信息速览
这个集合在 TCIA 上的正式名称是 QIN GBM Treatment Response，集合代号 QIN-GBM-TREATMENT-RESPONSE。它把五十四例新诊断胶质母细胞瘤患者在手术之后、放化疗开始之前各扫描两次，两次相隔二至五天。每一次检查都跑同一套七个序列：T1 加权平扫与增强、T2 加权、FLAIR、MEMPRAGE、弥散加权、动态对比增强与动态磁敏感对比灌注。
它要回答的问题很窄，窄到可以写成一句话：同一个灌注参数，隔三天再测一次，还算不算同一个数。围绕这句话，它提供了目前公开数据里少见的东西——同一批患者、同一台机器、同一套协议下重复采集的完整动态序列。这一点比病例数重要得多。
它的边界也同样清楚：没有治疗后的随访，没有临床表与分子分型，没有分割掩膜，也没有任何算好的参数图。下面按「它解决什么麻烦、里面有什么、怎么取、边界在哪」四段展开，规模数字以 TCIA 集合页的统计栏为准，方法学结论取自集合页列出的两篇论文，核验日期与口径集中在附录。一屏速览见下表。
§1 它要解决的具体麻烦
1.1 一句话结论：它解决的是「同一个数，隔三天再测一次还是不是这个数」
定量影像的整套推论都建立在一个未经证明的假设上：测量是稳的。临床上看 rCBV 从 1.8 升到 2.3，判断为灌注增高；看 ADC 从 900 降到 800，判断为细胞密度增加。这些判断成立的前提，是同一病灶在未发生任何变化时，重复测量得到的数不会自己漂移同样的幅度。
这个前提在脑肿瘤里尤其脆弱。血脑屏障被破坏，对比剂从血管漏进组织，T1 效应叠在 T2* 信号上，rCBV 会被系统性低估；不同的泄漏校正方式给出的曲线形状不同；参考区选在白质还是在对侧半球，归一化的基准就不同；甚至注射速率与团注形状都会改变结果。发表文献里同一个病灶的 rCBV 能差出一倍，很大一部分来自后处理而非生物学。
要判断这些差异里有多少是噪声，就需要一批「什么都没发生」的重复扫描。真实临床里几乎不会有人为了方法学研究把患者连做两遍增强灌注，成本、伦理与流程都不允许。这套数据的存在，正是因为有一个团队真的做了这件事，并把原始采集放了出来。
它的不可替代性就在这里。规模更大的胶质母细胞瘤影像集合有不少，但同时具备动态灌注、原始帧序列、同患者短期重复、并且公开原始 DICOM 的，屈指可数。
1.2 三条常见的错误期待
第一条，把它当成纵向疗效队列。名字里有治疗反应四个字，很容易被读成治疗前中后的连续随访。实际上两次扫描都发生在治疗开始之前，中间没有用药、没有放疗，患者状态基本不变。用它做疗效曲线，得到的会是一条没有干预的平线。
第二条，把它当成多中心数据。它挂在定量影像网络这个多中心计划下面，但这一批影像来自麻省总医院一台机器。跨中心的可重复性正是这套数据想帮助别人去解决的问题，它本身并不提供跨中心样本。
第三条，把它当成带标签的训练集。没有分割掩膜，没有生存时间，没有分子分型，连年龄性别都不随集发布。任何以「输入影像、输出标签」为形式的监督学习设定，标签侧都要另外去找。
| 常见期待 | 实际情况 | 后果 |
|---|---|---|
| 治疗前中后的连续随访 | 仅治疗前两次基线，间隔数日 | 疗效曲线画不出来，只能做重复性 |
| 多中心、多机型样本 | 单中心、单台 3T、单一头线圈 | 跨设备泛化无法在集内验证 |
| 现成的分割掩膜 | 不提供，需自行勾画 | 分割流程要另建，且无金标准可对 |
| 算好的 rCBV、Ktrans、ADC 图 | 只有原始动态与弥散采集 | 后处理工作量全部转嫁给使用者 |
| 临床与分子标签 | 仅一份清单表 | 影像—基因、影像—生存关联无从做起 |
| 数十例即可发表 | 逐序列筛完常只剩二三十例 | 统计功效被可用序列数卡住 |
1.3 它能给到的与给不到的
| 你的需求 | 它给的 | 够不够 |
|---|---|---|
| 评估 rCBV 后处理方法的稳定性 | 同一患者两次 DSC，逐帧原始信号 | 够，这正是它的设计目的 |
| 比较 DCE 药代模型的稳健性 | 可变翻转角 T1 映射加双回波动态采集 | 够，但需自行完成 T1 拟合 |
| 检验配准算法在脑肿瘤上的误差 | 两次检查、同一体位、同一协议 | 够，且没有治疗引起的形变干扰 |
| 训练灌注参数预测模型 | 无参数图、无标签 | 不够，需先自建后处理管线 |
| 做肿瘤分割 | 无掩膜 | 不够 |
| 做生存或分子关联 | 无临床表、无基因组 | 不够 |
| 观察治疗引起的灌注变化 | 无治疗后影像 | 不够 |
1.4 你的处境与它能帮到的事
| 你的处境 | 它能帮你什么 | 下一步该做什么 |
|---|---|---|
| 论文审稿人质疑你的 rCBV 阈值不稳 | 提供同一病灶的两次独立测量 | 用重复性系数给出该阈值的置信区间 |
| 你要在两个灌注软件之间做选择 | 同一批原始数据跑两套后处理 | 比较两条管线的受试者内变异系数 |
| 你在做多中心协议一致性 | 提供单中心理想条件下的变异基线 | 以此为下限，衡量多中心额外引入的方差 |
| 你要验证运动校正或配准 | 两次检查天然构成一对 | 把第二次配准到第一次，看残差分布 |
| 你想做胶质母细胞瘤的影像组学 | 只有结构像与灌注，无掩膜 | 换用带分割的多中心集合 |
| 你要写灌注方法学的综述 | 两篇原始论文是通用引用 | 同时引集合 DOI 与两篇论文 |
1.5 一句话判断
它用五十四例患者的两次治疗前扫描，把「灌注参数的自然波动有多大」这件事变成了可查的数，代价是整批数据只覆盖治疗开始之前的那几天。
1.6 不适合谁：四条边界
| 边界 | 具体表现 | 更适合的替代 |
|---|---|---|
| 需要治疗前后配对 | 两次扫描均在治疗前 | 带随访时间点的治疗反应队列 |
| 需要分割金标准 | 不提供掩膜 | 带专家勾画的多中心分割集 |
| 需要分子或生存标签 | 不随集发布临床表 | 影像与基因组同源配对的项目 |
| 需要跨中心泛化证据 | 单一机型、单一协议 | 多机构联合采集的灌注研究 |
§2 数据构成与规格
2.1 四层树：患者、检查、序列、影像
TCIA 的组织方式是四层。最上层是患者，用一个去标识的编号标识；第二层是检查，同一患者的两次基线是两次独立的检查，靠检查日期区分；第三层是序列，一次检查下十余个序列，序列描述里写明是 T1 增强还是 DSC；第四层是影像，一层一张 DICOM。
这套树的关键在于第二层。多数影像集合里，一位患者对应一次检查，患者数就是检查数。这套数据里五十四位患者对应一百零六次检查，平均每人接近两次，差额来自个别患者缺一次或某次采集被判为不可用。任何按患者计数的统计都要先想清楚：是按人算还是按次算。
序列层也有它自己的麻烦。同一个序列名在不同次检查里可能带着不同的重建参数，增强前后的 T1 是两个序列而不是一个序列里的两个时相。做配对时如果只按序列描述字符串匹配，很容易把平扫配到增强上。
编号体系是另一条线索。后续研究的图表里出现过形如 QIN-GBM-TR-13 的标识，前缀由网络名、病种缩写与集合用途三段拼成，后面的两位数字是患者在集合内的序号。这个形式与 TCIA 的匿名编号并行存在，一套用在论文里，一套用在档案里，对接时需要一份映射表。没有映射表时，只能靠检查日期与序列构成反推，一旦同一天有两位患者入组就会撞车。
2.2 七个序列的形状
官方页面把每个序列的参数都写全了，这是这套数据少见的优点：协议是可复现的，不靠猜。
| 序列 | 采集方式 | 矩阵与层数 | 层厚 | 用途 |
|---|---|---|---|---|
| T1 加权 | 二维 FLASH，重复时间六百毫秒、回波时间十二毫秒、翻转角九十度 | 二百五十六乘二百一十六，二十三层 | 五毫米 | 解剖参照、增强前后对比 |
| T2 加权 | 三维 SPACE 自旋回波 | 二百五十六乘二百五十八，一百七十六层 | 一毫米 | 水肿与脑脊液边界 |
| FLAIR | 二维自旋回波反转恢复 | 二百五十六乘一百六十二，二十三层 | 五毫米 | 水肿区分、病灶范围 |
| MEMPRAGE | 三维多回波磁化准备快速梯度回波，四个回波 | 二百五十六乘二百五十六，一百七十六层 | 一毫米 | 高分辨解剖、配准基准 |
| 弥散加权 | 回波平面成像，b 值零与七百 | 一百二十八乘一百二十八，六十四层 | 一点八六毫米 | 计算 ADC |
| DCE | 三维 FLASH 双回波，六十帧，六分钟 | 一百二十八乘一百二十八，二十层 | 二点一毫米 | 计算 Ktrans 等药代参数 |
| DSC | 梯度回波与自旋回波联合的二维 EPI，一百帧 | 一百六十乘一百六十，十二层 | 五毫米 | 计算 rCBV |
这张表里有两个容易被忽略的落差。一个是层数：结构像有一百七十六层、覆盖全脑，DSC 只有十二层、层厚五毫米，纵向覆盖约六十毫米。灌注序列天生覆盖有限，如果病灶位于上缘或小脑，可能只有部分被采到。另一个是空间分辨率：DSC 的平面分辨率是结构像的一半左右，把灌注图叠到 T1 增强上时，重采样误差不可忽略。
2.3 一次检查里的两次注射
DCE 与 DSC 都需要团注对比剂，而这一次检查里打了两针，剂量都是每公斤零点一毫摩尔。DCE 在前，扫描开始后五十二秒注射，采六十帧、每帧六秒，共六分钟。DSC 在后，扫描开始后八十秒注射，采一百帧、每帧一点六一秒，共两分四十一秒。
这个顺序有实际后果。做 DSC 时患者体内已经有上一轮 DCE 留下的对比剂，组织的 T1 已被部分缩短，基线信号不是真正的基线。讨论渗漏校正时不能假设这是首次注射，预载效应的处理方式会直接影响 rCBV 的绝对值。
DCE 之前还有一段可变翻转角 T1 映射：同一序列在五个翻转角下各扫一遍，用来估计注射前的纵向弛豫时间。没有这一段，Ktrans 的计算缺少绝对定标，只能得到相对值。官方给的翻转角是二度、五度、十度、十五度、三十度共五档，后续有一篇复用该数据的论文写作四档，少了三十度那一档。这个出入不大，但说明协议文档与二次利用之间存在转述损耗。
2.4 一百零六次检查怎么摊到五十四个人
五十四位患者、一百零六次检查，说明绝大多数人做了两次，少数人只做了一次。一千九百四十二个序列摊到一百零六次检查，平均每次约十八个序列；五十八万九千余张影像摊到一千九百四十二个序列，平均每序列三百张左右。这两个均值都能对上：结构像层数多，动态序列帧数多，量级一致。
但均值掩盖了缺失。官方明确写着：如果某次扫描有问题，就被剔除，因此不是每位患者都有每一种扫描。实际操作中这句话的分量很重。一项后续研究要在两次基线上同时拿到 ADC 与 DSC，从五十四例里只筛出十一例；另一项研究要完整的可变翻转角 T1 映射做 DCE 定量，筛出二十九对。可用子集的比例取决于你要求哪几个序列同时在两次检查里齐备。
这就是这套数据的真实用法：不是拿五十四例去做统计，而是先按序列可用性做一遍纳排，再看剩下多少。做过这一步的人，样本量常常落在二三十对的量级。
这种阶梯式的损耗值得事先算清楚。假设某研究要求两次基线都有弥散、都有 DSC、都有可变翻转角 T1 映射，那么可用比例大致是三个条件的交集，落到三成上下并不意外。按三成估，五十四例能给出十六对左右，这也是为什么已发表工作的子集数字集中在十一到三十三之间。设计阶段若按五十四例算功效，最后会因为纳排而严重高估。
2.5 与同类资源的规格差异
| 维度 | 这套数据 | 典型分割挑战集 | 典型多组学项目 |
|---|---|---|---|
| 病例数 | 数十例 | 数百至上千例 | 数百例 |
| 采集中心 | 单一中心、单一机型 | 多中心、多机型 | 多中心 |
| 时间维度 | 两次基线，间隔数日 | 单时间点 | 单时间点加随访 |
| 动态灌注 | 有，原始逐帧 | 通常无 | 通常无 |
| 分割掩膜 | 无 | 有，多标注者 | 部分有 |
| 分子标签 | 无 | 无 | 有 |
| 主要用途 | 参数重复性 | 分割算法评测 | 分子分型 |
§3 核心层 A：它是什么——一次写在档案里的重复性实验
3.1 名字里的治疗反应指什么
集合名里的治疗反应，指的是定量影像网络这一期项目的立项主题：把影像指标做成可用于疗效评价的定量终点。这个网络的任务说明写得很直白，是改进定量影像在肿瘤临床决策中的作用，通过开发与验证采集方法、分析方法和工具，来预测或监测对药物或放疗的反应。
这套数据服务的是这个主题里最基础的一环——在谈反应之前，先证明测量本身可信。名称沿用了项目主题词，并不描述数据内容。把名称当内容读，就会得到前面说的第一条错误期待。
3.2 为什么是两次基线，而不是纵向随访
设计上只有两次治疗前扫描，这个选择本身就是方法学的。评价一个参数的重复性，需要的是「生物学状态未变、只有测量在变」的两次观测。治疗开始之后，肿瘤的灌注会因放疗、激素、抗血管生成药物而真实改变，此时两次测量的差异里混着真实变化与测量误差，无法分离。
把两次扫描都放在治疗前，等于把自变量控制住了。代价是失去了纵向信息，收益是得到了一个干净的误差估计。后续所有复用这套数据的研究，用的都是这个干净误差：把它当作分母，去判断某个治疗后的变化是否超出噪声。
两次间隔二至五天，这个窗口也是折中。太短，患者的体位、准备流程几乎相同，会低估真实临床条件下的变异；太长，肿瘤可能自行进展，混入生物学变化。原始论文报告的平均间隔是三点六天，最长不超过八天。
3.3 QIN 的位置
定量影像网络是美国国家癌症研究所资助的一个协作网络，成员机构按项目节点分工，各自采集、各自分析，再把数据汇到 TCIA 共享。这套数据是麻省总医院节点的产出，署名的两位提供者是 Gerstner 与 Kalpathy-Cramer，前者是神经肿瘤科医生，后者是影像信息学研究者。
网络层面的数据共享政策有一条值得注意：数据通常在项目主要目标论文发表之前不对外释放。这解释了这套数据的时间线——论文二零一五年发表，集合二零一五年首次上线，二零二零年才正式解除访问限制。五年之间，它从受控变为开放。
同一个网络下还有前列腺、肺、乳腺等若干个集合。它们共享同一套治理框架与发布流程，但采集协议、病例规模与用途各不相同，不能当成同一个数据集的不同部分。
3.4 单中心、单机型：一个必须说清的事实
官方页面写明：影像来自西门子 Trio 三特斯拉扫描仪，配三十二通道头线圈。全部数据出自同一台设备。
这一点决定了这套数据能回答什么、不能回答什么。它能回答：在同一台机器、同一套协议、同一个重建管线下，参数的自然波动有多大。它不能回答：换一台机器、换一个厂商、换一家医院，这个波动会放大多少。
后一个问题恰恰是定量影像落地临床时最要命的。多中心研究里，设备与协议差异带来的方差常常大于生物学效应。这套数据给出的是一个下限，一个理想条件下的误差地板。把它当成多中心变异的估计，会系统性低估。
单机型还带来一个副产品：序列参数的稳定性异常高。同一台机器、同一套序列库、同一批技师，参数漂移几乎为零，于是两次测量之间的差异可以较干净地归因于生理波动与后处理。这在方法学上是优点，在临床代表性上是缺点。读到这套数据报告的百分之十三到二十的变异系数时，要意识到这是理想条件下的数字，真实多中心场景会明显更高。
3.5 时间线与版本
集合有两个版本。第一版发布于二零一五年八月，第二版发布于二零二零年四月，后者解除了定量影像网络的访问禁运。两版的统计栏一致：五十四例、一百零六次检查、一千九百四十二个序列、五十八万九千余张影像、三十三点五吉字节。状态标为已完成。
数据引用要求署名 Mamonov 与 Kalpathy-Cramer 的二零一六年记录，并附数字对象标识符。若使用 DSC 部分，还须同时引用两篇方法学论文。这个附加要求不是形式主义：DSC 的采集参数与后处理约定写在论文里，不读论文直接用原始帧，很容易在回波组合与基线校正上出错。
3.6 许可与访问控制
使用受 TCIA 数据使用政策约束，须注册账号、通过其下载工具取数、在成果中按指定格式致谢。页面另有一条特别提示：集合中有部分影像可能被用于重建人脸，这部分需按美国国立卫生研究院的受控数据访问政策单独申请。
脑部 MRI 的去标识通常包含去脸处理，但早期提交的数据未必做过。这条提示的实际含义是：集合里可能存在少量未去脸的原始层面，使用时不能假设全部数据都已按现行标准处理。涉及再分发或公开演示时，这一条要单独核对。
§4 核心层 B：三个数——rCBV、Ktrans、ADC
4.1 三个数各自测什么
| 参数 | 来源序列 | 物理含义 | 主要干扰 |
|---|---|---|---|
| rCBV | DSC | 相对脑血容量，反映微血管密度 | 对比剂渗漏导致的 T1 与 T2* 混叠 |
| Ktrans | DCE | 对比剂从血管渗入组织的速率常数 | 动脉输入函数估计、T1 映射误差 |
| ADC | 弥散加权 | 水分子扩散受限程度，反映细胞密度 | 场强、b 值选择、涡流与运动 |
三个数对应三条不同的技术路线，却共享同一个难题：它们都是「算出来的」，不是「拍出来的」。扫描只给信号强度随时间的曲线，数值取决于拟合模型、参考区选择与校正策略。同一批原始数据，换一套后处理，结果可以差出百分之几十。
这就是为什么这套数据的价值不在影像本身，而在影像加上官方写死的采集协议。协议固定了，后处理之间的差异才能被归因于方法而非采集。
4.2 DSC 为什么是这个形状
DSC 序列用的是梯度回波与自旋回波联合的二维回波平面采集，重复时间一千五百毫秒，梯度回波回波时间三十一毫秒，自旋回波回波时间九十五毫秒，翻转角八十度。一百帧，每帧一点六一秒，总时长两分四十一秒。
同时采梯度回波与自旋回波，是为了区分不同尺度的血管。梯度回波对毛细血管与小静脉都敏感，自旋回波主要反映毛细血管，两者相减可以得到血管直径的粗略信息。这个设计在胶质母细胞瘤里尤其有用，因为肿瘤新生血管的尺度分布与正常脑组织差别很大。
十二层、五毫米层厚的覆盖是一个明确限制。全脑采集在二维多回波 EPI 上做不到既保证时间分辨率又保证覆盖，只能取舍。做全肿瘤的灌注统计时，若病灶跨越六十毫米，就会有部分落在采集范围之外，这一点在方法学里应当交代。
4.3 标准化与归一化：rCBV 的两种口径
原始论文比较的正是这件事。归一化是把肿瘤的 rCBV 除以对侧正常脑组织的值，得到一个比值；标准化是用一个固定的参考值做除数，让不同患者之间可比。两种做法都常见，结论却不同。
论文的结论是：标准化的 rCBV 在肿瘤内的受试者内变异系数落在百分之十三到二十，归一化的落在百分之二十四到六十七。标准化明显更稳。原因不难理解，归一化的分母本身也在波动，对侧正常脑组织的灌注会随二氧化碳分压、血压、体位改变，把分母的噪声带进了比值。
论文还给了样本量推算：要以百分之十的把握检测出变化，归一化需要一百一十八到六百四十三例，标准化需要一百零九到二百一十五例。这个数字对试验设计是硬约束——用小样本去证明灌注变化，多数时候证明不了。
4.4 后处理不在集内
集合里没有 ADC 图，没有 rCBV 图，没有 Ktrans 图，也没有任何拟合结果。只有原始采集：弥散是两组 b 值下的 EPI，DSC 是逐帧的复数或幅度图像，DCE 是逐帧的双回波图像加五个翻转角的 T1 映射。
这个选择让数据保持中性。若发布方附上自己算的参数图，使用者会不自觉地以它为参照，方法学比较就失去意义。只给原始数据，等于把后处理的选择权完整交给使用者，也把那部分责任一并交出。
代价是门槛。要得到可用的 rCBV，需要完成运动校正、基线估计、γ 拟合或积分法、泄漏校正、参考区选择、归一化或标准化这一整条链路，每一步都有多种做法。没有现成管线的人，拿到这套数据的第一周通常花在读协议和搭环境上。
这条链路里最容易被低估的是血管输入函数。它指的是动脉里对比剂浓度随时间的变化，是 DCE 药代模型的关键输入，取法有两种：让算法自动挑出信号快速上升且峰值够高的体素，或者由人手工在矢状窦上画几层感兴趣区。后续一项 DCE 研究拿编号 QIN-GBM-TR-13 这一例的第一次基线做过对照，把两种取法叠在同一张图上，曲线形状的差异肉眼可见。同一份原始数据、同一个模型，只因输入函数取法不同，Ktrans 就会落在不同的区间里。这一例之所以被选作示范，是因为它的图像质量在集合内属于可用的一档；而它同时也说明，即便质量可用，输入函数的选择仍是一个需要明确交代的主观决定，数据本身不替你做这一步。
4.5 结构像的位置
四个结构序列各有分工。T1 增强是病灶边界与血脑屏障破坏的常规判读依据；FLAIR 显示瘤周水肿，是放疗靶区勾画的基础；T2 提供水肿与脑脊液的对比；MEMPRAGE 是多回波三维采集，层厚一毫米，适合做配准基准与皮层分割。
MEMPRAGE 的存在值得单独说一句。多数胶质母细胞瘤影像集合只给 T1、T1 增强、T2、FLAIR 四件套，三维高分辨的 MEMPRAGE 不常见。它对配准和形变分析有实际价值：两次检查之间的配准若以它为基准，误差会明显小于以五毫米层厚的 T1 为基准。
§5 核心层 C：怎么拿到、怎么接上
5.1 三条通道
第一条是 TCIA 官方通道。注册账号后，用其下载工具按集合检索，工具会拉一份清单再逐序列取数。三十三点五吉字节对网络要求不高，但文件数多，小文件传输的耗时主要在建立连接上。
第二条是清单加直连。集合页提供一份逗号分隔的清单，列出每次检查、每个序列的标识与下载地址。用脚本读清单再并发下载，比图形工具更适合批量处理。
第三条是编程接口。TCIA 提供基于 NBIA 的检索接口，可以按集合、患者、检查逐级查询，返回结构化结果用于程序化筛选。适合把取数嵌进流水线，而不是手工点选。
5.2 先用清单核对例数与检查数
无论走哪条通道，第一步都应当是把清单读进来数一遍，确认拿到的患者数、检查数、序列数与官方统计栏一致。差几个不一定是下载出错，也可能是某次检查被拆分或合并。
#-- 拉取集合内的患者清单（NBIA 检索接口，返回 JSON）
curl -s "https://services.cancerimagingarchive.net/nbia-api/services/v1/getPatient" \
--data-urlencode "Collection=QIN-GBM-TREATMENT-RESPONSE" \
-G -o patients.json
#-- 数一数返回了多少位患者
python3 -c "import json;d=json.load(open('patients.json'));print(len(d))"
同一接口还有按检查、按序列的粒度，把 getPatient 换成 getStudy 或 getSeries 即可。若返回值远小于官方统计，多半是集合名拼写不一致——有的端点用短横线连接，有的用空格。
5.3 读一次检查，看序列构成
拿到数据后先做一次结构侦察：挑一位患者，把两次检查的序列列出来，看七个序列是否齐备、层数与层厚是否符合协议。这一步能提前暴露大部分配对问题。
#-- 列出某位患者两次检查中每个序列的描述、层数与层厚
import pydicom
from pathlib import Path
from collections import defaultdict
root = Path("QIN-GBM-TR")
groups = defaultdict(list)
for f in root.rglob("*.dcm"):
ds = pydicom.dcmread(f, stop_before_pixels=True)
key = (ds.PatientID, ds.StudyDate, ds.SeriesInstanceUID)
groups[key].append(ds)
for (pid, date, uid), slices in sorted(groups.items()):
first = slices[0]
print(pid, date, first.SeriesDescription,
len(slices), first.SliceThickness)
输出的层数应与协议表对得上：结构像一百七十六层、灌注十二层或二十层、弥散六十四层。若某个序列只剩三五层，基本可以判定下载不全或原始提交就残缺。
以编号 QIN-GBM-TR-13 这一例为参照做个对照比较省事。它的两次基线在同一个前缀下，序列描述字符串基本一致，层数也能对上协议；把它当成模板，可以快速判断其他患者是缺序列还是只是序列名被技师改过。集合里少数记录的描述字段被手工改写过，前缀相同、描述不同，按字符串精确匹配会漏掉这些序列，按层数与回波时间匹配则不会。
5.4 把两次基线配成对
配对是这套数据里最容易出错的一步。患者编号相同、检查日期相近，看上去可以直接按编号分组，实际上同一患者可能只有一次检查，也可能某次检查跨了午夜导致日期不同。
#-- 按患者分组，保留有两次及以上检查的配对，并计算间隔天数
import datetime as dt
from collections import defaultdict
by_patient = defaultdict(list)
for (pid, date, uid) in groups:
by_patient[pid].append(dt.datetime.strptime(date, "%Y%m%d").date())
pairs = []
for pid, dates in by_patient.items():
dates = sorted(set(dates))
if len(dates) >= 2:
pairs.append((pid, dates[0], dates[1], (dates[1] - dates[0]).days))
for pid, d1, d2, gap in sorted(pairs, key=lambda x: x[3]):
print(pid, d1, d2, gap)
间隔应落在二到五天，个别可到八天。若出现间隔为零或上百天的配对，说明编号复用或日期字段异常，需要人工回查。配对完成后再按序列可用性做第二层筛选——两次检查都要有 DSC，两次都要有弥散，两次都要有可变翻转角 T1 映射。
5.5 常见取数故障
| 现象 | 常见原因 | 处理 |
|---|---|---|
| 检索返回空列表 | 集合名用空格而非短横线 | 换用页面显示的完整名称再试 |
| 某患者只有一个序列 | 原始提交即残缺，官方已说明 | 该患者退出配对，不做插补 |
| 层数与协议差一位 | 重建时多切或少切一层 | 记录差异，不影响配对 |
| DICOM 读不出像素 | 传输截断 | 按清单核对文件大小后重下 |
| 两次检查序列名不一致 | 扫描时技师手改描述 | 用序列参数而非名称匹配 |
| 增强与平扫配错 | 仅按描述字符串匹配 | 用对比剂标记或信号强度判别 |
5.6 存储与算力
三十三点五吉字节的原始数据，解压后按 DICOM 逐文件存放会膨胀到相近量级。若转成压缩的 NIfTI 并按患者组织，体积可以压到三分之一左右。真正的开销在中间产物：每个患者的运动校正、配准、灌注拟合都会生成多份四维数据，一次完整跑批的临时空间通常是原始数据的两三倍。
算力方面，这套数据的瓶颈不在显卡而在输入输出。文件数多、单个文件小，机械硬盘上的随机读会成为主要耗时；放到固态盘并做本地缓存，整体流程能快数倍。灌注拟合本身是逐体素的线性代数，中央处理器足够，不需要加速卡。
还有一个容量规划上的细节：动态序列的单次检查体积不大，但帧数多。DCE 一次六十帧、DSC 一次一百帧，若把两次基线的全部序列都转成四维文件，单例的中间产物会比原始 DICOM 大出数倍。建议按分析阶段分批转换，用完即删，而不是一次性把五十四例全部展开。
§6 与库内词条的关系
6.1 关系图谱
| 相关资源 | 关系 | 关键差异 |
|---|---|---|
| 脑肿瘤分割挑战集 | 同病种、不同目标 | 多中心、带掩膜、无动态灌注 |
| 胶质瘤多组学项目 | 同病种、不同层 | 有分子与生存，影像零散或缺配准 |
| 定量影像网络其他集合 | 同治理框架 | 器官不同，协议与用途各异 |
| 脑部灌注方法学研究 | 数据来源 | 论文是这套数据的方法学说明 |
这张表的读法是「按问题找，不按名字找」。同一个病种下，不同资源回答的是不同层次的问题：分割挑战集回答位置与边界，多组学项目回答分子与预后，这套数据回答测量可信度。三个层次不能互相替代，也不构成冗余，一个完整的脑肿瘤研究项目往往会同时用到其中的两到三个。
真正会造成重复劳动的，是把它们当成同一种数据来处理。比如先把这套数据的结构像送进分割模型，再用分割结果去算灌注区，看似顺理成章，实际上分割模型是在另一套协议、另一个层厚上训练的，迁移到五毫米层厚的 T1 上误差会放大。合理的做法是按各自的协议重采样，而不是直接套用。
6.2 与 BraTS 的边界
分割挑战集解决的是「把肿瘤的四个亚区画准」。它提供多中心、多机型、已配准到统一空间、带多位专家勾画的结构像，病例数在数百到上千量级，每年更新。它的强项是规模、标注与评测协议。
这套数据解决的是「同一个灌注参数重复测两次差多少」。它提供单中心、未配准、带逐帧动态采集的原始影像，病例数在数十量级，没有掩膜。它的强项是纵向重复与动态信息。
两者可以放在同一个研究里，比如用挑战集训练分割、用这套数据研究灌注区与分割区的关系，但不能混成一个队列做统计。病例不重叠，采集协议不同，预处理状态也不同。混用的典型后果是把配准误差当成生物学差异。
6.3 与 TCGA-GBM 的边界
胶质瘤多组学项目解决的是「分子层面这个病分几型、誰预后差」。它提供全外显子、甲基化、转录组、拷贝数与临床随访，影像是零散的、未统一协议的、且只覆盖部分病例。
这套数据解决的是「影像测量本身可不可信」。它没有基因组，没有生存，连年龄都不给。两者在问题层次上不重叠：一个问生物学，一个问测量学。
真正需要警惕的是把两者对接。用多组学项目的分子标签去标注这套数据的影像，需要患者级匹配，而两边的患者群体、机构、时间段都不同，公开层面没有可用的匹配键。
6.4 检索路径
按主题找，用定量影像、灌注、重复性这组词；按病种找，用胶质母细胞瘤加 MRI；按数据形态找，用动态对比增强或动态磁敏感对比。三条路径会指向同一批集合，区别在于排序。
若已知集合名，直接检索其代号最快。代号由网络名、病种缩写与用途三段拼成，中间用短横线连接，论文与清单里都用这个形式。
§7 质量评估与局限性
7.0 阅读本节前的一个前置校正
评分之前要先校正一个错位：这套数据不是按「数据集」的标准设计的，它是按「实验」的标准设计的。多数影像集合的评分维度是覆盖面、标注质量、病例多样性；这套数据的价值在于控制的严密——同一台机器、同一套协议、同一批时间窗、同一组序列。
用覆盖面去评它，会得到很低的分数，因为只有五十四例、一个中心。用控制去评它，分数会很高，因为几乎没有第二个公开集合能把重复采集做得这么整齐。下面的评分按后者给，同时把前者的短板单列。
7.1 五维评分与 DAIMS 对照
| 维度 | 分数 | 依据 | DAIMS 对应项 |
|---|---|---|---|
| 目的明确性 | 五分 | 页面开宗明义写明用于测试—再测试特性 | 用途声明 |
| 采集可复现性 | 五分 | 七个序列参数逐项列出，可照做 | 采集协议 |
| 规模与代表性 | 二分 | 五十四例、单中心、单机型 | 样本充分性 |
| 标注完备度 | 一分 | 无掩膜、无临床表、无参数图 | 注释与真值 |
| 可获得性 | 四分 | 开放下载，部分影像需受控申请 | 访问与许可 |
按数据与人工智能就绪度评估框架的口径，这套数据在「文档化」与「溯源」两项上接近满分，在「标注」与「样本多样性」两项上明显不足。它的就绪度是分层的：作为方法学研究素材已经就绪，作为机器学习训练集远未就绪。
分层这件事值得再拆一层。就绪度评估通常按数据集整体给一个分数，但这套数据的各部分成熟度差别很大：采集协议与设备信息是完备的，可以直接照做；影像本身是原始的，未经任何预处理；标签层是空的。前两层足以支撑方法学研究，第三层缺失则直接排除了监督学习。用一个总分去概括，会把这种内部落差抹平。
7.2 分数怎么读
二分与一分不是缺陷，是设计取舍的结果。这套数据从来没有声称自己是训练集，它面向的是方法学研究者，需要的是干净的对照而不是大量的样本。给出低分是为了提醒误用者：不要拿它去训练分割模型，也不要用它估计人群层面的效应。
反过来说，五分也不是完美。采集可复现性建立在「照做」的前提上，而协议文档里已经出现过翻转角档数的转述差异。真正复现时，仍要以原始 DICOM 头里的参数为准，而不是以文字描述为准。
7.3 已知的、可枚举的偏差
| 偏差 | 表现 | 影响 |
|---|---|---|
| 单中心偏倚 | 全部来自一家医院、一台设备 | 跨中心泛化无法评估 |
| 序列缺失偏倚 | 有问题者被剔除，缺失非随机 | 可用子集可能偏向采集质量好的病例 |
| 选择偏倚 | 入组者为能耐受两次增强扫描的患者 | 一般状况差者不在其中 |
| 覆盖偏倚 | DSC 仅十二层 | 病灶跨越采集范围时统计不完整 |
| 时间偏倚 | 仅治疗前窗口 | 无法观察治疗相关变化 |
| 转述偏倚 | 协议在二次文献中被简化 | 复现参数与原始不一致 |
序列缺失这一条最值得展开。官方说采集有问题就被剔除，这个剔除是按质量而非按随机原则做的。结果是：能凑齐七个序列的患者，系统性地是那些配合度高、肿瘤位置便于扫描、静脉条件好的人。用它估计参数分布，会得到比真实临床更乐观的重复性。
覆盖偏倚与时间偏倚的后果更直接。DSC 只有十二层，若某位患者的病灶刚好跨越采集范围，能做分析的只有其中一部分，而这一部分未必代表整个肿瘤——强化最明显、灌注最高的区域往往位于病灶边缘，恰好容易被切掉。时间偏倚则意味着，凡是想讨论治疗相关变化的分析，都只能借用外部数据做对照，无法在这套数据内部完成。
7.4 外部验证矩阵
| 复用方向 | 已有工作 | 用到的子集 | 结论指向 |
|---|---|---|---|
| rCBV 重复性 | 二零一五年神经放射学论文 | 三十三例 | 泄漏校正加标准化最稳 |
| DSC 灌注重复性 | 二零一五年转化肿瘤学论文 | 同一批双基线 | 参数间稳定性差异明显 |
| DCE 药代模型 | 二零二一年神经肿瘤学进展 | 二十九对 | 扩展模型优于标准模型 |
| 多参数剂量涂抹 | 二零二二年放疗计划研究 | 十一例 | 处方图的可重复性受限 |
这张表本身就是这套数据价值的最好说明：同一批影像被四个不同方向反复使用，每次都因为序列可用性而落在不同子集上。子集从一个侧面反映了数据质量——要求越多，剩下越少。
7.5 它为何能持续存在
这套数据没有维护团队持续更新，第二版之后状态就标为已完成。它能持续被引用，靠的不是更新，而是稀缺性：公开的、带原始动态灌注的、同患者重复采集的胶质母细胞瘤影像，至今没有替代品。
方法学研究有一个特点：基准一旦建立就会被反复引用，因为每个人都需要一个共同的参照来证明自己的方法更好。这套数据提供的正是这个参照。二十余次引用里，多数不是在做新发现，而是在做方法间的横评。
§8 生态位与历史
8.1 历史沿革
二零一零年前后，定量影像网络开始系统性地把成员机构的数据汇入公共档案。麻省总医院节点在神经肿瘤方向做了一系列灌注研究，其中一批患者被安排在同一治疗窗口内接受两次扫描，用于内部的方法学评估。
这批扫描在二零一五年整理上线，配两篇方法学论文。二零一六年补了正式的数据引用记录与数字对象标识符。二零二零年四月发布第二版，解除网络内部的访问禁运，从此向所有注册用户开放。
时间线上的这五年很关键。在此之前，它只是网络内部的共享资源；在此之后，它才成为公开基准。今天引用它的人，多数用的是一个已经稳定了六年的版本。
版本之间没有大规模的重处理。第二版的动作是解除访问限制，影像本身未重新配准或重新编号，统计栏数字与第一版完全一致。这一点在使用时有利有弊：好处是早年论文里的结果今天仍可直接对照；坏处是协议中已知的瑕疵，比如个别序列描述被手工改写过，也一并保留了下来，不会因为版本更新而被修正。
8.2 两篇论文的结论
第一篇发表于神经放射学杂志，比较六种常见的 rCBV 估计方法。结论有三层：采用泄漏校正与信号变化率估计的方法重复性更好；标准化的 rCBV 在肿瘤内的变异系数为百分之十三到二十，低于归一化的百分之二十四到六十七；要检测百分之十的变化，标准化方法需要一百零九到二百一十五例，归一化需要一百一十八到六百四十三例。
第二篇发表于转化肿瘤学，聚焦 DSC 灌注本身的可重复性，比较不同参数在肿瘤与对侧脑组织中的表现。两篇合起来给出的实践建议是一致的：优先用标准化而非归一化，优先用带泄漏校正的估计方法。
这两条建议现在已经是脑肿瘤灌注分析的常规做法，这套数据是它们最主要的经验依据之一。
8.3 衍生使用
后续使用大致分四类。第一类是方法横评，把新的灌注算法放到这批数据上跑，与已发表结果比变异系数。第二类是流程验证，检验运动校正、配准、参考区自动分割等环节的稳健性。第三类是模型扩展，比如把标准药代模型换成带血管内与血管外间隔的扩展模型，看拟合是否更稳。第四类是下游任务，比如用多参数图推导放疗剂量涂抹方案，再看两次基线给出的处方差异有多大。
第四类最能说明问题。剂量涂抹的前提是参数图足够稳，而研究者在十一例可用数据上发现，处方图的可重复性受限于参数本身的不稳定。这个结论只有在这类双基线数据上才做得出来。
这四类使用共享一个前提：研究者必须自己重建后处理链路。也因此，围绕这套数据产生的多数工作，实际产出的是流程而非发现。这在方法学领域是常态，但在引用统计里容易被误读成数据集本身的学术影响力——被引用二十余次，意味着有二十多个团队拿它做过比对，不意味着有二十多项关于胶质母细胞瘤的新认识。
8.4 同类对照
| 集合特征 | 本集合 | 大型分割挑战集 | 多组学脑肿瘤项目 |
|---|---|---|---|
| 主要产出 | 重复性估计 | 分割算法 | 分子分型 |
| 动态灌注 | 有 | 无 | 无 |
| 重复采集 | 有 | 无 | 无 |
| 掩膜 | 无 | 有 | 部分 |
| 病例规模 | 数十 | 数百至上千 | 数百 |
| 更新状态 | 已完成 | 逐年更新 | 分批更新 |
§9 使用指引
9.1 三种角色的路径
做方法学研究的人，从协议表开始。先把七个序列的参数抄下来，对照原始 DICOM 头核一遍，确认拿到的是同一套协议。然后挑三五例做全流程，把灌注拟合跑通，再扩到全部可用子集。
做工程实现的人，从清单开始。先把患者、检查、序列三层的对应关系建表，再写配对逻辑，最后才是读像素。跳过建表直接读目录，会在缺失序列上反复踩坑。
做教学的人，从一次检查开始。选一位两次检查都齐备的患者，把结构像、弥散、灌注逐层展示，讲清楚每个数是怎么从信号曲线里算出来的。这套数据的价值在过程，不在结果。
9.2 一条最短的可用流程
第一步，读清单，核对患者数与检查数。第二步，按患者分组，保留有两次检查且两次都含 DSC 的配对。第三步，对每对做运动校正，以第一次为参照配准第二次。第四步，在肿瘤区与对侧正常脑组织各取参考区，分别算标准化与归一化的 rCBV。第五步，算两次之间的受试者内变异系数与重复性系数。
这五步跑完，得到的是一个数：这批数据在该方法下的重复性。把这个数与论文报告的区间对比，就能判断自己的实现是否偏离常规。偏离不一定是错，但需要解释。
跑之前建议先在一例上把全链路走通。选 QIN-GBM-TR-13 这类两次基线都齐备的病例，先只算肿瘤区与对侧白质两个感兴趣区的 rCBV 均值，确认数值落在合理区间，再扩到全部配对。跳过单例验证直接跑批，通常会在第五十例上才发现某一步的坐标方向错了，返工代价远高于先花半小时验证一例。
9.3 引用方式
最低要求是引用集合的数据记录并附数字对象标识符。若使用 DSC 部分，另需引用两篇方法学论文；官方对此有明确要求，不是建议。若使用弥散或结构像，官方没有额外要求，但注明采集协议版本会更严谨。
引用时建议同时写明用的是哪一版。两个版本的统计一致，但访问条件不同，写明版本可以避免误判数据获取难度。
9.4 合规清单
| 事项 | 要求 | 备注 |
|---|---|---|
| 账号注册 | 需要 | 免费，用于下载与接受使用条款 |
| 数据引用 | 必须，含标识符 | 缺引用属违规使用 |
| DSC 附加引用 | 必须 | 两篇方法学论文 |
| 人脸风险影像 | 需受控申请 | 页面特别提示，不可默认已去脸 |
| 再分发 | 不允许 | 只能指向官方入口 |
| 临床用途 | 不适用 | 数据仅供研究 |
§10 AI 使用声明
这篇词条由千方医数集编辑部组织撰写，事实部分以 TCIA 集合页、集合页列出的两篇方法学论文与一份后续复用研究为依据，未使用生成式模型补写数字。文中所有规模数字取自集合页统计栏，方法学结论取自论文摘要，两者的口径差异已在正文标注。
涉及推断的地方只有三处，均已用限定语气写出：一是 DCE 注射对随后 DSC 构成预载，依据是页面给出的注射时点与扫描顺序；二是序列缺失偏向采集条件好的病例，依据是官方对剔除规则的说明；三是单中心结果构成跨中心变异的下限，依据是实验设计而非原始文献结论。
词条不含任何临床建议。集合内的影像来自已接受标准治疗的患者，但数据本身不附带治疗方案、疗效判定或随访结果，不能用于支持诊疗决策。
常见误读（避坑清单）
| 常见说法 | 实际情况 | 证据 |
|---|---|---|
| 它是 ACRIN 6677 或 RTOG 0825 的影像子研究 | 官方页面未提这两个试验，数据署名为麻省总医院，采集在治疗开始之前 | 集合页数据提供者与采集时点说明 |
| 它记录了治疗前后的疗效变化 | 两次扫描均在治疗前，中间无干预 | 集合页「手术后可治疗前」的描述 |
| 它是多中心数据集 | 全部影像出自一台西门子 Trio 3T 与一副头线圈 | 集合页设备说明 |
| 它有六七十例 | 统计栏为五十四例 | 集合页统计栏 |
| 集内有算好的 ADC、rCBV、Ktrans | 只有原始采集，参数须自算 | 数据类型仅列磁共振影像 |
| 五十四例都能进分析 | 逐序列筛选后常只剩二三十对 | 后续研究分别用到三十三例、二十九对、十一例 |
| 它带分割掩膜 | 不提供，需自行勾画 | 数据类型无分割项 |
| 它能配基因组做影像组学 | 无基因组、无临床表 | 仅随集发布一份清单表 |
| 它可以直接再分发 | 只能指向官方入口，须按政策使用 | 数据使用政策 |
| 它的灌注覆盖全脑 | DSC 仅十二层、层厚五毫米 | 集合页 DSC 参数 |
FAQ
Q1：这套数据一共有多少例、多少次检查？
五十四例患者、一百零六次检查。多数患者做了两次，少数只有一次。序列总数一千九百四十二，影像总数五十八万九千余张，体积三十三点五吉字节。
Q2：两次扫描之间隔多久？
官方写的是通常二至五天。原始论文报告的平均间隔为三点六天，全部重复检查在八天内完成。
Q3：为什么叫治疗反应却没有治疗后影像？
治疗反应是定量影像网络这一期项目的主题词，说明这套数据服务于疗效评价参数的验证。数据本身只覆盖治疗开始之前的窗口。
Q4：做 rCBV 分析要额外准备什么？
需要一个完整的灌注后处理链路：运动校正、基线估计、浓度—时间曲线拟合、泄漏校正、参考区选择、标准化或归一化。集内没有现成参数图，也没有参考区标注。
Q5：能不能只用结构像做分割？
可以，但要注意两个问题。一是没有金标准掩膜，只能做无监督或自建标注；二是没有治疗后影像，无法研究疗效相关的形态变化。
Q6：几例患者能凑齐七个序列？
官方没有给出确切数字。从后续研究的纳排结果看，要求两次基线同时具备弥散与 DSC 时剩十一例，要求完整 T1 映射做 DCE 定量时剩二十九对，rCBV 重复性论文用到三十三例。
Q7：数据还能下载吗？
可以。注册 TCIA 账号后用其下载工具按集合取数。页面提示部分影像存在人脸重建风险，这部分需按受控访问政策单独申请。
术语表
| 术语 | 释义 |
|---|---|
| 双基线 | 同一患者在治疗开始前接受两次扫描，用于估计测量误差 |
| DSC | 动态磁敏感对比灌注，用 T2* 效应追踪对比剂首过 |
| DCE | 动态对比增强，用 T1 效应拟合对比剂渗漏动力学 |
| rCBV | 相对脑血容量，DSC 最常用的派生参数 |
| Ktrans | 对比剂从血管渗入组织间隙的速率常数 |
| ADC | 表观弥散系数，由不同 b 值的弥散影像计算 |
| 标准化 | 用固定参考值折算参数，使不同患者可比 |
| 归一化 | 用对侧正常组织折算参数，得到个体内比值 |
| 重复性系数 | 两次测量差值在给定置信水平下的临界值 |
| 受试者内变异系数 | 同一受试者重复测量的标准差与均值之比 |
| 可变翻转角 T1 映射 | 用多个翻转角估计注射前纵向弛豫时间 |
| 泄漏校正 | 消除对比剂外渗对灌注参数的污染 |
编辑说明
核验日期二零二六年十月二十九日。规模数字取自集合页统计栏（五十四例、一百零六次检查、一千九百四十二个序列、五十八万九千三百一十四张影像、三十三点五一吉字节），设备与序列参数取自同一页面的采集说明。方法学结论取自集合页列出的两篇论文：Prah 等二零一五年《神经放射学杂志》三十六卷九期，与 Jafari-Khouzani 等二零一五年《转化肿瘤学》八卷三期。子集规模取自两篇后续复用研究，分别发表于《神经肿瘤学进展》与《放射肿瘤学与物理学》。
未覆盖的内容：集合页未提供逐例的序列齐备情况，因此正文只给出「并非每例齐备」这一官方表述与后续研究的子集数字，未做逐例统计。临床变量是否存在于清单表内部，未开箱核对，正文按「不随集发布结构化临床表」表述。人脸风险影像的具体占比，页面未给数字，正文只转述提示。
关于任务书与官方页面的三处不一致，按官方页面为准处理：一是集合为单中心双基线设计，非多中心纵向随访；二是官方未提及 ACRIN 6677 或 RTOG 0825；三是例数为五十四，非六七十。三处均已写入常见误读表。
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：
- ucsf-pdgm — 共享标签：医学影像 / MRI / 脑肿瘤 / 肿瘤学
- fets — 共享标签：医学影像 / MRI / 脑肿瘤 / 肿瘤学
- synthrad — 共享标签：医学影像 / MRI / 肿瘤学 / 多模态影像
- yale-brain-mets-longitudinal — 共享标签：医学影像 / MRI / 脑肿瘤 / 肿瘤学
- tcga-kirc — 共享标签：医学影像 / MRI / 肿瘤学 / 多模态影像
- icdc-glioma — 共享标签：医学影像 / MRI / 脑肿瘤 / 肿瘤学
- brats-africa — 共享标签：医学影像 / MRI / 脑肿瘤 / 肿瘤学
- rembrandt — 共享标签：医学影像 / MRI / 脑肿瘤
- qin-prostate — 共享标签：医学影像 / MRI / 肿瘤学
- crossmoda-2023 — 共享标签：医学影像 / MRI / 脑肿瘤 / 多模态影像
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。
