新方法：
- 做留一中心验证，把跨域泛化作为核心卖点；
- 设计异架构对照（transformer、提示分割、基础模型微调）；
- 研究伪标签校正 / 半监督，利用"伪标签起点"这一特性；
- 报告标签鲁棒性实验，正视 5% 噪声。
J.3 面向工程/产品团队
如果你要做术中超声 AI 产品原型：
- CC BY 4.0 允许商用，但务必保留署名与许可声明；
- 关注跨设备泛化（产品要面对不同医院的不同机器）；
- 纳入图像质量评估模块（真实术中图像质量参差）；
- 与神经导航集成时需处理配准与实时性约束。
J.4 面向临床研究者
如果你是神经外科医生或临床研究者：
- 关注该数据集能否支持你的术式研究（仅胶质瘤）；
- 留意标签来自伪标签 + 医师精修，非纯多专家共识；
- 若要用于临床验证，需自行补充前瞻性数据与本地伦理审查；
- 与术中 MRI / 荧光数据对照可获得更全面的术中影像图景。
附录 K：方法学细节追问清单
使用 BraTioUS 做严谨研究前，建议逐条确认以下方法学细节（部分需下载数据或联系作者核实）：
- 划分协议：有没有随数据集提供的官方划分？若无，如何自建才可与他文比较？
- 预处理链：图像是否统一强度归一化？是否需要去噪、增益补偿？
- 标注粒度：掩膜是否区分肿瘤核心与水肿？还是单一前景？
- 病例级标签：是否附 WHO 分级、IDH 突变、MGMT 甲基化等分子标签？
- 每病例图像数分布：用于设计分层划分与加权采样。
- 设备映射：每张图对应哪台设备/探头？用于域标签分析。
- 质量标注：是否有逐图质量评分，还是仅"纳入/排除"二元？
- 伪标签置信度：是否有伪标签置信度或医师修改幅度信息？
- 重复扫查：同一病例是否有多次扫查图像，可做纵向分析？
- 失败案例：有无已发表的基线在哪些病例上失败的记录？
明确这些细节，才能让基于 BraTioUS 的实验既严谨又可复现。
附录 L：延伸阅读与背景知识
- 医学图像分割基础：nnU-Net 原始论文（Isensee et al., Nature Methods 2021）是理解本数据集标签来源的必读。
- 脑肿瘤影像基准：BraTS 挑战赛历年综述，理解 MRI 侧的历史与现状。
- 术中超声综述：神经外科术中超声的临床应用综述，理解其临床定位。
- 脑移位与神经导航：理解为何术中影像比术前影像更贴近"当下解剖"。
- 最大安全切除：胶质瘤手术的循证依据（EOR 与生存关系）。
- 域泛化/域自适应：理解多中心数据集的评测方法论。
- 标签噪声与鲁棒学习：理解为何 5% 纠错率值得严肃对待。
附录 M：数据使用全流程手册
M.1 步骤零：需求匹配确认
在下载之前，先确认 BraTioUS 是否匹配你的需求：
- 任务必须是：脑胶质瘤的二维超声分割/分类/判读。
- 如果你需要：三维体数据 → 不符（本数据集为二维）。
- 如果你需要：术前 MRI 多模态 → 不符（本数据集为术中超声）。
- 如果你需要：脑膜瘤/转移瘤 → 不符（仅胶质瘤）。
- 如果你需要：完全开放商用 → 符合（CC BY 4.0）。
M.2 步骤一：下载与校验
- 访问 Zenodo 最新版记录页（记录号 20800464）。
- 下载三个文件：
ioUS-BraTioUS-dataset.zip、tumor-segmentation-BraTioUS-dataset.zip、BraTioUS - Metadata.zip。 - 校验 md5（对照 §5.1 表）。若不一致，说明下载损坏或版本变化，重新下载或核对版本。
- 解压到清晰目录结构，例如：
BraTioUS/
images/ # 1669 张 .nii 超声图像
masks/ # 1669 个 .nii 分割掩膜
metadata.xlsx # 元数据表
M.3 步骤二：元数据检视
打开 metadata.xlsx，重点核查：
- 病例标识（case_id）与其图像计数；
- 设备/中心标签（若有）——用于域分析；
- 是否存在临床标签（级别、分子分型）；
- 文件名与元数据行的对应关系。
这一步决定了后续能否正确做按病例划分与分层划分。
M.4 步骤三：数据探索与质量画像
在建模前，建议做一轮探索性分析：
- 统计每病例图像数分布（识别极值病例）；
- 统计各中心/各设备图像数（识别不均衡）；
- 抽查若干图像与掩膜的可视化重叠，确认对齐正确；
- 统计掩膜前景比例分布（看肿瘤大小是否悬殊）；
- 检查是否有全背景或全前景的异常掩膜（标注异常）。
M.5 步骤四：预处理
针对二维超声的特点，典型预处理包括：
- 强度归一化：超声灰度动态范围大，常做 min-max 或百分位裁剪归一化；
- 去噪：超声特有的斑点噪声（speckle noise）可用中值/双边滤波轻微抑制；
- 尺寸统一：若分辨率不一，重采样到统一尺寸（注意保持掩膜同步）；
- 通道扩展：单通道灰度 → 复制为三通道以适配 ImageNet 预训练骨干；
- 数据增强：弹性形变、旋转、亮度/对比度抖动、斑点模拟等。
M.6 步骤五：划分
红线：按病例划分。 推荐两种协议：
- 随机按病例 K 折：将所有 case 随机分 K 折，每折的 case 全部图像归入对应子集；
- 留一中心验证：每次留一个中心的全部病例作测试，其余中心训练，轮换。更能反映跨域泛化。
M.7 步骤六：建模与训练
- 基线首选 nnU-Net（与标签同源，便于检验"闭环一致性"）；
- 对照选异架构（如基于 transformer 的分割器、基础模型 + 提示分割）；
- 损失函数常用 Dice + 交叉熵组合；
- 使用早停与交叉验证，报告多折均值与标准差。
M.8 步骤七：评估与报告
报告至少包含：
- 每折与总体的 Dice、IoU、HD95；
- 按中心的分解性能（若做留一中心）；
- 标签鲁棒性（对掩膜微扰的稳定性）；
- 失败案例分析（哪些图像难分割，为何）。
M.9 步骤八：复现与共享
- 公开你的划分文件（case 列表），方便他人在同一协议下比较；
- 记录所用数据版本（v4 / 20800464）与 md5；
- 按 CC BY 4.0 规范署名。
附录 N：统计学与评测方法学补注
N.1 Dice 的上限受标签质量封顶
Dice 系数衡量模型输出与真值的重叠。当"真值"本身含噪（此处约 5% 标签在 v4 中被修正），模型的 Dice 存在一个由标签质量决定的天花板——即使模型完美复现了"真实肿瘤边界"，也可能因真值偏差而拿不到满分。因此：
- 不应把 Dice=0.95 当成"接近完美"，而应结合标签噪声估计解读；
- 跨研究的 Dice 比较必须同时比较标签版本与划分协议。
N.2 边界指标与区域指标互补
Dice/IoU 是区域重叠指标，对边界小误差不敏感；而术中导航恰恰关心边界精度。因此建议同时报告 HD95 与 ASSD 等边界指标，避免"区域 Dice 好看、边界却不准"的假象。
N.3 置信区间与样本量
142 例属于小样本，单次划分的评测结果方差大。正确做法：
- 用 K 折交叉验证（如 5 折）报告均值 ± 标准差；
- 或做重复随机划分（多次不同种子）估计方差；
- 切忌用单次最优结果宣称性能。
N.4 偏倚来源清单
在多中心数据集上做评测，需警惕以下偏倚：
- 划分偏倚：非分层划分导致测试集中心构成偏离真实分布；
- 采样偏倚：少数中心样本被淹没，其性能不可见；
- 标签偏倚：伪标签系统的系统性误差被继承；
- 版本偏倚：混用不同 Zenodo 版本的标签；
- 设备偏倚：训练集设备分布与目标部署设备不符。
N.5 报告规范建议
参考医学影像 AI 报告指南（如 CLAIM 清单）的思路，报告应包含：数据来源与版本、划分方式、预处理细节、模型架构、超参、评估指标定义、失败案例、局限与伦理声明。BraTioUS 的研究若遵循此规范，将显著提升可复现性与可信度。
附录 O：把 BraTioUS 放进更大的术中 AI 图景
O.1 术中 AI 的三条技术路线
当代术中影像 AI 大致沿三条路线发展：
- 解剖识别：识别术野中的解剖结构与关键功能区；
- 病理识别：识别肿瘤、残余、切缘等病理信息；
- 流程理解：理解手术阶段、器械动作、操作技能（多见于内窥镜视频）。
BraTioUS 直接服务第 2 条（病理识别），并通过对脑解剖的成像间接支持第 1 条。
O.2 与内窥镜手术 AI 的异同
内窥镜/腹腔镜手术 AI（如 cholecseg8k、cholect50）以光学彩色视频为基础，做器械分割、阶段识别、动作理解；BraTioUS 以超声灰度帧为基础，做肿瘤分割。相同点是都服务于"术中实时决策"；不同点是成像物理、数据维度、任务定义全面不同。二者共同构成"术中视觉 AI"的多模态拼图。
O.3 与术前影像 AI 的衔接
术前 MRI AI（BraTS 家族）回答"肿瘤长什么样、边界在哪"；术中 ioUS AI（BraTioUS）回答"现在切到哪、还剩多少"。二者衔接的关键技术是术前—术中配准（registration）：把术前 MRI 空间与术中超声空间对齐，使术前的高分辨信息能实时叠加到术野。BraTioUS 虽不含配准标注，但为"术中侧"的半环提供了数据基础。
O.4 未来方向
围绕 BraTioUS 可能的后续方向：
- 纵向扩展：多时点术中扫查，研究切除过程的动态演变；
- 多模态融合：与术前 MRI、荧光、术中病理配对，做多模态术中导航；
- 三维重建：由多帧二维超声自由手扫查重建三维肿瘤形态（需探头追踪）；
- 基础模型：把超声基础模型（超声版"病理基础模型"）微调到 BraTioUS，检验迁移；
- 公平性：利用五国人群数据研究模型跨人群偏倚。
这些方向都建立在 BraTioUS 提供的开放、多中心、带专家标注的地基之上。
相关数据集导航
以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：
- brats-africa — 共享标签：医学影像 / 脑肿瘤 / 医学图像分割 / 肿瘤学
- cfb-gbm — 共享标签：医学影像 / 脑肿瘤 / 医学图像分割 / 肿瘤学
- panda-cms — 共享标签：医学影像 / 脑肿瘤 / 医学图像分割 / 肿瘤学
- brats-meningioma — 共享标签：医学影像 / 脑肿瘤 / 医学图像分割 / 肿瘤学
- brats-met — 共享标签：医学影像 / 脑肿瘤 / 医学图像分割 / 肿瘤学
- ucsd-vs-longitudinal — 共享标签：医学影像 / 脑肿瘤 / 医学图像分割 / 肿瘤学
- ucsd-bmets-longitudinal — 共享标签：医学影像 / 脑肿瘤 / 医学图像分割 / 肿瘤学
- brainptm-2021 — 共享标签：医学影像 / 脑肿瘤 / 医学图像分割 / 肿瘤学
- pannuke — 共享标签：医学影像 / 医学图像分割 / 肿瘤学
- lizard — 共享标签：医学影像 / 医学图像分割 / 肿瘤学
导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。
