Neurofeedback Skull-stripped — 脑部 MRI 颅骨剥离金标准库

INFOBOX — NFBS 一屏速览

维度	内容
本质	NFB 神经反馈研究 125 例 T1w MRI 的手工校正颅骨剥离（脑提取）金标准库——非新采集，是预处理"金标准掩码"再发布
全称	Neurofeedback Skull-stripped（NFBS）repository
团队	NKI 计算神经影像实验室 + Child Mind Institute 发育脑中心；通讯 R. Cameron Craddock
论文	GigaScience 2016;5(1):45（doi:10.1186/s13742-016-0150-5；bioRxiv 预印本 doi:10.1101/067017）
数据规模	125 例（77 女 + 48 男，21–45 岁，均值 31）
每例文件	去脸 T1w 原图 + 颅骨剥离脑图 + 二值脑掩码（均 .nii.gz），1×1×1 mm³
扫描	3T Siemens Magnetom TIM Trio，3D MPRAGE，TR 2600/TE 3.02/TI 900 ms，GRAPPA ×2
工艺	BEaST v1.15.00 自动初剥 → Freeview 手工校正 → 回灌 BEaST 库迭代 bootstrap
手工量	85 例手工编辑 + 40 例判定无需编辑 = 125；每例编辑耗时 1–8 小时
附赠	NFB 定制 BEaST prior library（约 1.9 GB）
基准结果	NFB 上 Dice：BET 0.893±0.027 / 3dSkullStrip 0.949±0.009 / HWA 0.900±0.011
获取	PCP 主页两个直链包（images 1.9 GB + BEaST library 1.9 GB）
许可	开放、无需数据使用协议（no DUA）——直接下载即用；GitHub 代码库 MIT
库内互链	nki-rockland（上游母研究，rid=305）、abide（PCP 同门，rid=198）、ixi-brain（rid=482）、oasis（rid=21）

NFBS 是一个"把预处理的一步做到极致"的数据集：它不采集一张新影像，而是从 NKI 神经反馈研究（NFB）里取出 125 位受试者的 T1 加权脑图，用当时最先进的自动脑提取算法 BEaST 先跑一遍，再由人类专家戴上"放大镜"逐体素修正——最终产出 125 套"金标准"脑掩码。它的价值在于：脑提取（skull-stripping）是几乎所有脑影像分析的必经第一步，而这一步的质量直接决定后续配准、分割、体积测量的成败；有了手工校正的金标准掩码，研究者才能公正地训练和评测新的自动算法。

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——NFBS 的卖点就是"无需申请、无需签 DUA"，两个 1.9 GB 直链包直接下。
2. 关心算法评测：直奔 §4 数据规格与 §7 评估基准——BET/3dSkullStrip/HWA 的 Dice 结果可直接对标。
3. 搞预处理流水线：直奔 §3 工艺与 §8 方法学启示——BEaST + Freeview 的迭代 bootstrap 是可复制的半自动标注范式。

---

§0 导读：这个数据集解决什么问题

如果你做过任何脑影像分析，你几乎一定在某个脚本里写过 bet、3dSkullStrip 或 antsBrainExtraction 之类的调用——这一步叫颅骨剥离（skull-stripping），也叫脑提取（brain extraction）。它的目标很简单：把一张人头 MRI 里"真正属于脑"的体素挑出来，把颅骨、头皮、脂肪、肌肉、脑膜、眼球、血管、神经统统扔掉。听起来像是一个基础图像分割问题，但它其实是神经影像预处理中最"卡脖子"的一步之一。

为什么难？论文里讲得很清楚：脑的大小、朝向、形态在儿童、老年和病理人群中差异极大；非脑组织的体素强度常常和脑组织相近，边界模糊；不同扫描仪、不同脉冲序列、不同参数又会改变图像对比度和噪声分布。于是全自动方法不可能在所有数据上都完美，而纯手工勾画又极其耗时、且难免实验者偏差。要开发更好的自动算法、要公平地比较现有方法，就必须有"金标准"数据——也就是人工精心校正确认过的高质量脑掩码。

NFBS 就是这个金标准库。它的贡献可以浓缩成三点：

1. 提供了一批手工校正的脑掩码：125 例来自 NKI 神经反馈研究的 T1 加权解剖像，全部达到"金标准"质量；
2. 附带一套可复用的自动剥离先验库：手工校正的掩码回灌成 NFB 定制的 BEaST library，可以拿去自动剥离新的 NFB 数据，且论文证明它优于 BEaST 默认库；
3. 完全开放：不含敏感健康信息，研究者无需申请、无需签署数据使用协议即可下载使用——这与 ADNI 等受控数据集形成鲜明对照。

一句话：NFBS 是脑提取领域的"裁判尺"和"练兵场"——既用来裁判自动算法好坏，也用来训练新的自动算法。

0.1 它为什么放在 2016 年就是"稀有品"

2016 年前后，能称之为颅骨剥离金标准的公开库并不多，论文自己列举了当时已有的几个：ADNI（受控、需 DUA、禁止再分发结果）、BrainWeb 仿真脑库（SBD）、IBSR（Internet Brain Segmentation Repository）、LPBA40（LONI 概率脑图谱）、OASIS（非手工 delineated 但被用作金标准）。NFBS 的定位是**"补充并扩展"这些既有库**——它带来的是一个更大、更异构、且零门槛的成人样本：125 例、21–45 岁、覆盖广泛精神科症状谱。论文原话是：它的这种变异（variation）“account for more than the average brain”（比"平均大脑"涵盖得更广），因此对开发能同时应对正常与病理人群的预测/机器学习算法尤其有用。

0.2 一个必须说清的前提：它不采集新数据

NFBS 的所有影像都来自 NFB（Enhanced Rockland Sample Neurofeedback Study） 已经采集并去标识的解剖数据。NFBS 做的是"预处理再发布"：把 NFB 第三次访问的 T1 像拿来，做成手工校正的掩码三元组。所以理解 NFBS，必须理解它的上游 NFB——这也是为什么条目里反复出现"上游"“母研究”“NFB/NKI-Rockland”。库内的 nki-rockland（rid=305）就是这条血缘链上的直接上游条目。

0.3 本条目怎么读

本条目按"身份 → 规格 → 工艺 → 评测 → 获取 → 生态 → 方法学 → 避坑"的路径组织，末尾配 FAQ、事实清单、术语表与二十四个附录（含 DAIMS 全表、决策树、复现骨架、许可细读、上游血缘声明）。若你只有五分钟，读 §1 速览与 §10 避坑清单即可；若你要动手用数据，§6 与附录 D 决策树是入口。

0.4 三个常见的第一印象（以及为什么它们都不完整）

第一印象 A：“这不就是个脑 MRI 数据集吗？”
不完整。脑 MRI 数据集千千万，NFBS 的独特身份不在"有影像"，而在"有手工校正的金标准掩码"。拿到影像只是起点，掩码才是它的核心资产。

第一印象 B：“才 125 例，太小了。”
不完整。作为评估用金标准，125 例手工掩码已是同期相当可观的规模（论文称其比多个可比的库"更大更异构"）；它的目标不是"当训练大模型的语料"，而是"当裁判尺与先验库"。样本"小"与用途高度相关。

第一印象 C：“2016 年的老数据集，过时了吧？”
不完整。脑提取仍是每条脑影像流水线的必经步骤；金标准掩码不会因年份而失效。相反，NFBS 的无 DUA、可自由使用属性，使其在受控数据越来越多的今天反而更显便利。

---

§1 数据集速览：十三个关键问答

Q1：NFBS 到底是什么？
NFBS（Neurofeedback Skull-stripped repository）是一个公开的、手工校正的 T1 加权脑 MRI 颅骨剥离库，包含 125 例受试者的三件套：去脸匿名原图、颅骨剥离后的脑图、以及逐体素的二值脑掩码。它由 NKI（Nathan S. Kline Institute for Psychiatric Research）计算神经影像实验室发布，隶属 Preprocessed Connectomes Project（PCP）。

Q2：为什么叫"Neurofeedback"？
因为它的影像来自 NFB（Enhanced Rockland Sample Neurofeedback Study）——一个以"神经反馈"为核心任务的 3 次访问研究。NFBS 取的是该研究第三次访问的解剖像。名字里的 Neurofeedback 只是来源标记，NFBS 本身不含神经反馈任务数据，也不含功能像。

Q3：有多少例？什么人群？
125 例：77 女 + 48 男，年龄 21–45 岁（均值 31，标准差 6.6）。其中 66 例经 SCID（DSM-IV 结构化临床访谈）判定有 ≥1 项当前或既往精神科诊断。这是社区招募的"症状谱宽异质"样本，不是纯健康对照集。

Q4：每例含哪些文件？
3 个 .nii.gz 文件：① 去脸匿名化的 T1 加权头图；② 颅骨剥离后的脑图；③ 二值脑掩码。分辨率 1×1×1 mm³。全集约 1.9 GB。另外单独提供一个 NFB 定制的 BEaST prior library（约 1.9 GB）。

Q5：用什么机器和序列采集的？
3T Siemens Magnetom TIM Trio 扫描仪（12 通道头线圈），3D T1 加权 MPRAGE 序列：192 矢状分区，256×256 mm² FOV，TR 2600 ms，TE 3.02 ms，TI 900 ms，翻转角 8°，GRAPPA 加速因子 2（32 参考行）。

Q6：掩码是怎么做出来的？
半自动迭代：先用 BEaST v1.15.00 自动颅骨剥离 → 目视检查 → 用 FreeSurfer 的 Freeview 手工编辑修正 → 把校正掩码回灌 BEaST library → 再剥离其余数据，循环直到全部达标。最终 85 例被手工编辑、40 例判定无需编辑。每例编辑耗时 1–8 小时。

Q7：它和普通"自动剥离"结果有什么不同？
不同在于金标准质量。普通自动剥离（如默认 BET）会留下残余非脑组织或削掉脑组织，误差 Dice 可能只有 0.89 上下；NFBS 的掩码经过人工逐体素校正，被论文定位为可直接用作评测的"gold standard（金标准）"参考。

Q8：怎么获取？要申请吗？
不需要申请、不需要签数据使用协议（DUA）。论文明确：NFBS 不含敏感个人健康信息，研究者可直接使用。PCP 主页提供两个直链下载包。

Q9：许可是什么？
数据本体口径是开放获取、无 DUA；配套 GitHub 代码库标注 MIT License（覆盖脚本代码）。注意：数据本体的严格 SPDX 许可在论文与页面上并未以 SPDX 标识形式给出，条目按"开放、无 DUA"照录（详见 §9 存照）。

Q10：库内有哪些可对比的条目？
最强互链是 nki-rockland（rid=305，上游母研究）；同门是 abide（rid=198，同属 PCP）；同域金标准对照是 ixi-brain（rid=482，IXI）与 oasis（rid=21，论文直接列为既有金标准库）；平台近邻是 openneuro（rid=100）。完整清单见 §9。

Q11：它和"脑肿瘤分割""脑组织分割"任务是一回事吗？
不是。NFBS 解决的是颅骨剥离（脑 vs 非脑），输出是二值脑掩码——它是分割流水线的"前一步"，而不是把脑内组织分成灰质/白质/CSF 的"组织分割"，更不是病变分割。把它和 BraTS 之类的肿瘤分割数据集混淆，是常见的门类误判。

Q12：为什么它常被拿来当"脑提取基准"？
因为它同时满足三个条件：① 有人工校正的金标准掩码；② 开放、无 DUA（谁能都下载、都能复现）；③ 有已发表的基线数字（BET/3dSkullStrip/HWA 的 Dice）。三者齐备的数据集在当时屈指可数，这正是它成为基准的原因。

Q13：它和"数据集"这个名号贴切吗？
贴切但有语境。它更像一个 “预处理金标准库 + 可复用先验资产”：既提供评测用的影像-掩码对，也提供可直接部署的 BEaST 先验库。用"数据集"概括它，会略微低估它作为"工具/先验"的第二重身份。

§2 数据构成与规格

2.1 规模、来源与纳入标准

NFBS 的 125 例并非随机抽取，而是有明确的纳入门槛（论文原文）：它们是 NFB 研究中前 125 位满足以下全部条件的受试者——① 完成了完整的 3 天研究协议；② 同意共享数据；③ 在神经放射学审查中未发现需要排除的偶发发现（incidental finding）。这三条同时成立者，才进入 NFBS。

维度	数值	出处
受试者总数	125 例	论文 / PCP 主页
性别构成	77 女 + 48 男	论文
年龄范围	21–45 岁	论文 / PCP 主页
年龄均值	31 岁	论文（SD 6.6）
有精神科诊断者	66/125（≥1 项当前或既往）	论文（SCID/DSM-IV）
手工编辑例数	85 例	论文
无需编辑例数	40 例	论文
每例文件数	3（原图/脑图/掩码）	论文 / PCP
全集大小	约 1.9 GB	PCP 主页

关键点：125 例的来源是"第三次访问"的解剖像。NFB 是一个 3 次访问研究——第 1、2 次做深度表型评估，第 2 次做 1 小时连接组 MRI 扫描，最后一次做 1 小时神经反馈扫描；第 1 次与最后一次之间可能间隔长达 3 个月。NFBS 用的是第三次访问的解剖数据。

2.2 影像规格与采集参数

NFBS 的采集参数（论文 “Data acquisition” 节）如下，可用于判断它与你手上数据的可比性：

参数	取值
扫描仪	3 T Siemens Magnetom TIM Trio（Siemens Medical Solutions USA, Malvern PA）
线圈	12 通道头线圈
序列	3D T1 加权 MPRAGE（magnetization-prepared rapid acquisition gradient-echo）
分辨率	1×1×1 mm³（各向同性）
矢状分区数	192
FOV	256×256 mm²
TR（重复时间）	2600 ms
TE（回波时间）	3.02 ms
TI（反转时间）	900 ms
翻转角（FA）	8°
并行加速	GRAPPA 加速因子 2，32 参考行
文件格式	NiFTI，压缩（.nii.gz）
采集顺序	紧随快速定位扫描（localizer）之后，先于其他序列

采集上下文：论文指出解剖像"紧随一个快速定位扫描之后、先于一系列其他扫描"，这些其他扫描的描述超出该数据说明范围（属于 NFB 协议整体）。对只想做颅骨剥离评测的人来说，只需关注上述 T1 参数即可。

2.3 三元组文件结构

对 125 例中的每一例，NFBS 都提供三个文件（论文 “NFBS repository construction” 节原文）：

1. 去脸并匿名化的解剖 T1 加权图像（de-faced and anonymized anatomical T1-weighted image）——原始头图，含颅骨头皮，但已去脸（面部区域被处理以保护隐私）；
2. 颅骨剥离后的脑图（skull-stripped brain image）——抠掉非脑组织后的脑组织像；
3. 脑掩码（brain mask）——逐体素的二值掩码，标出哪些体素属于脑。

三者均为压缩 NIfTI 格式（.nii.gz）。全集大小约 1.9 GB，约合每例十几 MB 量级（含三元组）。

工程提示：评测一个脑提取算法时，典型做法是拿 ① 原图喂给你的算法，把输出掩码与 ③ 金标准掩码比 Dice；② 脑图主要用于可视化或直接当"已剥离输入"使用。论文在评测时对输出施加了 AFNI 3dcalc 的阶跃函数（step）做二值化，使 Dice 更多反映脑组织而非 CSF（详见 §7）。

2.4 BEaST prior library（附赠资产）

除了 125 例三元组，NFBS 还单独提供一个 NFB 定制的 BEaST prior library（约 1.9 GB）。BEaST 是一种"基于非局部分割技术"的脑提取方法——它用 patch-based label fusion（基于块的标签融合）逐体素判定"这个位置属于脑还是非脑"，判据是把它与一个"已分割先验库（library of priors）"中的相似位置比对；同时用多分辨率框架降低计算量。

这个 NFB 定制库是用 NFBS 的手工校正掩码"回灌"训练出来的，论文证明：用 NFBS 库作先验的 BEaST，在 IBSR 与 LPBA40 上的平均 Dice 更高、标准差更小，优于默认的 beast-library-1.1（后者只含 10 名年轻个体）。也就是说，这个附赠库不只是一个"样本库"，它是一个可直接部署的、人群多样性更好的自动剥离先验。

2.5 一个必须澄清的规模双口径：125 vs 95

这是检索 NFBS 时最容易踩的坑。 官方 PCP 页面与 GigaScience 论文的口径都是 125 例；但网络上（尤其第三方机器可读分发渠道，如 Kaggle 上的一些 NFBS 二次分发）常能见到 “95” 这个数字。两者并不矛盾：

• 125 = NFBS 官方全集（论文与 PCP 主页口径）；
• 95 = 某些第三方在特定时点重新打包/去标识后可公开的子集规模，属派生口径。

本条目以官方 125 例口径为准；检索者若在某平台看到 95，应意识到那是二次分发的子集而非官方全集。二者关系详见 §9 存照第 1 条。

2.6 逐文件数据字典

为便于工程对接，下表列出每例文件的建议命名、内容与读取要点（命名以 PCP 发布包实际结构为准，此处给的是通用映射）：

文件角色	内容	典型后缀	读取要点
原图（T1w）	去脸匿名化的 3D T1 加权头图（含颅骨头皮）	.nii.gz	喂给脑提取算法的输入
脑图（brain）	已剥离非脑组织的脑组织像	.nii.gz	可视化/直接使用的已剥离输入
掩码（mask）	逐体素二值脑掩码（脑=1/非脑=0）	.nii.gz	金标准参考，评测时用于算 Dice

一致性保证：三元组在同一空间、同一分辨率（1 mm³）、同一朝向，直接逐体素对齐；脑图 = 原图 × 掩码（逻辑上）。

2.7 为什么"1 mm³ 各向同性"重要

脑提取算法的评测对分辨率敏感：各向同性 1 mm³ 是成人脑 MRI 研究的常见标准分辨率，体素近似立方，使基于 Patch/卷积的方法在三个轴上对称。NFBS 全库统一 1 mm³，意味着：

• 无需重采样即可进入大多数预处理管线；
• 跨例比较时不存在分辨率混淆；
• 但也意味着不直接覆盖各向异性/低分辨率场景（那是另一类评测需求）。

2.8 与他库的分辨率/格式对照

库	分辨率	格式	手工掩码
NFBS	1×1×1 mm³	.nii.gz	是
IBSR	多为 1 mm 级	ANALYZE/NIfTI	是
LPBA40	0.86×0.86×1.5 mm 级	NIfTI	是
OASIS	1 mm 级	NIfTI/其他	否
ADNI	依协议	DICOM/NIfTI	是（受控）

要点：分辨率与格式的不一致，是"跨库横比"时除了掩码标准之外的第二个混淆变量（见 §6.4 与附录 L）。

2.9 与上游 NFB/NKI-Rockland 的边界

必须分清三层：

层	是什么	含什么	库内条目
NFB	Enhanced Rockland Sample Neurofeedback 子研究	3 次访问、表型评估、连接组 MRI、神经反馈任务	（上游，库内以 nki-rockland 近似锚定）
NFBS	NFB 的颅骨剥离预处理再发布	125 例 T1 三元组 + BEaST 库	本条目
NKI-Rockland	NKI 更广的 Rockland Sample 谱系	更大样本、多模态（含 func/dwi 等）	nki-rockland（rid=305）

NFBS 只是 NFB 的一个"预处理侧面"；NFB 只是 NKI-Rockland 谱系中的一个子研究。因此，NFBS 不含功能像、不含 DWI、不含表型标签——只有 T1 解剖像 + 掩码。需要做功能连接、需要诊断标签的研究者，要回到上游 NFB / NKI-Rockland 取数据。

---

§3 工艺：BEaST + Freeview 的迭代 bootstrap

NFBS 最有方法论价值的部分，是它如何把"自动剥离 + 人工修正"组合成一个可迭代、可扩张的半自动流水线。这套工艺是条目 §8 方法学启示的核心，这里先讲清楚它到底怎么运转。

3.1 第一步：BEaST 自动初剥

• 使用 BEaST v1.15.00（brain extraction based on nonlocal segmentation technique）；
• BEaST 的原理是非局部块分割 + 标签融合：对脑边界体积内的每个体素，把它与"已分割先验库"中的相似位置比对，据此判定体素的归属；
• 实现基于 Qingyang Li 编写的 shell 脚本（论文致谢）；
• 同时用多分辨率框架降低计算时间；
• 用 BEaST 对 125 例 T1 像做第一轮自动颅骨剥离。

为什么用 BEaST 而不是 BET？ 论文的评测本身就显示：在同一批 NFB 数据上，BEaST 系方法（带定制库）的表现优于 BET，而 BET 还慢得多。BEaST 的"先验库"机制天然适合"迭代扩张"——这正是 NFBS 工艺的关键抓手（见 3.3）。

3.2 第二步：目视检查 + Freeview 手工校正

• 对 BEaST 初剥结果做目视检查（visual inspection），判断是否残留误差；
• 需要修正的，用 FreeSurfer 软件包中的 Freeview 可视化工具手工编辑；
• 具体操作（论文原文）：把解剖像作为 track volume 载入、把脑掩码作为 volume 载入，用 voxel edit 模式增删掩码体素；
• 编辑标准改编自 Eskildsen et al. (2012) 的 BEaST 原始标准：去除头图中所有外部非脑组织——具体包括颅骨（skull）、头皮（scalp）、脂肪（fat）、肌肉（muscle）、硬脑膜（dura mater）、以及外部血管和神经（external blood vessels and nerves）；
• 每例掩码的编辑时间为 1–8 小时，取决于解剖像质量与 BEaST 掩码质量。

1–8 小时是什么概念？ 这正说明了"纯手工金标准"为何不可规模化——如果 125 例都要从头手画，按平均 4 小时算就是 500 人时。NFBS 用 bootstrap 把"必须手编的量"压缩到了 85 例，其余靠库自动完成。

3.3 第三步：回灌 BEaST 库 + 迭代 bootstrap

这是整套工艺最巧妙的一步，也是它区别于"一次性手工标注"的地方：

1. 把手工编辑后的掩码加入 BEaST library——这些人工校正过的掩码成为新的"先验样本"；
2. 用扩充后的库去剥离剩余的、尚未处理的数据——库越大、人群多样性越广，自动剥离就越准；
3. 重复上述"初剥→检查→手修→回灌"循环（原文称之为 “iterative bootstrapping technique”）；
4. 直到约 85 例被手工编辑、且所有剥离结果都被认为可接受为止。

于是得到 125 例金标准掩码：85 例手编 + 40 例判定无需编辑。这 40 例并非"没检查"，而是检查后认为 BEaST 剥离已经足够好、无需人工干预。

3.3.1 迭代的收敛判据

“直到所有剥离结果被认为可接受"是这套工艺的停止条件。论文给出的量化锚点是"直到约 85 例被手工编辑”。也就是说，实践中的收敛是实用主义的：

• 一开始每一例几乎都要修（库还小、块匹配先验少）；
• 随着库增大，自动剥离越来越准，"需要修"的例数占比下降；
• 到约 85 例时，剩余样本的自动剥离质量已足够好，判定无需编辑。

这解释了为什么最终是"85 手编 + 40 无需编辑"而非"125 全手编"——收敛的本质是边际收益递减：继续手编的投入越来越大、对库的增益越来越小。

3.3.2 一个容易被忽略的副作用：标准被"库化"

由于手工掩码回灌进了 BEaST 库，NFBS 的掩码标准（脑干长度、外部神经/鼻窦取舍）实际上被固化进了先验库。后果有二：

1. 好处：用这个库自动剥离新数据时，输出会"继承"NFBS 的标准——如果你的下游任务需要的正是同一套标准，这是一致性红利；
2. 代价：若你的任务需要与他库（如 IBSR）对齐的标准，直接套用 NFBS 库会引入系统性标准偏移。

这也是 §6.4 与附录 L 反复强调"跨库横比需谨慎"的深层原因。

3.3.3 工艺时间线（示意）

阶段	动作	人工投入	库规模
启动	BEaST 初剥首批 → 目视检查 → 手工编辑	高（多数需修）	小
扩张	校正掩码回灌 → 剥离下一批	中	中
收敛	继续回灌 → 剥离剩余	低（少数需修）	大
封顶	约 85 例手编后全部达标	趋于零	125 例掩码

3.4 工艺的四个可迁移设计点

设计点	作用	可迁移性
自动初剥打底	把人类从"从零勾画"解放到"校正错误"	任意半自动标注流水线通用
目视检查分流	只对"最差的结果"投入人工	省人力的核心分流阀
校正掩码回灌库	让已投入的人工成为后续自动化的资本	主动学习（active learning）思想
迭代至收敛	库越用越强，人工需求递减	弱监督/自训练（self-training）范式

论文自己把这种组合称为"结合了最先进的自动 BEaST 算法与细致的手工编辑"——自动化负责广度，人工负责精度与标准锚定。对今天做医学图像分割标注的团队，这套"机器打底 + 人工校正 + 回灌迭代"的骨架依然是主流范式。

---

§4 与既有金标准库的对照

NFBS 不是凭空出现的孤立库，论文把它放进了 2016 年既有的颅骨剥离金标准库里做定位。

4.1 论文列举的既有库

库	全称/说明	是否手工 delineated	获取门槛（论文语境）
ADNI	Alzheimer’s Disease Neuroimaging Initiative	是	需申请 + 签 DUA，禁止再分发结果
BrainWeb SBD	Simulated Brain Database（仿真脑库）	仿真	公开
IBSR	Internet Brain Segmentation Repository	是	公开
LPBA40	LONI Probabilistic Brain Atlas	是	公开
OASIS	Open Access Series of Imaging Studies	非手工 delineated（但被用作金标准）	公开

NFBS 的自述定位是 “extend and complement these existing repositories”——补充并扩展这些库。

4.2 NFBS 的差异化卖点

论文给出了 NFBS 相对既有库的三条差异化理由：

1. 更异构（more heterogeneous）：125 例、21–45 岁、覆盖广泛精神科症状谱（对照：beast-library-1.1 只有 10 名年轻个体）——人群多样性直接决定自动算法泛化的上限；
2. 零门槛（completely open）：不含敏感健康信息，无需申请、无需 DUA；对照 ADNI 的受控模式，NFBS 可自由下载、可自由再分发结果；
3. 工艺透明（semi-automated bootstrap）：既有自动的规模化又有手工的金标准精度——论文称其"notable for its quality, its heterogeneity, and its ease of access"（以质量、异构性、易获取三点著称）。

4.3 与库内既有条目的对照定位

库内条目	rid	与 NFBS 的关系
nki-rockland	305	直接上游：NFBS 的 125 例出自 NKI-Rockland 谱系下的 NFB 神经反馈子研究
abide	198	同门：ABIDE 与 NFBS 同属 Preprocessed Connectomes Project（PCP）生态
ixi-brain	482	同域对照：IXI 是另一经典脑提取/分割评测用 T1 数据集
oasis	21	论文点名对照：论文将 OASIS 列为既有（非手工）金标准库之一
openneuro	100	发布平台近邻：NKI/NFB 数据常在 OpenNeuro 再发布
bigbrain	285	形态学参照：超高分辨脑图谱，与颅骨剥离标准可对照
brain-slab-seg-3d	972	脑 MRI 分割同域
healthy-brain-network	245	健康脑网络参照

4.4 群体多样性的"账"

论文反复强调"异构"是 NFBS 的核心优势，这里把它的多样性拆成可比较的维度：

维度	NFBS（125 例）	beast-library-1.1（默认库）	含义
例数	125	10	先验样本量差 12.5 倍
年龄跨度	21–45 岁	年轻个体	年龄多样性更广
症状谱	含 66 例精神科诊断	未特别说明	亚临床/临床变异
性别	77 女 + 48 男	未特别说明	性别相对均衡

为什么这张账重要：论文的实证结论是——用 NFBS 库的 BEaST 自动剥离更快更准（平均 Dice 更高、SD 更小）。也就是说，多样性不是"锦上添花的描述"，而是可量化的性能来源。这对今天训练分割/提取模型的团队是一个直接可用的启发：扩充先验/训练集的人群多样性，往往比调网络结构更能提升跨人群泛化。

4.5 NFBS 在时间轴上的位置

年份	事件
2012	BEaST 方法发表（Eskildsen et al.），成为 NFBS 的自动剥离引擎
2012	NKI-Rockland Sample 描述发表（Nooner et al.）
2016-06	GitHub 仓库 NFB_skullstripped 创建
2016-08→09	GigaScience 论文收稿→接收
2016-10-25	GigaScience 论文正式发表（NFBS 公开）
之后	NFBS 被广泛用于脑提取算法评测、预处理管线与教学

4.6 一句话定位

如果用一个比喻：NFBS 是"用机器批量打底、用人手把每张脸都描准"的脑提取裁判尺——它既有自动方法能覆盖的规模，又有手工掩码的金标准精度，而且放在货架上任人取用、不收门票（no DUA）。对 2016 年的神经影像社区，这三点同时做到，就是它被广泛引用的理由。

§5 数据质量、标注与使用须知

5.1 "金标准"到底金在哪

NFBS 自称 gold standard，其"金"体现在三处：

1. 有明确、可引用的编辑标准：改编自 Eskildsen et al. (2012)，规定了"去除哪些非脑组织"（颅骨/头皮/脂肪/肌肉/硬脑膜/外部血管神经）；
2. 人工逐体素校正：85 例由人类用 Freeview 在体素级增删，而非仅做形态学后处理；
3. 有独立的神经放射学审查：纳入时经 board-certified 神经放射科医师确认无脑异常/偶发发现，排除了病理伪影干扰。

5.2 标注的边界与已知限性

论文自己承认的、检索者必须知道的边界：

• 手工掩码固有偏差：“The manual creation and correction of brain masks is tedious, time-consuming, and susceptible to experimenter bias.”（手工创建与校正脑掩码既繁琐耗时，又易受实验者偏差影响）——即金标准并非"绝对真理"，而是"高质量人工共识"；
• 脑干长度与外部结构取舍有约定：论文指出跨数据集的 Dice 差异可能部分来自"掩码标准的差异，例如脑干长度、外部神经与鼻窦的纳入与否"——这直接影响跨库横比；
• 单机单序列：全部来自一台 3T Siemens TIM Trio，单一 MPRAGE 序列，跨扫描仪/跨序列泛化未验证；
• 人群窄：21–45 岁成人，无儿童、无老年、无重症脑病；
• 无表型标签：数据集本身不含诊断标签，仅有影像 + 掩码。

5.3 使用前必须决定的三件事

拿到 NFBS 准备做评测前，建议先明确：

1. 二值化口径：你的算法输出是概率图还是二值掩码？论文评测时对输出施加了 AFNI 3dcalc 的 step 函数二值化，使 Dice 更反映脑组织而非 CSF。若你要复现论文数字，需对齐这个二值化口径；
2. 朝向统一：论文把所有输出转为 LPI 朝向（AFNI 3dresample）后再算 Dice——跨方法跨数据集比较前必须统一朝向；
3. 脑干/外部结构标准：你的评测是否接受 NFBS 的脑干长度与鼻窦取舍约定？若不接受，需在结论中注明标准差异。

5.4 标注数据的形式规范

• 掩码为逐体素二值（脑=1 / 非脑=0），与 T1 原图空间对齐、同分辨率（1 mm³）；
• 脑图为原图与掩码的乘积结果（已剥离非脑组织）；
• 全部文件为 .nii.gz，可用 NiBabel（论文所用输入库）、nibabel/SimpleITK/FSL/AFNI 等常规工具读取。

5.5 一个诚实提醒：这不是"健康对照集"

66/125 例带有 ≥1 项精神科诊断，样本是为"保留症状差异（variance）“而刻意招募的社区样本人群（minimally restrictive psychiatric exclusion criteria，仅筛除最严重、无法配合者）。作者原意是让样本"代表一般人群的同时保有一定临床变异”。因此：

• 用它做颅骨剥离算法评测：没问题，人群多样性反而是优点；
• 用它做**"正常人脑形态"参考**：不合适，它不是纯健康对照；
• 用它做诊断/预测建模：需谨慎，且要回上游取表型标签与更严谨的对照设计。

5.6 采集体量与临床构成的表 1 线索

论文 Table 1（“Neurofeedback participant diagnoses”）汇总了参与者的诊断构成，正文仅给出"66 例有 ≥1 项当前或既往诊断"这一硬数字。若需逐诊断类别的分布明细，应查阅 GigaScience 论文原文 Table 1 全文（本条目不臆造缺失的逐类数字）。

5.7 质量控制的五个检查清单

用 NFBS 做研究前，对着下面这张清单逐项确认，能避免绝大多数误用：

检查项	通过标准	不通过的后果
规模口径	确认是 125 例官方版	误用 95 例派生，样本口径错
人群判断	知道含 66 例症状样本	误当健康对照，结论偏差
掩码标准	确认接受 NFBS 的脑干/鼻窦约定	跨库横比出现系统偏移
朝向/二值化	复现时统一 LPI + step	Dice 数字飘移
许可确认	知道是"开放、无 DUA"但无 SPDX	商用合规风险

5.8 数据完整性核验建议

拿到下载包后，建议做以下最小核验：

1. 计数：确认受试者数为 125（或明确你用的是派生子集）；
2. 三元组齐备：每例应有 3 个文件（原图/脑图/掩码）；
3. 格式：全部为 .nii.gz；
4. 分辨率：抽查若干例，确认 1×1×1 mm³；
5. 空间一致性：原图与掩码的 affine/形状应一致（对齐）。

5.9 与"自动掩码"混用的风险

一个常见误用：把某个自动算法的输出掩码当成"NFBS 掩码"使用。NFBS 的唯一金标准身份来自人工校正；如果你手上的是自动剥离结果（哪怕来自 BEaST + NFBS 库），它也只是"高仿"，不能标称为金标准。评测的公正性完全依赖于参考掩码的"金"性。

---

§6 获取与许可

6.1 获取入口一览

资产	大小	获取方式	门槛
NFBS skull-stripped images	约 1.9 GB	PCP 官方页面直链	无（直接下载）
NFBS BEaST library	约 1.9 GB	PCP 官方页面直链	无（直接下载）
制作脚本（Bash/Python）	—	GitHub 仓库	无（MIT）
论文全文	—	GigaScience（开放获取）	无

官方主页：http://preprocessed-connectomes-project.org/NFB_skullstripped/
代码库：https://github.com/preprocessed-connectomes-project/NFB_skullstripped

6.2 许可条款细读

NFBS 的许可口径，是本条目最需要"读准"的一段：

• 论文原文结论：“the repository is completely open to the neuroscience community. NFBS contains no sensitive personal health information, so researchers interested in using it may do so without submitting an application or signing a data usage agreement.”（该库完全向神经科学界开放；NFBS 不含敏感个人健康信息，因此感兴趣的研究者无需提交申请或签署数据使用协议即可使用。）
• 对照 ADNI：论文特意用它对比 ADNI——ADNI 需申请 + 签 DUA，且"禁止再分发其结果"；NFBS 没有这些限制。
• GitHub 仓库许可：preprocessed-connectomes-project/NFB_skullstripped 仓库标注 MIT License（创建于 2016-06-09）。注意：MIT 覆盖的是仓库内的脚本代码，数据本体的 SPDX 标识未被明确标注。
• 载体许可：论文本身为 GigaScience 开放获取。

存照（重要）：NFBS 数据本体未见以 SPDX 标识形式给出的许可。"开放、无 DUA、可自由使用"是论文与 PCP 页面给出的散文式许可声明，而非标准 SPDX 条款。若你的用途对许可合规性要求严格（如商用再分发），建议按 §9 存照第 6 条，向作者书面确认。

6.3 为什么"no DUA"是核心卖点

在神经影像数据普遍受 IRB/DUA 约束的环境里，"无需 DUA"意味着：

• 零往返时间：不用等伦理审批、不用等数据使用协议签署，下载即研究；
• 可自由再分发：论文明确指出 NFBS 与 ADNI 的差别正在于 ADNI"禁止分发其结果"，而 NFBS 无此约束——这让研究者可以把基于 NFBS 训练的模型/掩码公开；
• 可商用/可放进开源管线：低门槛使其常被纳入开源预处理管线与教学材料。

6.4 版本链与派生

环节	对象	说明
上游	NFB（Enhanced Rockland Sample Neurofeedback Study）	NFBS 的影像来源（第三次访问解剖像）
上游谱系	NKI-Rockland Sample	更广的样本谱系（库内 nki-rockland rid=305）
本体	NFBS（125 例）	本条目；PCP 主页直链
工具化	GitHub NFB_skullstripped	制作/验证脚本（MIT）
第三方派生	Kaggle 等平台的 NFBS 二次分发（常见 95 例子集口径）	非官方版本；以官方 125 为准
第三方元数据	TIB LDMService DCAT 登记（doi:10.57702/uj6z2rnx，2024-12-16）	编目条目，非官方发布

6.5 环境提示

• 官方直链为 http；不同镜像/镜像站的可用性会随时间变化，检索者应以官方页面为准；
• 若官方站点不可达，可尝试通过 GitHub 仓库的 README/docs 查找备用镜像；
• 若在 HuggingFace 生态找 NFBS：本轮核查未在 HF 上发现官方 NFBS 数据集（HF 搜索 nfbs 无结果），因此不必在 HF 上找镜像。

6.6 AI-Ready 视角下的获取评估

维度	评价
可发现性	高——PCP 官方页 + GigaScience 论文 + GitHub 三处互指
可获取性	极高——直链下载，无 DUA
格式友好度	高——标准 NiFTI(.nii.gz)，主流库直接读
元数据完备度	中——影像与掩码齐全，但数据集本体无表型标签、无标准 SPDX
机器可读性	高——文件名一致、结构规整，易于批量脚本处理

---

§7 评估与基准

NFBS 论文自身做了两组评测实验，这两组结果构成了引用 NFBS 时最常被援引的基准数字。

7.1 实验一：以 NFBS 为金标准，评测三种自动方法

目的是演示"如何用 NFBS 当测试数据来比较自动颅骨剥离方法"。做法是对 NFB 原始数据用三种经典方法做自动剥离，再与 NFBS 的金标准掩码比 Dice。

方法	全称	平均 Dice	标准差	运行耗时
BET	Brain Extraction Tool（FSL）	0.893	± 0.027	约 25 分钟
3dSkullStrip	AFNI	0.949	± 0.009	约 2 分钟
HWA	Hybrid Watershed Algorithm	0.900	± 0.011	约 1 分钟

结论：3dSkullStrip 显著优于另外两种方法；HWA 居次。值得注意的是，BET 是三者中在 NFBS 上表现最差的，却耗时最长（25 分钟 vs 3dSkullStrip 2 分钟、HWA 1 分钟）。

Dice 是什么：Dice 相似系数 D = 2·|A∩B| / (|A|+|B|)，A 是测试掩码体素集，B 是金标准掩码体素集，|·| 是集合体素数。D=1 表示完全重合，D=0 表示完全不重合。掩码评测中 0.9 以上通常已属不错，0.95 以上属优秀。

7.2 实验二：以 IBSR / LPBA40 为金标准，比较五种方法

第二组把金标准换成 IBSR（v2.0） 与 LPBA40，比较五种方法：

1. BET
2. 3dSkullStrip
3. HWA
4. BEaST（用默认先验库 beast-library-1.1）
5. BEaST（用 NFBS 作先验库）

结论：

• 在 IBSR 上，3dSkullStrip 优于 BET 和 HWA（与 NFBS 实验一致）；
• 在 LPBA40 上，BET 反而明显优于另外两种——说明方法优劣高度依赖数据集；
• 关键结论：BEaST 用 NFBS 作先验库时，平均 Dice 更高、标准差更小，优于默认 beast-library-1.1。

7.3 为什么 NFBS 先验库更好

论文给出的解释：NFBS 的先验库反映了远比 beast-library-1.1 更广的人群范围——后者只含 10 名年轻个体，而 NFBS 覆盖 125 例、21–45 岁、广泛症状谱。人群多样性越广，块匹配时越容易找到"相似个体"，标签融合越准。论文还指出，跨库 Dice 差异也可能来自掩码标准不同（脑干长度、外部神经与鼻窦取舍）。

7.4 复现实验的口径提醒

论文在评测中做了两件容易忽略、但影响数字可比性的事：

1. 朝向统一：把所有方法输出与数据集统一转为 LPI 朝向（AFNI 3dresample）；
2. 二值化：对所有输出施加 AFNI 3dcalc 的 step 函数做二值化，使 Dice"更受脑组织而非 CSF 影响"。

论文还提醒：与文献里既有 Dice 数字的差异，可能来自所用颅骨剥离算法的版本与实现差异（这一可能性在文献中已有支持）——因此复现时务必记录方法版本。

7.5 结果解读的四条守则

1. 先看口径再看数字：同一算法在不同口径（二值化、朝向、掩码标准）下 Dice 会变，比数字前先比口径；
2. 别把单库排名当普适真理：论文自己就出现"NFB 上 3dSkullStrip 最好，LPBA40 上 BET 更好"的反转——方法优劣高度依赖数据；
3. 优先看标准差：BET 的 0.893±0.027 与 HWA 的 0.900±0.011 均值接近，但 BET 波动大得多，稳定性更差；
4. 耗时也是指标：BET 25 分钟 vs 3dSkullStrip 2 分钟，在批量预处理场景下 12.5 倍的差距可能比 0.05 的 Dice 差距更关键。

7.6 为什么 NFBS 的实验设计值得学

论文的两组实验构成了一个清晰的逻辑闭环：

• 实验一（NFBS 当金标准）回答"怎么用 NFBS 评测别人"——演示了它的测试用途；
• 实验二（NFBS 库当先验）回答"NFBS 还能怎么用"——证明它不只是评分尺，还是能提升自动方法的资产。

这种"一物两用"的设计，使 NFBS 同时服务了评测与增强两类需求，也是它被广泛引用的原因之一。

7.7 基准数字速查卡

NFB 数据上（金标准 = NFBS）：
  BET           Dice 0.893 ± 0.027   耗时 ~25 min
  3dSkullStrip  Dice 0.949 ± 0.009   耗时 ~2 min   （最佳）
  HWA           Dice 0.900 ± 0.011   耗时 ~1 min

IBSR/LPBA40 上（金标准 = 各库自身）：
  IBSR:   3dSkullStrip > BET, HWA
  LPBA40: BET > 其他
  BEaST(NFBS 库) > BEaST(beast-library-1.1)  —— 平均 Dice 更高、SD 更小

§8 方法学启示：四条可迁移的经验

NFBS 表面上只是一个"数据集"，但它对"如何生产高质量标注数据"这件事提供了四条至今仍有效的经验。

8.1 机器打底 + 人工校正 + 回灌迭代 = 标注的黄金范式

NFBS 的工艺骨架是：自动算法批量初剥 → 人类只修最差的 → 修正结果回灌成新的先验 → 循环收敛。这个"bootstrap"结构的关键洞察是：人类的每一次修正都不应只服务当下这一例，而应沉淀为让后续自动化更强的资产。这与今天主动学习（active learning）、自训练（self-training）、弱监督分割的思路一脉相承——NFBS 早在 2016 年就把它做成了一个可交付的数据产品。

8.2 "只修最差的"是省人力的分流阀

如果 125 例全部手编，按每例 1–8 小时（均值约 4 小时）计，约需 500 人时。NFBS 通过"目视检查后分流"把手工量压到 85 例——40 例被判定无需编辑。这 40 例不是"偷懒"，而是"自动结果已经足够好、再修是浪费"。把人类注意力精准投放到最需要的地方，是任何半自动标注流水线的核心效率来源。

8.3 人群多样性是自动方法的隐形超参数

论文结论极具启发性：用 NFBS 库作先验的 BEaST 优于默认库，根本原因是 NFBS 人群更广（125 例 vs 10 名年轻个体）。这提示我们：自动分割算法的泛化能力，很大程度上被训练/先验数据的人群多样性所决定，而不只是算法本身。在病理、儿童、老年等边缘人群上，多样性先验的价值会被进一步放大。

8.4 金标准是"高质量里程碑"，不是"绝对真理"

论文诚实地承认手工掩码"耗时、易受实验者偏差影响"，并指出跨库 Dice 差异部分源于掩码标准本身不同（脑干长度、外部神经/鼻窦取舍）。这教会检索者一件重要的事：比较不同金标准库上的评测数字时，必须考虑"标准差异"这一混淆变量，不能简单地把 Dice 高低当作算法优劣的全部依据。

结论：NFBS 是"人类在环（human-in-the-loop）标注"的一个早期、已被广泛验证的成功案例。它证明——在预算有限时，把人工投在"模型最不确定的样本"上、并把结果反哺模型，是效率最高的标注策略。

8.6 对数据集设计的启示：把"标准"显式写出来

NFBS 论文特意把脑干长度、外部结构的取舍写进方法，并把它作为跨库差异的解释变量。这是一种标注规范意识：好的数据集不仅交付"标注"，还交付"标注所依据的规则"。后来的数据集若都能这样做，跨库比较的混乱会大幅减少。

8.7 可迁移性小结

经验	一句话	迁移场景
机器打底 + 人工校正 + 回灌	人工投入要沉淀为资产	任何分割/检测标注
只修最差的	注意力花在刀刃上	主动学习
多样性是性能来源	别只堆算法，也堆人群	模型泛化
金标准非绝对真理	比数字先比口径	基准评测
显式交付标准	标注规范也是交付物	数据集设计

---

§9 与库内条目的关系

9.1 家族图谱

NKI-Rockland Sample（nki-rockland, rid=305）
      │  谱系向下
      ▼
NFB（Enhanced Rockland Sample Neurofeedback Study）
      │  第三次访问解剖像 → 颅骨剥离再发布
      ▼
NFBS（本条目，125 例 T1 三元组 + BEaST 库）
      │
      ├── 同属 PCP 生态 ──► abide（rid=198）
      ├── 同域金标准对照 ─► ixi-brain（rid=482）、oasis（rid=21）
      ├── 发布平台近邻 ───► openneuro（rid=100）
      └── 形态/网络参照 ──► bigbrain（rid=285）、healthy-brain-network（rid=245）

9.2 与主要互链条目的关系说明

条目	rid	关系	建议互链理由
nki-rockland	305	直接上游	NFBS 的 125 例出自该谱系下的 NFB 子研究；读者理解 NFBS 必须了解 NFB/NKI-Rockland
abide	198	同门（PCP）	ABIDE 与 NFBS 同属 Preprocessed Connectomes Project，可对读 PCP 的预处理理念
ixi-brain	482	同域对照	IXI 是另一经典脑提取/分割评测 T1 数据集；可对照人群与采集差异
oasis	21	论文点名对照	论文将 OASIS 列为既有（非手工 delineated）金标准库之一
openneuro	100	平台近邻	NKI/NFB 数据常在 OpenNeuro 再发布；读者常从此进入
bigbrain	285	形态学参照	超高分辨脑图谱，与颅骨剥离标准可对照
healthy-brain-network	245	健康脑网络参照	与 NFBS 的"含症状样本"形成人群对照
1000-functional-connectomes	295	NKI 系连接组近邻	同属 NKI 系大规模数据集
brain-slab-seg-3d	972	脑 MRI 分割同域	脑影像分割任务同域
human-connectome-project	95	平台/规模对照	大规模脑影像数据组织模式对照
allen-brain-atlas	275	脑图谱参照	脑结构参照系

9.3 检索路径建议

• 想做脑提取算法评测：从 NFBS（本条目）出发 → 对照 ixi-brain（482）/ oasis（21）→ 参考 nki-rockland（305）理解上游人群；
• 研究 PCP 预处理生态：NFBS + abide（198）并列阅读；
• 找更大规模脑影像：转 1000-functional-connectomes（295）/ human-connectome-project（95）；
• 需要功能像/表型：NFBS 不含，须回上游 NFB / nki-rockland。

9.4 消歧说明（正文声明的血缘对照）

• NFBS ≠ NFB：NFB 是上游神经反馈研究（含功能像与表型），NFBS 只是其颅骨剥离预处理再发布（仅 T1 + 掩码）；
• NFBS ≠ NKI-Rockland：后者是更广谱系，NFBS 是其一个子研究的预处理侧面；
• NFBS 的 125 例 ≠ 网络上某些 “95 例” 派生包：以官方 125 为准，95 为第三方子集。

9.5 读库建议：三条组合阅读路径

路径一：脑提取方法学
nfbs（金标准 + 工艺）→ ixi-brain（482，另一评测库）→ oasis（21，论文对照库）。理解"金标准如何定义、如何比较"。

路径二：PCP 预处理生态
nfbs → abide（198）。两者同属 Preprocessed Connectomes Project，对读可见 PCP 一贯的"公开预处理结果"理念。

路径三：NKI 数据谱系
nki-rockland（305）→ nfbs → 1000-functional-connectomes（295）。从母研究到预处理侧面再到同系连接组，理解一个机构的数据发布策略。

9.6 互链价值排序

排序	条目	rid	互链价值
1	nki-rockland	305	血缘最直接，读者理解上游的必经之路
2	abide	198	PCP 同门，生态对读
3	ixi-brain	482	同域评测库，横向对照
4	oasis	21	论文点名对照
5	openneuro	100	平台入口
6	bigbrain	285	形态学参照

---

§10 避坑清单：八个已踩过的坑

坑 1：把 125 与 95 当成两个不同数据集。
官方全集是 125 例；第三方机器可读派生常被引为 95 例。它们不是两个数据集，而是"全集 vs 派生/再打包子集"。引用时永远以官方 125 为准，看到 95 要意识到那是二次分发口径。

坑 2：把它当"健康人脑"参考。
66/125 例带精神科诊断，样本是刻意保留症状变异的社区人群。做颅骨剥离评测没问题，做"正常人脑形态"参考就不对。

坑 3：以为它有功能像或诊断标签。
NFBS 只有 T1 解剖像 + 掩码 + （附）BEaST 库。功能像、DWI、表型标签都要回上游 NFB / NKI-Rockland 取。

坑 4：跨库横比 Dice 时忽略"掩码标准差异"。
NFBS 的脑干长度、外部神经/鼻窦取舍约定与他库（IBSR/LPBA40）不完全一致。直接拿别处发表的 Dice 与 NFBS 上的数字比，可能测的是"标准差异"而非"算法差异"。论文自己就提醒了这一点。

坑 5：忘记朝向统一与二值化口径。
论文评测把所有输出转 LPI 朝向、并施加 AFNI 3dcalc step 二值化。复现数字时不对齐这两步，Dice 会飘。

坑 6：误信 GitHub 的 MIT 就是数据的许可。
GitHub 仓库的 MIT 覆盖脚本代码；数据本体的许可在论文与页面上只是"开放、无 DUA"的散文式声明，没有标准 SPDX 标识。严格合规场景需向作者确认。

坑 7：以为在 HuggingFace 上能下到 NFBS。
本轮核查 HF 搜索 nfbs 无结果。NFBS 的官方渠道是 PCP 主页直链（images + BEaST library），不在 HF。

坑 8：拿 BET 的 25 分钟当"标准做法"。
在 NFBS 实验里 BET 表现最差还最慢（25 分钟）；3dSkullStrip 更快更准（2 分钟，Dice 0.949）。做基线选型时别默认 BET。

上述八坑中，坑 1（规模双口径）、坑 4（标准差异）、坑 6（许可）为最高频误读点，建议优先掌握。

---

§11 总结

11.1 三句话总结

1. NFBS 是脑提取（颅骨剥离）领域的金标准评测库：125 例来自 NKI 神经反馈研究的 T1 加权 MRI，配备手工校正的逐体素脑掩码。
2. 它的工艺是可复制的半自动范式：BEaST 自动初剥 + Freeview 手工校正（85 例）+ 埋码回灌迭代 bootstrap，兼顾规模与精度。
3. 它的最大价值之一是零门槛：开放获取、无需数据使用协议，两个约 1.9 GB 直链包即可获得，且附赠优于默认库的 BEaST 先验库。

11.2 适合谁

• 开发/评测脑提取（skull-stripping）算法的研究者与工程团队；
• 需要高质量脑掩码金标准做对照实验的神经影像方法学研究者；
• 研究半自动标注流水线 / 主动学习范式的方法论工作者；
• 需要含症状谱的成人 T1 样本做预处理鲁棒性验证的团队；
• 做脑影像预处理教学、需要干净金标准样本的课程设计者。

11.3 不适合谁

• 需要功能像 / DWI / 表型标签的研究者（NFBS 没有，请回上游）；
• 需要儿童 / 老年 / 重症脑病样本者（NFBS 仅成人 21–45 岁、无重症）；
• 需要多厂商多序列跨扫描仪泛化验证者（NFBS 单机单序列）；
• 把 NFBS 当"正常人脑形态"参考者（含 66 例症状样本）。

11.4 30 秒决策卡

你要做什么？─────────────────────────────────┐
├─ 评测脑提取算法 → 用！它就是你缺的金标准
├─ 找现成脑掩码 → 用！125 例手工校正掩码
├─ 找健康人脑参考 → 慎用（含症状样本）
├─ 找功能像/DWI/标签 → 别用，回上游 NFB/NKI-Rockland
├─ 找大样本连接组 → 转 1000-functional-connectomes(295)
└─ 商用/再分发 → 可用（no DUA），但确认数据本体 SPDX

---

FAQ（高频问答 39 问）

A. 基础认知

A1：NFBS 到底是什么？
Neurofeedback Skull-stripped repository——NKI 神经反馈研究 125 例 T1 加权脑 MRI 的手工校正颅骨剥离（脑提取）金标准库。

A2：它和 NFB 是什么关系？
NFB 是上游神经反馈研究（采集方）；NFBS 是 NFB 数据的颅骨剥离预处理再发布。NFBS 的 125 例取自 NFB 第三次访问的解剖像。

A3：为什么名字里有 Neurofeedback？
因为影像来自 Neurofeedback 研究（NFB）。NFBS 本身不含神经反馈任务数据。

A4：谁做的？
NKI 计算神经影像实验室 + Child Mind Institute 发育脑中心；通讯作者 R. Cameron Craddock。

A5：什么时候发布的？
论文 2016-10-25 发表于 GigaScience；GitHub 仓库创建于 2016-06-09。

B. 数据与获取

B1：有多少例？
125 例（77 女 + 48 男，21–45 岁，均值 31）。

B2：每例有哪些文件？
去脸 T1 原图 + 剥离脑图 + 二值脑掩码（均 .nii.gz）。

B3：多大？
全集约 1.9 GB；另有 BEaST library 约 1.9 GB。

B4：怎么下载？
PCP 官方页面两个直链包。也见 GitHub 仓库。

B5：要申请吗/要签 DUA 吗？
不需要。论文明确：不含敏感健康信息，无需申请或签署 DUA。

B6：那个"95 例"是怎么回事？
是第三方机器可读派生的子集口径，非官方全集。官方是 125 例。

B7：HuggingFace 上有吗？
本轮核查 HF 搜索 nfbs 无结果，官方渠道是 PCP 主页。

C. 规格与工艺

C1：什么扫描仪和序列？
3T Siemens Magnetom TIM Trio，3D MPRAGE T1 加权。

C2：分辨率？
1×1×1 mm³。

C3：掩码怎么做出来的？
BEaST v1.15.00 自动初剥 → Freeview 手工校正 → 回灌 BEaST 库迭代。

C4：多少例是手工编辑的？
85 例手工编辑 + 40 例判定无需编辑 = 125。

C5：每例编辑要多久？
1–8 小时，取决于图像与初剥质量。

C6：附赠的 BEaST library 有什么用？
它是 NFB 定制先验库，可直接拿去自动剥离新数据，且优于默认库。

D. 评测与发现

D1：论文上各方法的 Dice 是多少？
BET 0.893±0.027；3dSkullStrip 0.949±0.009；HWA 0.900±0.011。

D2：哪个方法最好？
在 NFB 数据上 3dSkullStrip 最好且快（约 2 分钟）；BET 最差还最慢（约 25 分钟）。

D3：NFBS 先验库真的优于默认库吗？
是。BEaST 用 NFBS 库时平均 Dice 更高、标准差更小。

D4：为什么更好？
因为 NFBS 覆盖人群更广（125 例 vs 默认库 10 名年轻个体）。

D5：Dice 怎么算？
D = 2·|A∩B|/(|A|+|B|)，A/B 分别为测试与金标准掩码体素集。

D6：复现要注意什么？
统一 LPI 朝向、施加 AFNI 3dcalc step 二值化、记录方法版本。

E. 使用与边界

E1：它能当健康对照组吗？
不建议，66/125 带精神科诊断。

E2：有功能像吗？
没有，只有 T1 解剖像 + 掩码。

E3：有诊断标签吗？
没有，需回上游 NFB/NKI-Rockland 取。

E4：许可能商用吗？
数据"开放、无 DUA"，但数据本体无标准 SPDX；严格商用建议向作者确认。

E5：能再分发吗？
论文对比 ADNI 时明确 NFBS 无"禁止再分发结果"约束，可自由使用；再分发前建议确认数据本体条款。

E6：掩码标准和其他库一样吗？
不完全一样——脑干长度、外部神经/鼻窦取舍有差异，跨库横比需谨慎。

E7：怎么快速验证我拿到的是官方版？
核对是否为 125 例、文件结构为三元组 .nii.gz、来源为 PCP 页面。

F. 复现与工程

F1：用 NFBS 训练一个脑提取模型要注意什么？
划分训练/测试时避免同一受试者跨集；记录掩码标准；统一预处理（去脸、朝向）；用 Dice 与敏感度/特异度多维评估。

F2：能直接拿掩码做体积测量吗？
可以，但注意 NFBS 掩码去除了硬脑膜与外部结构，颅内体积（ICV）口径可能与某些管线不同，需说明标准。

F3：脑图和掩码哪个更适合当输入？
若你的下游是"假设已剥离"的任务，用脑图；若你要评测/训练提取算法，用原图 + 掩码。

F4：NFBS 和他库能拼起来训练吗？
理论可以，但需先处理分辨率、朝向、掩码标准的差异，否则会引入混淆；建议至少声明标准对齐策略。

F5：怎么处理部分容积效应（partial volume）？
掩码是二值的，边界体素可能含混合组织；对体积测量敏感的任务可考虑概率化或软掩码重建，但这超出 NFBS 二值掩码的提供范围。

F6：数据集有版本号吗？
官方未以语义版本标注；以 PCP 页面当期发布为准，第三方派生（如 95 例包）应各自标注。

F7：能用于教学吗？
可以，且是很好的教材——规模适中、格式标准、工艺清晰、开放无门槛。

F8：为什么有人引用时数字不一致？
多因口径（二值化/朝向/算法版本/掩码标准）或规模口径（125 vs 95）不同，见 §10 坑点档案。

---

事实清单（硬事实 34 条）

1. 数据集全称：Neurofeedback Skull-stripped (NFBS) repository。
2. 中文名：神经反馈颅骨剥离数据集。
3. 归属项目：Preprocessed Connectomes Project（PCP）。
4. 发布机构：Nathan S. Kline Institute for Psychiatric Research（NKI）+ Child Mind Institute。
5. 通讯作者：R. Cameron Craddock。
6. 合著者：Benjamin Puccio, James P. Pooley, John S. Pellman, Elise C. Taverna。
7. 论文载体：GigaScience 2016;5(1):45。
8. 论文 DOI：10.1186/s13742-016-0150-5。
9. 论文发表日期：2016-10-25。
10. 预印本：bioRxiv doi:10.1101/067017。
11. 受试者数：125 例。
12. 性别：77 女 + 48 男。
13. 年龄范围：21–45 岁。
14. 年龄均值：31 岁（SD 6.6）。
15. 有精神科诊断者：66/125（SCID/DSM-IV）。
16. 每例文件：原图 + 脑图 + 脑掩码（3 个 .nii.gz）。
17. 分辨率：1×1×1 mm³。
18. 全集大小：约 1.9 GB。
19. 附赠 BEaST 库大小：约 1.9 GB。
20. 扫描仪：3T Siemens Magnetom TIM Trio（12 通道头线圈）。
21. 序列：3D T1 加权 MPRAGE。
22. TR/TE/TI/FA：2600 ms / 3.02 ms / 900 ms / 8°。
23. 矢状分区：192；FOV：256×256 mm²。
24. 加速：GRAPPA ×2，32 参考行。
25. 采集时点：NFB 第三次访问。
26. 自动初剥工具：BEaST v1.15.00。
27. 手工编辑工具：FreeSurfer Freeview。
28. 手工编辑例数：85 例；无需编辑：40 例。
29. 每例编辑耗时：1–8 小时。
30. BET Dice：0.893±0.027（约 25 分钟）。
31. 3dSkullStrip Dice：0.949±0.009（约 2 分钟）。
32. HWA Dice：0.900±0.011（约 1 分钟）。
33. 许可口径：开放、无需数据使用协议（no DUA）。
34. 代码库许可：GitHub NFB_skullstripped，MIT License（创建 2016-06-09）。

---

术语表（26 条）

术语	英文	释义
颅骨剥离	skull-stripping	从脑 MRI 头图中去除颅骨、头皮等非脑组织的预处理步骤
脑提取	brain extraction	同上，强调"提取出脑"的视角
脑掩码	brain mask	逐体素标记脑/非脑的二值掩码
BEaST	brain extraction based on nonlocal segmentation technique	基于非局部分割的脑提取方法，用块匹配 + 标签融合
标签融合	label fusion	用多个先验样本投票决定体素归属的技术
先验库	prior library	BEaST 用于块匹配比对的已分割样本集合
Freeview	—	FreeSurfer 的可视化工具，用于手工编辑掩码
FreeSurfer	—	广泛使用的神经影像分析软件套件
BET	Brain Extraction Tool	FSL 的经典脑提取工具
3dSkullStrip	—	AFNI 的脑提取工具
HWA	Hybrid Watershed Algorithm	分水岭式脑提取算法
MPRAGE	magnetization-prepared rapid acquisition gradient-echo	一种常用 3D T1 加权序列
T1 加权	T1-weighted	突出解剖结构的 MRI 对比
NiFTI	Neuroimaging Informatics Technology Initiative	常用神经影像文件格式（.nii/.nii.gz）
GRAPPA	generalized autocalibrating partially parallel acquisition	并行成像加速技术
TR/TE/TI/FA	repetition/echo/inversion time, flip angle	MRI 采集关键参数
FOV	field of view	成像视野
Dice 系数	Dice similarity coefficient	衡量两个掩码重合度的指标
金标准	gold standard	经人工精心校正确认的参考标注
bootstrap（此处）	iterative bootstrapping	用已校正样本扩充库、再自动处理剩余数据的迭代
实验者偏差	experimenter bias	人工标注中由标注者主观引入的系统误差
社区样本	community-ascertained sample	从社区招募、非临床集中抽样的被试群体
SCID	Structured Clinical Interview for DSM	结构化临床访谈，用于精神科诊断
RDoC	Research Domain Criteria	NIMH 提出的精神障碍研究框架
LPI 朝向	LPI orientation	影像方向约定（左-后-下为轴）
no DUA	no data usage agreement	无需签署数据使用协议即可使用

---

附录

附录 A：条目信息速查卡

字段	值
slug	nfbs
官方名	Neurofeedback Skull-stripped (NFBS) repository
论文	GigaScience 2016;5:45（doi:10.1186/s13742-016-0150-5）
规模	125 例
文件	3 × .nii.gz / 例
许可	开放、无 DUA
获取	PCP 主页直链
category_tags	神经科学、脑影像、MRI、医学图像分割、评测基准
库内互链	nki-rockland(305)、abide(198)、ixi-brain(482)、oasis(21)、openneuro(100)

附录 B：DAIMS 评估全表

DAIMS（Data Acquisition, Integration, Management, Sharing）维度评估：

维度	评分	说明
D — Data Acquisition（数据获取质量）	高	3T Siemens TIM Trio，标准 MPRAGE，1 mm³，参数完整披露；单机单序列为限
A — Annotation（标注质量）	高	手工逐体素校正（85 例），有可引用编辑标准（Eskildsen 2012），经神经放射学审查；存在实验者偏差限性
I — Integrity（完整性/一致性）	高	三元组结构一致，全部 .nii.gz、同分辨率、空间对齐
M — Metadata（元数据）	中	采集参数、人群统计齐全；但数据本体无表型标签、无标准 SPDX 许可标识
S — Sharing（共享与可达性）	极高	直链下载、无需 DUA、可自由使用，相对 ADNI 的受控模式是核心优势
综合	高（可获取性维度尤为突出）	作为脑提取金标准评测库，各维度均衡且共享门槛最低

附录 C：逐项证据链自证

主张	证据
125 例	PCP 主页 + GigaScience 论文（双源一致）
77 女/48 男、21–45 岁、均值 31	GigaScience 论文 “Data acquisition” 节
3T Siemens TIM Trio / MPRAGE / 参数	论文 “Data acquisition” 节
85 手编 + 40 无需编辑	论文摘要 + “NFBS repository construction” 节
BET 0.893 / 3dSkullStrip 0.949 / HWA 0.900	论文 “Data validation → Results” 节
BEaST(NFBS 库) 优于默认库	论文 “Results” + 图 3
no DUA	论文结论段 + PCP 页面
GitHub MIT	GitHub API 仓库元数据（created 2016-06-09）

附录 D：数据获取决策树

你想用 NFBS 做什么？
├─ 评测脑提取算法
│   ├─ 需要掩码 → 下 "NFBS skull-stripped images"（1.9 GB）
│   └─ 需要先验库 → 再下 "NFBS BEaST library"（1.9 GB）
├─ 直接拿现成脑掩码
│   └─ 下 images 包，取 brain mask 文件
├─ 复现论文基准
│   ├─ 下 images 包
│   ├─ 用 BET/3dSkullStrip/HWA 剥离原图
│   └─ 统一 LPI + step 二值化后算 Dice
└─ 需要功能像/表型
    └─ NFBS 不提供 → 回上游 NFB / NKI-Rockland（nki-rockland, rid=305）

附录 E：掩码使用规范建议

场景	建议
训练新的脑提取模型	用 125 例掩码做监督信号，注意留出测试划分
评测外部算法	用原图 + 金标准掩码算 Dice，记录二值化与朝向口径
数据增强	可利用脑图做合成，但需保持与掩码的空间一致
与别库联合	注意掩码标准差异，建议在结论中声明口径

附录 F：半自动标注流水线复现骨架（SOP 模板）

1. 收集去标识 T1 像（上游数据）
2. 用 BEaST（或同类块匹配方法）自动初剥
3. 目视检查，标记误差明显的样本
4. 对误差样本用 Freeview/ITK-SNAP 手工校正掩码
5. 将校正掩码加入先验库
6. 用扩充库重新剥离剩余样本
7. 重复 3-6 直到人工需求收敛
8. 导出三元组（原图/脑图/掩码），统一命名与格式

附录 G：Dice 计算骨架（伪代码）

# A = 测试掩码体素集, B = 金标准掩码体素集
intersection = (A & B).sum()
dice = 2.0 * intersection / (A.sum() + B.sum())
# 注意：比较前先统一朝向（LPI）、并可施加 step 二值化

附录 H：NFBS 加载与评测骨架（伪代码）

import nibabel as nib
img = nib.load("sub-XX_T1w.nii.gz")          # 原图
mask = nib.load("sub-XX_brainmask.nii.gz")   # 金标准掩码
# 用你的算法对 img 生成 pred_mask，转 LPI、二值化后与 mask 比 Dice

附录 I：统计指标公式表

指标	公式	说明
Dice	2·\	A∩B\
Jaccard（IoU）	\	A∩B\
敏感度	TP/(TP+FN)	脑组织保留率
特异度	TN/(TN+FP)	非脑组织剔除率

附录 J：BET / 3dSkullStrip / HWA 结果总表（NFB 数据）

方法	平均 Dice	标准差	耗时
BET	0.893	0.027	~25 min
3dSkullStrip	0.949	0.009	~2 min
HWA	0.900	0.011	~1 min

附录 K：BEaST 先验库对照（IBSR/LPBA40）

库	人群规模	相对表现
beast-library-1.1（默认）	10 名年轻个体	基准
NFBS 库	125 例、21–45 岁、症状谱广	平均 Dice 更高、SD 更小

附录 L：跨库横比注意事项

• 脑干长度标准不同 → Dice 会系统偏移；
• 外部神经/鼻窦取舍不同 → 边界体素计数差异；
• 二值化与朝向口径不同 → 数字不可直接比；
• 建议：横比时在结论中声明各库的掩码标准。

附录 M：与库内 nki-rockland（rid 305）的关系声明

NFBS 的 125 例影像出自 NKI Enhanced Rockland Sample Neurofeedback Study（NFB），而 NFB 属于 NKI-Rockland Sample 谱系。因此 nki-rockland（rid=305）是 NFBS 的直接上游近邻：前者提供更大样本与更多模态（含功能/表型），后者是其中一个子研究的颅骨剥离预处理侧面。两者不可合并——需要功能像/表型时用前者，需要脑提取金标准掩码时用后者。

附录 N：脑提取数据集景观简表

数据集	规模	手工 delineated	获取门槛
NFBS	125 例	是	开放、无 DUA
IBSR	较小	是	公开
LPBA40	中等	是	公开
OASIS	较大	否（被用作金标准）	公开
ADNI	大	是	受控、需申请 + DUA
BrainWeb SBD	仿真	仿真	公开

附录 O：许可条款细读

• 论文口径：开放、无 DUA（散文式声明）；
• GitHub：MIT（覆盖代码）；
• 数据本体：无标准 SPDX 标识——严格合规需向作者确认；
• 与 ADNI 对照：NFBS 无"禁止再分发结果"约束。

附录 P：复现论文数字的步骤清单

1. 下载 images 包，解压得到 125 例三元组；
2. 对每例原图用目标算法（BET/3dSkullStrip/HWA）生成掩码；
3. 所有输出转 LPI 朝向（AFNI 3dresample）；
4. 施加 3dcalc step 函数二值化；
5. 逐例算 Dice，汇总均值和标准差；
6. 与附录 J 的数字对照，差异大时先查版本与口径。

附录 Q：坑点档案（与 §10 对照）

编号	坑	一句话要点
坑 1	125 vs 95	官方 125，95 是派生
坑 2	当健康参考	含 66 例症状样本
坑 3	期待功能像/标签	只有 T1 + 掩码
坑 4	跨库横比	掩码标准不同
坑 5	朝向/二值化	LPI + step
坑 6	MIT 误读	MIT 只覆盖代码
坑 7	HF 找镜像	官方在 PCP
坑 8	默认用 BET	慢且在此库最差

附录 R：检索决策树

我在找脑提取金标准 →
├─ 要成人 T1 + 手工掩码 → NFBS（本条目）
├─ 要更多样人群 → ixi-brain(482) 等其他库
├─ 要功能像/表型 → nki-rockland(305) / NFB 上游
└─ 要大样本连接组 → 1000-functional-connectomes(295)

附录 S：上游 NFB 研究说明

NFB（Enhanced Rockland Sample Neurofeedback Study）是一个 3 次访问的研究：

访问	内容
第 1 次	深度表型评估
第 2 次	深度表型评估 + 1 小时连接组 MRI 扫描
第 3 次	1 小时神经反馈扫描（NFBS 的解剖像取自此次）

• 第 1 次与第 3 次之间可能相隔最长 3 个月；
• 研究目标（RDoC 框架）：考察默认网络调节与广泛临床/亚临床症状的关系；
• 招募策略：社区招募 + 最小限制性精神科排除标准（只筛除最严重、无法配合者），以保留症状变异；
• NFBS 只取第三次访问的 T1 解剖像做颅骨剥离，其余模态与表型不随 NFBS 发布。

附录 T：文件命名与目录结构建议（对接用）

NFBS 官方包为直链压缩包，解压后通常按受试者组织。工程对接时建议如下规范化（示例，非官方强制）：

nfbs/
├── sub-001/
│   ├── sub-001_T1w.nii.gz        # 去脸 T1 加权原图
│   ├── sub-001_brain.nii.gz      # 颅骨剥离脑图
│   └── sub-001_brainmask.nii.gz  # 金标准二值脑掩码
├── sub-002/
│   └── ...
└── ...

要点：三元组必须同目录、同前缀、空间对齐；批量脚本应先断言 affine/形状一致再进行任何体素运算。

附录 U：评测脚本最小骨架（含口径对齐）

import nibabel as nib
import numpy as np

def dice(pred_path, gold_path, binarize=True):
    p = np.asarray(nib.load(pred_path).dataobj)
    g = np.asarray(nib.load(gold_path).dataobj)
    if binarize:
        p = (p > 0).astype(np.uint8)   # 对齐论文 step 口径
        g = (g > 0).astype(np.uint8)
    inter = np.logical_and(p, g).sum()
    denom = p.sum() + g.sum()
    return 2.0 * inter / denom if denom else 0.0

# 提示：比较前先把 pred 与 gold 统一到 LPI 朝向、同 affine/形状

附录 V：与库内条目的互链 URL 占位规范

按本库规范，条目内引用的库内互链条目 URL 一律使用占位形式：

https://www.qianfanghub.com/ai-ready-dataset/<slug>/<rid>

示例：nki-rockland（rid=305）→ https://www.qianfanghub.com/ai-ready-dataset/nki-rockland/305。rid 由入库顺序决定，写手阶段一律以占位/留空处理，由主会话在入库后统一回填（避免 R018 型"猜测 rid 指向被软删行"事故）。

附录 W：本条目证据来源清单

来源	类型	用途
GigaScience 2016;5:45（doi:10.1186/s13742-016-0150-5）	正式论文	硬数字主源
bioRxiv doi:10.1101/067017	预印本	双口径存照
PCP 官方主页 NFB_skullstripped	官方数据页	规模/下载/工艺
GitHub preprocessed-connectomes-project/NFB_skullstripped	代码库	许可/创建时间
NKI-Rockland Sample 描述（Nooner et al. 2012）	上游文献	血缘
Eskildsen et al. 2012（BEaST）	方法文献	工艺锚点

附录 X：快速核查表（打印版）

□ 规模：____ 例（官方应为 125）
□ 每例文件：原图 / 脑图 / 掩码 三件齐备
□ 格式：全部 .nii.gz
□ 分辨率：1×1×1 mm³
□ 来源：PCP 官方页 / GitHub
□ 许可：开放、无 DUA（数据本体无 SPDX）
□ 人群：成人 21–45，含 66 例症状样本
□ 用途：脑提取评测/先验（非健康对照、非功能/表型）

---

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：

• brainweb — 共享标签：神经科学 / 脑影像 / MRI / 医学图像分割 / 评测基准
• adam-aneurysm — 共享标签：神经科学 / 脑影像 / 医学图像分割 / 评测基准
• dhcp — 共享标签：神经科学 / 脑影像 / MRI / 医学图像分割
• bfa — 共享标签：神经科学 / 脑影像 / MRI / 评测基准
• celegans-connectome — 共享标签：神经科学 / 脑影像 / 评测基准
• mr-art — 共享标签：脑影像 / MRI / 医学图像分割 / 评测基准
• microns — 共享标签：神经科学 / 脑影像 / 评测基准
• h01-cortex — 共享标签：神经科学 / 脑影像 / 医学图像分割
• empiar — 共享标签：神经科学 / 医学图像分割 / 评测基准
• atlas-v2 — 共享标签：神经科学 / 脑影像 / MRI / 医学图像分割

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。