信息速览
INFOBOX — UCSD-BMETS-Longitudinal 一屏速览
维度 内容 本质 TCIA 单机构纵向脑转移瘤多模态 MRI 数据集，带神经放射学家核准的体素级四室分割 官方名 The University of California San Diego Longitudinal Brain Metastases Annotated Multimodal MRI Dataset 机构 University of California San Diego（UCSD）医院，2016–2023 采集 DOI 10.7937/5ejb-9g94（DataCite）｜Version 1，Updated 2026/10/05 规模 300 患者（167 女/133 男）× 约 1,065–1,066 MRI 时间点｜11,405 series｜163GB 时间点 每例 2–4 个连续 MRI，治疗前后混合；间隔未披露 序列 t1c / t1n / t2 / t2f（四序列保证齐全）+ t1postFSE / dwi / adc / swan / asl（可选） 分割 BraTS 同协议四室：ET(label3)/NETC(label1)/SNFH(label2)/RC(label4) 流水线 nnU-Net 预分割 → ITK-SNAP 人工修正 → 神经放射学家核准 原发灶 肺 114 / 乳 78 / 黑素瘤 27（前三，其余未逐一披露） 治疗 手术 59 患者；放疗 218 患者（可重叠） 许可 CC BY 4.0（四类资产统一）｜Data Citation Required 获取 影像 163GB 走 IBM Aspera；临床/元数据 TSV 站内直链 最须辨析 同机构 rid 957（前庭神经鞘瘤，良性）≠ 本集（脑转移瘤，恶性） 库内互链 ucsd-vs-longitudinal(957)、yale-brain-mets-longitudinal(983)、brats-met(950)、brats(24)、tcia(547)
UCSD-BMETS-Longitudinal 是一个"把脑转移瘤的纵向故事连同每个肿瘤的像素级轮廓一起讲完"的数据集：300 位在 UCSD 医院确诊颅内转移的患者，每人被追踪 2 到 4 个连续的 MRI 时间点，横跨治疗前后；每个时间点的多序列 MRI 上，转移灶被逐像素勾画为四类组织（增强瘤体、非增强瘤核、周边 FLAIR 高信号、术后残腔），并经委员会认证的神经放射学家核准。它一口气补上了脑转移瘤影像研究长期存在的两个缺口——纵向与体素级标注——而这两个缺口恰是同域多数数据集只补其一的短板。
导语读法三则：
- 只想下数据：直奔 §6 获取与许可——影像包 163GB 走 IBM Aspera 插件，临床与元数据 TSV 才是站内直链；许可四类资产统一 CC BY 4.0，但须遵守 TCIA Data Usage Policy 并带 DOI 引用。
- 关心它和别的脑转移数据集有何不同：直奔 §3 三分天下辨析——本集（纵向+分割）、Yale 脑转移纵向（纵向但无分割）、BraTS-METS（分割但偏单时相）三者站位一目了然；同机构
rid 957的对照见 §3.4。 - 关心标注质量与用法：直奔 §5 分割协议——BraTS 四室标签体系、nnU-Net→ITK-SNAP→专家核准三段流水线，以及 native space 无跨受试者配准这一关键用法约束。
§0 导读：这个数据集解决什么问题
脑转移瘤（brain metastases）是成人最常见的颅内恶性肿瘤，其发病率随着癌症检出率提高与全身治疗延长生存而持续上升。与原发性脑肿瘤（如胶质瘤）不同，脑转移瘤具有三个棘手特征：多发（一个患者脑内常散布多个病灶）、小体积（单个病灶常仅数十至数百体素）、高度动态（放疗、手术、系统治疗都会让病灶在数周至数月内显著缩小或进展）。这三点决定了脑转移瘤的影像 AI 需要三样东西：分割（病灶在哪、有多大）、纵向追踪（随时间怎么变）、多模态（不同序列互补揭示范围与活性）。
现实是，公开的脑转移瘤 MRI 数据集大多只满足其中一两样。有的给分割但只覆盖单一时间点（如各类分割赛道），有的给纵向随访但不带病灶级标注（只能做粗粒度的进展分类），有的规模庞大但横跨近二十年、机型混杂（更适合做鲁棒性而非精细标注研究）。一个同时具备纵向时间序列 + 体素级专家标注 + 单机构可控采集的脑转移瘤数据集，长期是空白。
UCSD-BMETS-Longitudinal 的回答是：把三者合并到一个单机构队列里。300 位 UCSD 患者，每人 2–4 个连续 MRI 时间点（治疗前后混合），每个时间点的全部序列都被统一预处理（HD-BET 颅骨剥离、配准到首时间点 t1c），每个转移灶被 nnU-Net 预分割后经 ITK-SNAP 人工修正、最终由 BOARD-CERTIFIED 神经放射学家核准为四类组织的体素级掩码——采用与 BraTS 挑战赛完全相同的四室协议（ET/NETC/SNFH/RC）。这样的组合使它既能训练"病灶在哪"的分割模型，也能训练"病灶怎么变"的纵向演进模型，还能支撑"治疗后怎么评估"的疗效反应分析——一棵数据树长出三根任务枝。
§0 读法三则：
- 这个条目的核心价值不是"最大"而是"最全的组合"：300 患者相比 Yale 的 1,430 患者并不算大，但它把纵向、多模态、体素级分割三样凑齐了，这是库内脑转移瘤条目里独一份的卡位（§3 详解）。
- 全文所有规模数字均出自 TCIA 集合页；正文与数据表唯一冲突处（时间点 1,065 vs 1,066）已在坑 1 双口径存照，不擅自合并。
- 检索时务必注意：库内另有一条 UCSD 的纵向 MRI 数据集（
ucsd-vs-longitudinal，rid 957），但那是前庭神经鞘瘤（良性听神经瘤）——同机构、同流水线、不同疾病。把两者混为一谈会得到完全错误的结论（§3.4 与坑 2）。
§1 数据集速览：十问十答
Q1：UCSD-BMETS-Longitudinal 的"300 患者"从哪来？
来自 UCSD 医院 2016–2023 年间确诊颅内转移（实质内、软脑膜或硬脑膜）并至少有 1 次随访 MRI 的成年患者。病例通过 chart review（病历审查）与 UCSD 放射报告检索引擎（3M M*Modal Scout）识别，最终纳入 300 例（167 女 + 133 男）。
Q2："纵向"具体纵在哪？
每位患者纳入 2 到 4 个连续 MRI 时间点，覆盖治疗前与治疗后。对于不足 4 次 MRI 的患者，若存在诊断前的一次正常 MRI，也会被纳入以补齐纵向链条。为保证解剖一致性，手术前（或再次手术后）的 MRI 因解剖结构改变被排除。
Q3：图像里有哪些序列？
四个基础序列保证齐全：t1c（对比增强 T1）、t1n（平扫 T1）、t2、t2f（FLAIR）。此外当临床采集可得时，还纳入 t1postFSE（T1c 快自旋回波）、dwi（高 b 值弥散加权）、adc（表观弥散系数图）、swan（磁敏感序列，含 SWI/SWAN/T2*-GRE）、asl（动脉自旋标记灌注）。5 个可选序列的可得性随时间点变化，逐时点可得性记录在临床表格中。
Q4：分割掩码里有什么？
与 BraTS 挑战赛同协议的四类组织：enhancing tissue（ET，增强瘤体，label 3）、non-enhancing tumor core（NETC，非增强瘤核，label 1）、surrounding non-enhancing FLAIR hyperintensity（SNFH，周边 FLAIR 高信号，label 2）、resection cavity（RC，术后残腔，label 4）。所有分割以 NIfTI 二值掩码提供，与参考影像同一 native space。
Q5：谁标注的，可靠吗？
三段流水线：nnU-Net 模型自动预分割（首个模型在治疗前转移瘤 + 治疗后胶质瘤数据集上预训练，后用在修正后治疗后病例上训练的新模型替换）→ ITK-SNAP 上人工修正（依据 t1n/t1c/t2/t2f 四序列 + 原始影像与影像报告）→ 委员会认证神经放射学家批准。全部纳入的颅内转移类型（实质内/软脑膜/硬脑膜）都被标注。
Q6：数据怎么组织的？
以 examination（检查）为组织单位：每个 BMETSXXXX_YY 文件夹对应一个受试者的一个时间点（XXXX 为匿名受试号，YY 为 01–04 的时间点索引）。序列文件命名 BMETSXXXX_YY-<sequence>.nii.gz，分割文件 BMETSXXXX_YY-seg.nii.gz。
Q7：图像做了什么预处理？
dcm2niix 将 DICOM 转 NIfTI → 按 DICOM 序列名重命名并人工挑选运动伪影最小/分辨率更高的序列 → HD-BET 颅骨剥离 → CaPTk/Greedy 将各序列仿射配准到首个时间点的 t1c。关键点：保留 native space 与原始采集分辨率，无空间标准化、无跨受试者配准。
Q8：原发癌种和治疗构成如何？
原发灶前三：肺 114、乳腺 78、黑色素瘤 27（其余部位未逐一披露）。治疗：59 位患者接受手术切除、218 位接受放疗；原文还列出系统治疗、联合治疗与对症管理，但未给这些类别的逐一患者数。
Q9：我现在能拿到什么、要花多少代价？
影像包 163GB 经 faspex.cancerimagingarchive.net 下载，需要 IBM Aspera Connect 插件；临床 TSV（43kb）、临床数据字典（3kb）、MRI Metadata（89kb）与其字典（3kb）为站内直链，可直接下载。全部资产 CC BY 4.0。
Q10：为什么它对 AI-Ready 重要？
它是库内首个"纵向 + 多模态 + 体素级分割三合一"的脑转移瘤数据集：既补齐了脑转移瘤影像长期缺乏纵向标注的短板，又用 CC BY 4.0 全开放许可 + 标准 NIfTI + BraTS 协议标签体系，让"下载即可训练"成为现实——这是纯纵向无标注数据集（如 Yale 集）或纯赛道分割数据集（如 BraTS-METS）单独做不到的。
§1.5 数据集身份辨析：五个最容易搞混的对象
本集的名称里含 UCSD、Brain Metastases、Longitudinal、Annotated、Multimodal 五个极具辨识度的词，但这些词也正因常见而容易被误匹配。下表把最容易与本集混淆的五个对象一次性排清：
| 对象 | 是什么 | 与本集的关系 | 关键区分 |
|---|---|---|---|
| UCSD-VS-Longitudinal（rid 957） | UCSD 前庭神经鞘瘤纵向 MRI | 同机构、同流水线、不同疾病 | 良性（VS）vs 恶性（BMETS）；患者 191 vs 300 |
| Yale-Brain-Mets-Longitudinal（rid 983） | Yale 脑转移瘤纵向 MRI | 同域不同机构，无分割 | 规模 1,430 vs 300；Yale 无病灶掩码 |
| BraTS-METS（rid 950） | BraTS 脑转移瘤分割赛道 | 同分割协议，不同性质 | 赛道（Synapse）vs 资源（TCIA）；有排行榜 vs 无 |
| UCSF-BMSR | UCSF 脑转移瘤分割集（非纵向） | 同域，非纵向 | 无纵向；non-commercial 许可 vs CC BY 4.0 |
| 各种"脑 MRI 分割"集（brats 家族） | 原发脑肿瘤分割 | 同任务族，不同肿瘤 | 胶质瘤/脑膜瘤（原发）vs 转移瘤 |
辨析口诀：看到"UCSD + 纵向 + 神经鞘瘤" → 是 rid 957，不是本集；看到"脑转移 + 纵向 + 无分割" → 是 Yale（rid 983）；看到"脑转移 + 分割 + 有排行榜" → 是 BraTS-METS（rid 950）；看到"脑转移 + 分割 + 无纵向" → 是 UCSF-BMSR。只有同时满足"脑转移 + 纵向 + 体素级分割 + TCIA + CC BY 4.0"的，才是本集。
§1.6 三个数字读懂本集
如果只记三个数字，记这三个：
- 300：患者数。这决定了它的规模定位——中等偏小，适合方法开发而非人群基准，也意味着它天然适合做"小而精"的纵向标注训练/验证资源。
- 2–4：每例的纵向时间点数。这决定了它能支撑的时序建模深度——足以构造相邻配对与治疗前后对比，但不足以做长程随访曲线拟合。
- 4：分割的标签室数（ET/NETC/SNFH/RC）。这决定了它的监督信号粒度——足以区分活跃肿瘤、瘤核、周边水肿与术后残腔，与 BraTS 生态无缝对接。
另一个必记的隐藏数字是"1,065 vs 1,066"——本集唯一的核心双口径（Abstract 与数据表差 1），引用时必须注意（见坑 1）。记住这个双口径，就能避免在正式引用中出错。
§1.7 一分钟概念地图
为帮助不同背景的读者快速建立心智模型，下面用"输入—处理—输出—使用"四段式概括本集：
输入（它是什么）：UCSD 医院 2016–2023 年 300 位脑转移瘤患者的纵向多模态 MRI（每人 2–4 时间点，9 种序列），加上从 EMR 提取的临床与治疗信息。
处理（它在发布前经历什么）：DICOM→NIfTI 转换（dcm2niix）→ 序列择优 → 颅骨剥离（HD-BET）→ 患者内配准到首时间点 t1c → nnU-Net 预分割 → ITK-SNAP 人工修正 → 神经放射学家核准。
输出（用户拿到什么）：163GB 的 NIfTI 影像包（每时间点 4+ 序列 + 四室分割掩码），外加临床表、数据字典、MRI Metadata 四份 TSV。
使用（能拿它做什么）：训练脑转移瘤分割模型、构建纵向病灶追踪模型、开发治疗反应评估工具、作为外部验证集检验泛化性、与同机构 rid 957 配对做良性 vs 恶性对照研究。
这张地图的每一段都对应正文的一个章节：输入→§2，处理→§4，输出→§2/§6，使用→§5/§7。读者可按需跳转。
§1.8 数据集命名解码
本集的名称本身携带大量信息，逐词拆解：
| 名称片段 | 含义 | 说明 |
|---|---|---|
| UCSD | University of California San Diego | 数据来源机构（加州大学圣地亚哥分校） |
| BMETS | Brain METaStases | 疾病主题（脑转移瘤） |
| Longitudinal | 纵向 | 核心特征：多时间点随访（非单次扫描） |
| Annotated | 已标注 | 核心特征：带体素级专家分割（非纯影像） |
| Multimodal | 多模态 | 核心特征：多序列 MRI（非单一序列） |
| MRI | 磁共振成像 | 影像模态 |
| Dataset | 数据集 | 资产类型 |
关键洞察：名称中的四个修饰词 Longitudinal、Annotated、Multimodal + MRI 恰好是对应本集四个核心价值的宣言——纵向随访、专家标注、多序列、磁共振。这也正是它与"只纵向不标注"（Yale）或"只分割不纵向"（UCSF-BMSR）数据集的分水岭。若把名称缩写为"UCSD 纵向标注多模态脑转移 MRI 集"，四个卖点一个不落。
§1.9 与 UDS 相关命名陷阱
数据科学界有多个以"UCSD"或其他加州大学分校命名的医学数据集，检索时易混：
| 名称片段 | 可能指向 | 与本集关系 |
|---|---|---|
| UCSD-BMETS | 本集 | 脑转移瘤纵向标注 |
| UCSD-VS | rid 957 | 前庭神经鞘瘤纵向 |
| UCSF-BMSR | UCSF 脑转移瘤分割 | 不同学校（UCSF）、非纵向 |
| UC San Diego Health | 采集医院 | 本集数据来源地 |
易错点：UCSD（圣地亚哥）与 UCSF（旧金山）是两所不同的加州大学分校，都做脑转移瘤影像，但本集来自 UCSD，UCSF-BMSR 来自 UCSF。检索"UCSD brain mets"与"UCSF brain mets"会得到完全不同（但主题相似）的结果，务必看清校名前缀。
§1.10 面向不同读者的导读路线
本文篇幅较长，针对不同背景读者给出不同的阅读路线：
路线一：AI 工程师 / 数据科学家（想快速用起来）
§1 速览 → §2 数据构成与规格 → §6 获取与许可 → §6.6 使用实操 → §8.7 工作流建议。跳过临床背景与伦理章节。
路线二：影像 AI 研究者（想评估是否适合研究）
§3 位置辨析 → §4 标注体系 → §5 任务与基准 → §7 对比与生态 → §9 局限。重点关注与 BraTS-METS / Yale 集的差异。
路线三：临床/放射科背景读者（想理解临床价值）
§0 导读 → §8.5 临床背景 → §9.5 临床难题 → §5 任务场景。重点关注数据集如何回应临床需求。
路线四：数据集方法论研究者（想学习标注工艺）
§4 标注流水线 → §4.6 双 nnU-Net 设计 → §8.6 纵向构建挑战 → §9.6 标注成本。重点关注可复制的工程技巧。
路线五：医学信息学 / 数据治理读者
§6 许可与版本 → §9.3 伦理 → §9.7 治理清单 → §8 就绪度分析。重点关注 DAIMS 与合规性。
§2 数据构成与规格
2.1 规模、来源与机构构成
UCSD-BMETS-Longitudinal 由单机构回顾性队列构成，全部影像来自 UCSD 医院 2016–2023 年的常规临床采集：
| 维度 | 数值 | 口径来源 |
|---|---|---|
| 患者（subjects） | 300 | Abstract 与 Method 一致 |
| 性别构成 | 167 女 + 133 男 | Method 原文 |
| MRI 时间点 | 1,065（Abstract）/ 1,066（数据表 Studies） | 双口径，见坑 1 |
| 每例时间点数 | 2–4 个连续 MRI | Method 原文 |
| Series | 11,405 | Data Access 数据表 |
| Images | 未披露 | 数据表 Images 列为空，见坑 3 |
| 数据体积 | 163GB | Data Access 数据表 |
| 采集窗口 | 2016–2023 | Method 原文 |
单机构设计带来双刃效应。优势是采集环境相对可控、标注资源集中、队列连续且带完整临床随访；代价是患者数与机构多样性有限——300 患者的规模显著小于 Yale 集（1,430 患者 / 11,892 studies），也不及跨机构挑战赛数据集的人群广度。对使用者的含义：本集适合做精细标注下的方法开发与纵向建模验证，不适合直接当作人群代表性基准；跨机构泛化能力需要外部数据集补足。
采集覆盖了丰富的管理策略：放疗、手术切除、系统治疗、联合治疗与对症管理。这使队列的治疗—影像对应关系高度真实，但也意味着治疗分组不是干净的对照组——同一患者可在不同时间点接受不同治疗。
2.2 序列体系与可得性
影像采集包含 9 种序列标识，分两档可得性：
| 序列标识 | 全称 | 可得性 |
|---|---|---|
| t1c | T1-weighted contrast-enhanced（对比增强 T1） | 全时间点保证；配准参考序列 |
| t1n | pre-contrast T1-weighted（平扫 T1） | 全时间点保证 |
| t2 | T2-weighted | 全时间点保证 |
| t2f | T2-weighted FLAIR | 全时间点保证 |
| t1postFSE | T1c fast spin echo | 可选，随时间点变异 |
| dwi | high b-value diffusion-weighted imaging（高 b 值弥散加权） | 可选，随时间点变异 |
| adc | apparent diffusion coefficient map（表观弥散系数图） | 可选，随时间点变异 |
| swan | susceptibility-sensitive（SWI/SWAN/T2*-GRE 磁敏感序列） | 可选，随时间点变异 |
| asl | arterial spin labeling perfusion（动脉自旋标记灌注） | 可选，随时间点变异 |
这一结构反映真实临床现实：四序列是脑转移瘤评估的最低标配（平扫+增强 T1 描范围、T2/FLAIR 显示水肿与周边高信号），而弥散（dwi/adc）、磁敏感（swan）、灌注（asl）属于按需加做的进阶序列。对 AI 研究的含义是：做多模态融合模型时需按序列可得性分别设计——追求全 9 序列的模型会在多数时间点上遇到缺失模态；稳健的策略是围绕四基础序列构建主干、把可选序列作为增益分支。
2.3 文件命名与数据组织
数据以 examination（检查）为组织单位：
- 检查文件夹：
BMETSXXXX_YY—— XXXX 为匿名受试号，YY 为纵向时间点索引（01、02、03、04） - 序列文件：
BMETSXXXX_YY-<sequence>.nii.gz（如BMETS0001_01-t1c.nii.gz） - 分割文件：
BMETSXXXX_YY-seg.nii.gz
每例的时间点索引 YY 从 01 递增，与队列随访顺序对应。所有序列文件为压缩 NIfTI 格式（.nii.gz），可用 ITK-SNAP、3D Slicer、FSL、FreeSurfer、NiBabel、MONAI 等标准工具读取。
2.4 临床与元数据表
本集除影像外提供四类表格资产：
| 资产 | 体积 | 内容 |
|---|---|---|
| Clinical Data（TSV） | 43kb | imaging 时点年龄、性别、原发肿瘤类型、扫描间治疗类型 |
| Clinical Data Dictionary（TSV） | 3kb | 临床表字段释义 |
| MRI Metadata（TSV） | 89kb | 采集元数据（序列/参数级） |
| MRI Metadata dictionary（TSV） | 3kb | 采集元数据字段释义 |
临床表的核心价值在于它把"影像时间点"锚定到"临床事件"上：两次扫描之间患者接受了什么治疗被逐时点记录，这是纵向治疗反应建模的关键监督信号。采集元数据表则记录了每个序列的采集参数，供批量质控与采集异质性分析使用。
2.5 队列与临床表现
- 原发灶分布（前三）：肺 114 患者、乳腺 78 患者、黑色素瘤 27 患者——这一排序与流行病学常识一致（肺癌、乳腺癌、黑色素瘤是脑转移的三大常见来源），其余原发部位未逐一披露。
- 纳入的转移解剖类型：实质内（intraparenchymal）、软脑膜（leptomeningeal）、硬脑膜（dura）——涵盖全部颅内转移类型，而非仅限脑实质转移，这比多数只做实质转移的数据集覆盖更广，但也意味着分割目标在形态上更异质。
- 治疗构成：手术切除 59 患者、放疗 218 患者；此外还有系统治疗、联合治疗、对症管理（未给逐类计数）。手术与放疗之和 277 小于 300，但治疗类别本身重叠（同一患者可多模态治疗），故不能简单相减推断"未治疗人数"。
§3 位置辨析：脑转移瘤数据集的三分天下
这是本条目最需要厘清的部分。库内（以及公开领域）存在多个"脑转移瘤 / 脑 MRI 纵向"数据集，名称相近、主题交叉，极易混淆。下面把 UCSD-BMETS-Longitudinal 与三个最相关条目逐一对照。
3.1 与 Yale 脑转移瘤纵向集（rid 983）的对照
Yale Brain Metastases Longitudinal（yale-brain-mets-longitudinal）是耶鲁纽黑文医院发布的脑转移瘤 MRI 纵向数据集，规模远大于本集：
| 维度 | UCSD-BMETS-Longitudinal（本集） | Yale 脑转移纵向（rid 983） |
|---|---|---|
| 机构 | UCSD | Yale New Haven Hospital |
| 患者数 | 300 | 1,430 |
| 时间点/studies | 约 1,065–1,066 | 11,892（TCIA）/ 11,884（论文） |
| 时间跨度 | 2016–2023（约 7 年） | 2004–2023（近 20 年） |
| 序列 | 9 种标识（4 保证 + 5 可选） | T1W / T1CE / T2 / FLAIR 四序列 |
| 病灶级分割 | 有（BraTS 协议四室体素级掩码） | 无（无 segmentation mask） |
| 数据体积 | 163GB | 43GB |
| 许可 | CC BY 4.0 | CC BY 4.0 |
| 平台 | TCIA | TCIA |
一句话差异：Yale 集是"大而全的纵向影像库"（规模大、跨度长，但核心资产是影像+临床元数据的时间序列，不含病灶标注）；UCSD 本集是"小而精的纵向标注集"（规模小，但每个病灶都有体素级专家分割）。做分割/检测模型 → 用本集；做长期纵向演进/疗效预测的弱监督模型 → 用 Yale 集。两者互补而非替代。
3.2 与 BraTS-METS 赛道（rid 950）的对照
BraTS-METS（brats-met）是 BraTS 挑战赛的脑转移瘤分割赛道（2023 原生独立赛道 → 2024 归入 Cluster Task 3 → 2025 Lighthouse），与本集共享同一个分割协议血统：
| 维度 | UCSD-BMETS-Longitudinal（本集） | BraTS-METS（rid 950） |
|---|---|---|
| 性质 | TCIA 单机构开放数据资源 | 挑战赛赛道（有排行榜与评测） |
| 分发平台 | TCIA（Aspera） | Synapse |
| 机构来源 | 单机构（UCSD） | 多机构（2023 届 8 个国际来源数据集） |
| 时相 | 天然纵向（每例 2–4 时间点） | 2023 偏治疗前；2024 扩展至 pre+post-treatment |
| 分割协议 | BraTS 四室（ET/NETC/SNFH/RC） | BraTS 四室（同协议） |
| 评测口径 | 无官方 benchmark | lesion-wise Dice + HD95 |
| 许可 | CC BY 4.0（明确） | 未直证（家族惯例 CC BY 4.0 / Synapse 条款） |
关键点：本集的分割协议直接借用 BraTS 协议——TCIA 页面的方法学引用中明确列出 BraTS 2021 基准（arXiv:2107.02314）与 BraTS 2024 胶质瘤论文（arXiv:2405.18368），且标签编号（ET=3、NETC=1、SNFH=2、RC=4）与 BraTS 体系一致。因此在本集上训练的模型，其标签空间与 BraTS-METS 相通，具备跨集迁移与联合训练的潜力。差异在于：BraTS-METS 是赛道（追求统一的病灶级评测、多机构对抗），本集是资源（追求纵向真实性与开放获取，无排行榜）。
3.3 与 BraTS 家族其他条目
- brats-meningioma（rid 949）：BraTS 脑膜瘤赛道，脑膜瘤多为良性颅内肿瘤（与脑转移瘤的恶性来源不同），但同属"颅内占位病变 MRI 分割"任务家族。
- brats（rid 24）/ brats-2026（rid 931）：BraTS 主赛道（胶质瘤）及其 2026 演进——同为颅内肿瘤分割基准，可作跨肿瘤类型对照。
3.4 与同机构 UCSD-VS-Longitudinal（rid 957）的对照（最重要）
库内存在另一条 UCSD 的纵向多模态 MRI 数据集——ucsd-vs-longitudinal（rid 957），它与本集"同机构、同平台、同流水线"，但疾病完全不同：
| 维度 | UCSD-BMETS-Longitudinal（本集） | UCSD-VS-Longitudinal（rid 957） |
|---|---|---|
| 疾病 | 脑转移瘤（malignant，转移性） | 前庭神经鞘瘤（Vestibular Schwannoma，良性；别名听神经瘤） |
| 患者数 | 300 | 191 |
| MRI 时间点 | 约 1,065–1,066 | 570 |
| 序列 | 9 种标识（含 dwi/adc/asl/swan） | 11 种标识（含 IAC 内听道专用序列） |
| 分割 | BraTS 协议四室（ET/NETC/SNFH/RC） | T1-post 上对比增强肿瘤体素级二值分割 |
| 纵向行为分类 | 无（以分割+治疗状态为主） | 有（stable/growing/shrinking 三分类） |
| 数据体积 | 163GB | 40GB |
| 许可 | CC BY 4.0 | CC BY 4.0 |
| 流水线 | nnU-Net → ITK-SNAP → 神经放射学家核准 | 同左（nnU-Net → ITK-SNAP → 神经放射学家核准） |
为何这是本条目最重要的辨析：两条数据集的采集方（UCSD）、发布方（TCIA）、预处理流水线（dcm2niix/HD-BET/nnU-Net/ITK-SNAP）、分割终审机制（board-certified 神经放射学家）、许可（CC BY 4.0）几乎完全一致——它们是同一个研究团队在两条不同疾病线上的姊妹产品。因此：
- 绝不能把 rid 957 当作本集的"别名"或"版本"——前庭神经鞘瘤是良性肿瘤（发生于前庭蜗神经鞘膜），脑转移瘤是恶性转移性病变，两者的病理、影像表现、治疗路径、临床终点截然不同。
- 正确的用法是互为对照：同机构同流水线确保了"数据工艺"这一变量被控制，于是"良性神经鞘瘤 vs 恶性脑转移瘤"的差异可以更干净地归因到疾病本身——这对研究"肿瘤类型如何影响算法泛化"的研究者极有价值。
- 检索与引用时务必区分：
BMETS前缀对应本集，VS前缀对应 rid 957。
3.5 位置小结
把四个数据集放在"是否纵向 × 是否有体素级分割"两轴上：
| 数据集 | 纵向 | 体素级分割 | 规模 | 定位 |
|---|---|---|---|---|
| UCSD-BMETS-Longitudinal（本集） | ✅ | ✅ | 300 患者 | 纵向标注三合一 |
| Yale 脑转移纵向（rid 983） | ✅ | ❌ | 1,430 患者 | 大规模纵向影像库 |
| BraTS-METS（rid 950） | 部分（2024 起 pre+post） | ✅ | 数十至数百 cases/届 | 赛道分割基准 |
| UCSD-VS-Longitudinal（rid 957） | ✅ | ✅（二值，良性瘤） | 191 患者 | 同机构疾病对照 |
本集的独特卡位由此清晰：它是这一组里唯一"中等规模 + 完整纵向 + BraTS 协议四室体素级分割 + CC BY 4.0 全开放"的组合。规模上打不过 Yale，评测权威性上打不过 BraTS-METS，但它把两者最缺的那一块（纵向×分割的交集）补上了。
3.6 为什么"纵向 × 分割"的交集如此珍贵
要理解本集补上的空白有多大，需先理解脑转移瘤影像 AI 的两条主流研究线各自缺什么。
第一条线：静态分割。 大量工作聚焦"给定一次 MRI，把病灶勾出来"。这类研究的数据来源多为挑战赛（BraTS-METS）或单时相标注集（UCSF-BMSR）。它们的共性是每个患者只贡献一个时间点，模型学到的是"某一时刻的病灶形态"，对"病灶从何而来、往何而去"一无所知。
第二条线：纵向随访。 另一批工作利用时间序列影像做进展预测、疗效评估。这类研究的数据来源多为大规模临床影像库（Yale 集），有丰富的纵向时间点但缺病灶级标注——模型只能拿到粗粒度信号（如"这个 study 有没有进展"的弱标签），无法做像素级的病灶追踪。
两条线的尴尬：静态分割的模型无法回答"病灶在缩小还是增大"，纵向随访的模型无法精确定位"是哪个病灶在变"。真正需要的能力——逐病灶的纵向追踪（lesion-wise longitudinal tracking）——要求数据同时具备"每个时间点都有病灶轮廓"与"多个时间点连成序列"两个条件。
本集正是少数同时满足这两个条件的数据集之一：每例 2–4 个时间点，每个时间点都有 BraTS 四室体素级掩码，且所有时间点在患者内配准到首时间点 t1c。这让"同一患者的同一病灶在不同时间点的对应追踪"在数据层面成为可能——研究者可以据此构建病灶级的生长曲线、训练病灶对应匹配算法、开发治疗后残腔识别模型。这是纯静态分割集或纯纵向影像库单方面做不到的。
3.7 序列体系设计的取舍分析
本集 9 序列（4 保证 + 5 可选）的设计不是随意堆砌，而是一套有临床逻辑的组合。理解这套逻辑能帮使用者更好地设计实验。
基础四序列（保证齐全）的临床分工：
| 序列 | 主要作用 | 在分割中的角色 |
|---|---|---|
| t1c（增强 T1） | 显示血脑屏障破坏区（活跃肿瘤） | ET 标签的主要依据；配准参考 |
| t1n（平扫 T1） | 解剖底图，显示出血/钙化/脂肪 | 辅助区分增强与非增强区 |
| t2 | 显示含水量高的组织 | 辅助界定水肿与病变范围 |
| t2f（FLAIR） | 抑制脑脊液信号的 T2 | SNFH 标签的主要依据（周边高信号） |
进阶五序列的补充价值：
| 序列 | 补充信息 | 适用场景 |
|---|---|---|
| t1postFSE | 更高对比度的增强细节 | 小病灶/近颅底病灶的检出 |
| dwi | 水分子弥散受限（细胞密度） | 区分转移瘤（弥散受限）与水肿 |
| adc | dwi 的定量图 | 定量细胞密度评估 |
| swan | 磁敏感（出血/铁沉积/钙化） | 检测病灶内出血（黑色素瘤转移常见） |
| asl | 灌注（血流） | 区分活跃肿瘤与治疗后改变（假性进展） |
对建模的启示：基础四序列足够支撑"从哪里开始"的 baseline 分割模型；进阶五序列提供了破解临床难题的信号——尤其 dwi/adc/asl 对"真性进展 vs 假性进展"这一脑转移瘤治疗后的经典难题有直接价值。研究者可从四序列 baseline 起步，再按可得性逐步引入进阶序列作为增益，形成渐进式多模态融合策略。
3.8 与其他颅内肿瘤分割数据集的跨界对照
本集虽定位于脑转移瘤，但其技术规格使其可与更广的颅内肿瘤分割数据集对照：
| 数据集 | 肿瘤类型 | 标签体系 | 关键差异 |
|---|---|---|---|
| UCSD-BMETS（本集） | 脑转移（恶性，多发） | BraTS 四室 | 纵向 + 多发小病灶 |
| BraTS（rid 24） | 胶质瘤（原发，单发为主） | ET/TC/WT 等 | 大体积、浸润性生长 |
| BraTS-METS（rid 950） | 脑转移 | BraTS 四室 | 赛道、多机构 |
| BraTS-Meningioma（rid 949） | 脑膜瘤（良性，脑外） | 单类为主 | 脑外生长、形态规则 |
| UCSD-VS（rid 957） | 前庭神经鞘瘤（良性，颅底） | 二值 | 沿神经生长、良性 |
观察：脑转移瘤的分割难度介于胶质瘤与小病灶神经鞘瘤之间——它体积小（单个病灶常仅数十体素，远小于胶质瘤）、多发（一例多个病灶需分别处理）、治疗后形态剧变（出现残腔）。这三点正是脑转移瘤分割性能系统性低于胶质瘤分割的原因（原发灶脑内大肿块 vs 转移灶散在小结节）。本集的四室协议中，RC（残腔）标签的存在直接回应了"治疗后形态剧变"这一挑战——这是纯治疗前数据集没有的标签。
3.9 机构与人物谱系的外部关联
本集虽为单机构（UCSD）数据集，其作者团队却有明确的跨数据集谱系：
- Correia de Verdier, M.（第一作者）：同时是 BraTS 2024 胶质瘤论文（arXiv:2405.18368，本集参考文献 [7]）作者之一，属 BraTS 社区与瑞典 Uppsala 脉系；
- Rudie, J.：UCSF/UCSD 神经放射学脉系核心人物，与 UCSF-BMSR 脑转移瘤数据集（brats-met 上游）同源；
- Farid, N.：神经放射学背景，与本集的分割终审机制（神经放射学家核准）呼应；
- 资助致谢中的 Uppsala University Hospital / The Swedish Society of Medicine / The Foundation Blanceflor / Sweden’s Innovation Agency 指向瑞典合作方，与第一作者机构一致。
谱系意义：本集不是一个孤立的地方队列，而是嵌在 BraTS + UCSF-BMSR 这一国际脑肿瘤影像 AI 网络中的节点。这解释了为什么它的分割协议能直接沿用 BraTS 四室、为什么方法学引用覆盖 BraTS 2021/2024——作者团队本身就是这些协议的制定者与使用者。这一背景支持了本集标签与 BraTS 生态的兼容性论断（§7.3）。
§3.10 分割难度对比：脑转移瘤为何比胶质瘤难分割
理解本集的技术挑战，需理解脑转移瘤分割本身的难度。把它与胶质瘤分割并置对比：
| 维度 | 胶质瘤（BraTS 主赛道） | 脑转移瘤（本集 / BrATS-METS） | 对算法的影响 |
|---|---|---|---|
| 病灶数量 | 通常单发大肿块 | 多发小结节 | 多目标检测 + 分类 |
| 单个病灶体积 | 大（可达数十 cm³） | 小（常数十至数百体素） | 小目标分割难，易漏检 |
| 生长方式 | 浸润性生长（边界模糊） | 膨胀性生长（边界相对清晰） | 转移瘤边界可能更清晰，但小 |
| 周围水肿 | 明显（SNFH 大） | 常显著（SNFH 相对病灶大） | 水肿/肿瘤比值高，易混淆 |
| 治疗后形态 | 有假性进展 | 有假性进展 + 残腔 | 需 RC 标签 |
| 类别不平衡 | 各类别均有 | ET 常远小于 SNFH | 损失函数需加权 |
结论：脑转移瘤分割的核心难点是"小目标 + 多目标 + 治疗后形态剧变"三重叠加。这正是为什么文献报道脑转移瘤分割性能系统性低于胶质瘤——不是算法不行，而是任务本身更难。本集通过提供 RC 标签（回应治疗后形态）、纳入多类转移（覆盖形态多样性）、双 nnU-Net 迭代（应对治疗后）来缓解这些难点。
对使用者的启示：在本集上做分割，不要期待像 BraTS 胶质瘤赛道那样高的 Dice——脑转移瘤的合理基准预期应更保守。评测时建议分病灶大小分层报告（如 <50 体素 vs ≥50 体素的 Dice），才能揭示模型在小病灶上的真实表现。
§3.11 纵向深度的建模含义
本集每例 2–4 个时间点，这一深度对不同的时序建模方法意味着什么：
| 时间点数 | 可支撑的建模 | 不可支撑的建模 |
|---|---|---|
| 2 个 | 前后对比、变化分类、差分分割 | 曲线拟合、趋势外推 |
| 3 个 | 三点趋势、简单轨迹 | 长程动力学 |
| 4 个 | 更稳健的趋势估计 | 仍不足以做周期性模式建模 |
含义：本集的纵向深度适合"短程变化建模"（如治疗后是否缓解、病灶是否增大），但不适合"长程演进预测"（如数年随访轨迹）。想做大跨度时序研究，应转向 Yale 集（近 20 年跨度）——这也是本集与 Yale 集互补的另一个维度（深度 vs 跨度）。
§3.12 库内脑部数据集生态总览
把库内与本集相关的脑部数据集按主题分层，形成生态地图：
脑转移瘤专项层：
- ucsd-bmets-longitudinal（本集）：纵向 + 分割
- yale-brain-mets-longitudinal（rid 983）：纵向，无分割
- brats-met（rid 950）：分割赛道
原发脑肿瘤分割层：
- brats（rid 24）：胶质瘤主赛道
- brats-2026（rid 931）：BraTS 2026
- brats-meningioma（rid 949）：脑膜瘤
- ucsf-pdgm：UCSF 胶质瘤（视库内命中）
其他颅内肿瘤层：
- ucsd-vs-longitudinal（rid 957）：前庭神经鞘瘤（良性，颅底）
神经影像分割同族层：
- nuinsseg、han-seg 等（视库内命中）
平台层：
- tcia（rid 547）：宿主平台
本集在生态中的位置：它是"脑转移瘤专项层"里唯一同时具备纵向与分割的条目，向上承接 TCIA 平台、横向连接 BraTS 分割生态与 Yale 纵向生态、旁接同机构 rid 957——是脑部影像库中一个承上启下的节点。
§3.13 三类"纵向脑数据集"的本体差异
本集、Yale 集、rid 957 三者都含"longitudinal"，但"纵向"的内涵不同：
| 数据集 | 纵向的对象 | 纵向的目的 | 纵向的处理 |
|---|---|---|---|
| 本集 | 病灶（脑转移瘤）随时间的变化 | 疗效评估、演进建模 | 配准到首时间点，标每时间点病灶 |
| Yale 集（983） | 检查（study）序列随时间的累积 | 长期随访影像库 | 保留各时间点影像，无病灶标注 |
| rid 957 | 肿瘤（前庭神经鞘瘤）随时间的生长行为 | 生长分类（稳定/增大/缩小） | 分割 + 行为三分类 |
洞察：三者的"纵向"深度不同——本集纵向到"病灶像素级随时间"，Yale 集纵向到"检查级"，rid 957 纵向到"肿瘤行为分类级"。这决定了它们能支撑的任务粒度：本集支持像素级纵向追踪，Yale 支持检查级进展分析，rid 957 支持肿瘤级生长分类。
§3.14 与"Annotated"的语义辨析
本集名称含 “Annotated”（已标注），这个词在医学影像数据集里含义不一，需明确本集的"标注"指什么：
| 数据集类型 | "标注"指什么 | 本集是否属于 |
|---|---|---|
| 分类标签集 | 整图级疾病分类 | 否（本集是分割而非分类） |
| 检测框集 | 病灶边界框 | 否（本集是像素级掩码） |
| 分割掩码集 | 像素/体素级病灶轮廓 | 是（本集核心） |
| 关键点集 | 病灶中心点 | 否 |
| 报告集 | 文本描述 | 否 |
本集的"Annotated" = 体素级分割掩码 + 分割经专家核准。理解这一点，就不会误以为本集只是带分类标签的影像库——它的标注粒度是像素级的，这正是它训练价值高的原因。
§4 标注体系与预处理流水线
4.1 分割标签体系：BraTS 四室协议
本集的分割采用与 BraTS 挑战赛完全相同的四室协议，这是它与其他脑转移瘤数据集拉开差距的技术核心：
| 标签 | 名称 | 英文全称 | 影像含义 |
|---|---|---|---|
| label 1 | NETC | non-enhancing tumor core（非增强瘤核） | 瘤体内不摄取对比剂的核心区 |
| label 2 | SNFH | surrounding non-enhancing FLAIR hyperintensity（周边非增强 FLAIR 高信号） | 肿瘤周围的 T2/FLAIR 高信号区（水肿/浸润） |
| label 3 | ET | enhancing tissue（增强组织） | 摄取对比剂的活跃肿瘤区 |
| label 4 | RC | resection cavity（术后残腔） | 手术切除后遗留的空腔 |
四个标签共同刻画了脑转移瘤在治疗路径中的完整形态学状态：ET 反映活跃肿瘤负荷、NETC 反映治疗反应后的残留、SNFH 反映周边受累范围、RC 反映手术干预痕迹。这种四室划分相比简单的"肿瘤/非肿瘤"二值标注，提供了远更丰富的监督信号——尤其对纵向治疗反应建模而言，ET 的缩小与 RC 的出现本身就是疗效的直接影像证据。
协议来源：TCIA 页面方法学段明确分割"followed the same protocol as used in the BraTS challenges"（遵循 BraTS 挑战赛同协议），并引用 BraTS 2021 基准（arXiv:2107.02314）与 BraTS 2024 胶质瘤论文（arXiv:2405.18368）。这意味着本集的标签编号体系与 BraTS-METS 赛道直接兼容（见 §3.2）。
4.2 三段式标注流水线
分割的生产遵循 nnU-Net → ITK-SNAP → 专家核准的三段流水线：
第一段：nnU-Net 自动预分割。
两个模型串行使用——首个 nnU-Net 模型在治疗前转移瘤 + 治疗后胶质瘤数据集上预训练；随后改用一个新的 nnU-Net 模型（在修正后的治疗后病例上训练）作为更新版预分割器。这个"更新模型"的设计针对性地提升了治疗后病例的分割质量——治疗后病灶形态（残留、残腔、坏死）与治疗前差异大，用"见过治疗后病例"的模型做初稿能显著减少人工修正量。
第二段：ITK-SNAP 人工修正。
预分割在 ITK-SNAP 上被逐例人工审校修正。修正依据是 t1n、t1c、t2、t2f 四序列 + 原始影像与影像报告——即标注员同时看四个序列的互补信息来界定病灶边界（增强序列定活跃区、FLAIR 定周边、平扫 T1 定解剖底）。
第三段：神经放射学家核准。
全部分割经委员会认证（board certified）神经放射学家批准后定为参考标准。这一步是"专家级 ground truth"的质量承诺——区别于纯算法分割或学生标注数据集。
4.3 图像预处理流水线
影像从 DICOM 到可用的 NIfTI 经过四步标准处理：
- DICOM → NIfTI：用 dcm2niix（参考文献 [1]）转换，序列按 DICOM 序列名重命名并按需人工选择。
- 序列挑选：在每例的多个候选序列中，依据最小运动伪影与更高分辨率原则挑选（真实临床采集中同一序列常有多次重复扫描，需择优）。
- 颅骨剥离：用 HD-BET（参考文献 [2]，DOI 10.1002/hbm.24750）做脑提取，去除颅骨与非脑组织。
- 配准：用 CaPTk/Greedy 软件（参考文献 [3]）以仿射配准把所有序列对齐到首个时间点的 t1c 序列。
关键用法约束：所有影像保留 native space（原始空间）与原始采集分辨率，未做空间标准化、未做跨受试者配准。对使用者的含义：
- 图像间不共用一个标准空间（不像 MNI 模板空间），因此直接做跨患者粗对齐的模型不可用；
- 好处是保留了原始影像精度，不引入重采样插值误差，适合像素级分割训练；
- 纵向一致性依赖"配准到首时间点 t1c"这一患者内对齐，而非跨患者对齐。
4.4 去标识与隐私
数据采集经 UC San Diego 机构审查委员会（IRB）批准，并含知情同意豁免（waiver for consent），属回顾性研究。影像经颅骨剥离（HD-BET）在去除非脑组织的同时也削弱了面部可识别特征。临床数据从电子病历（EMR）提取，仅保留与影像研究相关的字段（年龄、性别、原发灶类型、治疗类型），直接标识符已去除。
4.5 标注质量控制小结
| 环节 | 手段 | 作用 |
|---|---|---|
| 预分割 | 双 nnU-Net（含治疗后专用模型） | 降低人工修正量，抵消治疗后病灶异质 |
| 人工修正 | ITK-SNAP + 四序列 + 影像报告 | 逐例修正算法错误 |
| 终审 | board-certified 神经放射学家 | 参考标准兜底 |
| 预处理质控 | 序列择优（运动伪影/分辨率） | 剔除劣质扫描 |
| 解剖一致性 | 排除手术前/再手术后 MRI | 避免解剖改变污染纵向对比 |
4.6 双 nnU-Net 设计的技术解读
本集预分割使用"两个 nnU-Net 模型串行"的设计值得展开——这是针对脑转移瘤治疗场景的工程智慧。
问题的本质：脑转移瘤在治疗前后形态差异极大。治疗前是活跃的增强肿块（ET 为主）；治疗后可能出现残留（NETC 比例上升）、坏死、或手术残腔（RC）。如果用"只在治疗前数据上训练"的模型去预分割治疗后病例，模型没见过残腔、没见过坏死形态，会产生大量错误，人工修正量大。
作者的解法：首个 nnU-Net 在"治疗前转移瘤 + 治疗后胶质瘤"数据上预训练——这是一种跨肿瘤类型的知识迁移：胶质瘤的治疗后影像（同样有残腔、坏死、非增强区）为模型提供了"治疗后形态长什么样"的先验。随后，作者又训练了一个专门在修正后治疗后病例上的 nnU-Net 作为更新版预分割器——这是"从治疗前模型 → 混合模型 → 治疗后专用模型"的渐进式迭代。
对研究者的启示：这种"分时相建模"思路可迁移到其他纵向数据集——治疗前后用不同的预分割模型，或用一个携带时相信息的条件模型。它也解释了为什么本集的分割质量在治疗后时间点也能保持——作者专门为此投入了模型迭代。
4.7 配准策略的细节与影响
本集的配准策略是"所有序列仿射配准到首时间点的 t1c"。这句话包含两层信息，需要拆开理解：
第一层：序列间配准（同一时间点内）。同一时间点的 t1n/t2/t2f/dwi 等序列都被对齐到该时间点的 t1c。这保证了同一时间点内多个序列的空间一致——分割掩码可以直接叠加在不同序列上（都是同一空间）。没有这一步，多模态融合就无法进行。
第二层：时间点间配准（纵向）。所有时间点的序列都配准到首个时间点的 t1c。这建立了患者内的纵向空间参考——相邻时间点的病灶可比对。注意：这是把所有时间点对齐到同一参考（首时间点），而非相邻时间点两两配准。这意味着如果患者脑解剖在随访期间发生改变（如手术后、肿瘤占位效应变化），早期时间点的对齐可能不够理想。
未做的：跨受试者配准（不同患者之间不对齐）、空间标准化（不映射到 MNI 等模板）。这些"未做"保留了原始精度，但要求使用者不能假设不同患者的图像在同一空间。
实践含义：做患者内纵向分析时，可直接利用既有的时间点间对齐；做跨患者分析时，需自行决定是否重采样到标准空间（并接受相应的插值损失）。
4.8 三条掩码文件类型辨析
本集的分割文件与影像文件容易混淆，此处明确区分：
| 文件类型 | 命名 | 内容 | 用途 |
|---|---|---|---|
| 序列影像 | BMETSXXXX_YY-<sequence>.nii.gz |
单一序列的灰度影像 | 模型输入 |
| 分割掩码 | BMETSXXXX_YY-seg.nii.gz |
四室离散标签（0/1/2/3/4） | 训练标签 / 评测真值 |
关键区分：<sequence> 是序列名占位符（t1c/t1n/t2/t2f/t1postFSE/dwi/adc/swan/asl，每个序列一个文件），而 seg 是固定的分割文件名（每时间点一个）。解析时用文件名后缀区分：含 -seg 的是掩码，含序列名的是影像。
§5 任务、基准与使用场景
5.1 可支撑的三类核心任务
任务 1：脑转移瘤多模态分割（segmentation）。
输入四基础序列（t1c/t1n/t2/t2f，可选加 dwi/adc/asl/swan），输出四室体素级掩码（ET/NETC/SNFH/RC）。这是本集最直接的监督学习任务，标签空间与 BraTS 体系兼容，标注经专家核准。研究者可直接用 300 患者 × 约 1,065 时间点构建训练/验证集。
任务 2：纵向肿瘤演进建模（longitudinal modeling）。
利用每例 2–4 个连续时间点，建模病灶随时间的生长/缩小/复发轨迹。相比单时相分割，纵向建模需要处理患者内的配准对齐、病灶对应追踪（同一受试者不同时间点的病灶是否同一个）、以及治疗事件穿插带来的分布偏移。本集"配准到首时间点 t1c"的设计为患者内追踪提供了基础。
任务 3：治疗反应评估（treatment response）。
临床表逐时点记录了两次扫描间的治疗类型（手术/放疗/系统治疗），结合分割掩码的 ET/RC 变化，可训练"治疗是否有效"的分类或回归模型。这是本集区别于纯影像库的监督信号优势——它不只给影像，还给了"治疗做了什么"的标注。
5.2 为什么没有官方基准
本集是 TCIA Image Collection（开放数据资源），不是挑战赛赛道：页面明确标注 “No related Analysis Results found”、“No related Collections found”，无排行榜、无官方评测口径、无 Dice/HD95 公布值。这与 BraTS-METS 的赛道定位形成鲜明对比（见 §3.2）。对使用者的含义：本集是"训练语料与验证资源"，不是"排名竞技场"；想对标 SOTA 分割性能，需自行划分测试集或迁移到 BraTS-METS 的评测口径。
5.3 适用与不适用场景
适用：
- 开发脑转移瘤自动分割算法（尤其需要纵向与治疗后场景）；
- 研究多模态 MRI 融合策略（9 序列的可得性差异是天然的缺失模态实验场）；
- 构建纵向疗效预测/进展检测模型；
- 作为 BraTS-METS 模型的外部独立验证集（同协议标签空间、不同机构来源）；
- 与同机构 UCSD-VS-Longitudinal（rid 957）配对做"良性 vs 恶性"泛化对照研究。
不适用（需谨慎）：
- 需要大规模人群代表性的基准评测（300 患者单机构，规模有限）；
- 需要标准空间（MNI）对齐的群体分析（本集无跨受试者配准）；
- 需要病灶级计数/位置标注的下游任务（本集给的是体素掩码，未单独泄露病灶计数标注）；
- 对采集参数一致性要求严格的模型（原文承认采集参数在患者内与患者间高度变异）。
5.4 DAIMS 视角下的数据成熟度评估
DAIMS（Data and AI Maturity/Management Standard）框架常用于评估医学 AI 数据集的成熟度。下表按六个维度对本集打分（1–5 分，5 为最成熟）：
| 维度 | 评分 | 依据 |
|---|---|---|
| 数据可得性（Availability） | 5 | CC BY 4.0 全开放，TCIA 公开分发，DOI 明确，无申请门槛 |
| 标注质量（Annotation Quality） | 4 | 四室体素级分割 + 神经放射学家核准；但无多标注者一致性统计（无 Cohen’s κ 等） |
| 规模与代表性（Scale & Coverage） | 3 | 300 患者单机构，纵向深度好（2–4 时间点）但人群广度有限 |
| 临床关联（Clinical Linkage） | 4 | 逐时点治疗类型 + 原发灶 + 人口学，临床信号丰富 |
| 可复现性（Reproducibility） | 4 | 预处理流水线全公开（dcm2niix/HD-BET/CaPTk/nnU-Net/ITK-SNAP 及版本引用）；但无独立描述论文降低方法细节完整度 |
| 标准化（Standardization） | 4 | BraTS 协议标签体系（社区通用）+ NIfTI 格式；但无标准空间对齐 |
| 综合 | 4.0 / 5 | 高成熟度的开放标注资源，短板在规模与人群多样性 |
评分解读：本集的可得性与标准化是强项（CC BY 4.0 + BraTS 协议），临床关联与可复现性良好（治疗标注 + 全公开流水线）；主要扣分项是规模/代表性（单机构 300 患者）与标注一致性量化缺失（未报告多阅片者一致性指标）。对 AI-Ready 语义而言，本集属于"高就绪度、中等规模"的优质训练语料。
§6 获取、许可与版本管理
6.1 许可条款
全部四类资产统一采用 CC BY 4.0：
| 资产 | 许可 | 获取方式 |
|---|---|---|
| MRI images and tumor segmentations（163GB） | CC BY 4.0 | IBM Aspera Connect（faspex.cancerimagingarchive.net） |
| Clinical Data（43kb TSV） | CC BY 4.0 | TCIA 站内直链 |
| Clinical Data Dictionary（3kb） | CC BY 4.0 | TCIA 站内直链 |
| MRI Metadata（89kb TSV） | CC BY 4.0 | TCIA 站内直链 |
| MRI Metadata dictionary（3kb） | CC BY 4.0 | TCIA 站内直链 |
CC BY 4.0 允许自由共享与改编（含商业用途），条件是署名。此外须遵守 TCIA Data Usage Policy and Restrictions，页面标注 “Data Citation Required”——引用必须包含指定 citation（含 DOI）。
6.2 获取路径
- 影像包（163GB）：经
faspex.cancerimagingarchive.net下载，需要 IBM Aspera Connect 插件（非 HTTP 直链）。大文件传输建议用 Aspera 客户端以获得高带宽利用率。 - 临床与元数据表：两个临床 TSV、MRI Metadata TSV 及其数据字典均为 TCIA 站内 wp-content 直链，可直接下载，无需 Aspera。
- 数据引用格式（官方）：Correia de Verdier, M., Saluja, R., Gupta, D., Hattangadi-Gluth, J., Beaumont, T., Seibert, T., Dale, A., Farid, N., Gagnon, L., Rudie, J. (2026). The University of California San Diego Longitudinal Brain Metastases Annotated Multimodal MRI Dataset (UCSD-BMETS-Longitudinal) (version 1) [Dataset]. The Cancer Imaging Archive. https://doi.org/10.7937/5ejb-9g94
6.3 版本链
Version 1 · Updated 2026/10/05 为唯一版本，无前版本、无后继版本。这与其他 TCIA 集合的多版本演进（如 Yale 集的 Version 1 更新去重）不同——本集自发布起即为初始版本。
6.4 引用与血缘规范
引用本集时需要区分两个层面：
- 数据本体：引 TCIA Data Citation（DOI 10.7937/5ejb-9g94）；
- 方法/协议：若下游工作使用了分割协议或预处理，宜同时引用 TCIA 推荐的方法学文献——dcm2niix、HD-BET、CaPTk、nnU-Net、ITK-SNAP 及 BraTS 2021/2024 协议论文。
由于本集无独立数据描述论文，TCIA collection 页的 Detailed Description 即权威说明文，引用时应以 TCIA 页 URL 与 DOI 为准。
§6.5 八个坑点
坑 1：时间点计数的双口径（1,065 vs 1,066）。
同一 TCIA 页面上，Abstract 写 “a total of 1,065 MRI timepoints”，而 Data Access 表的 Studies 列写 1,066。差 1。这可能源于"文件夹数 vs 有效检查数"的口径差异，但官方未解释。处置：本条目双口径并列存照，任何引用应写明所用口径，切勿擅自取整或合并。
坑 2：同机构不同疾病——UCSD-VS-Longitudinal（rid 957）不是本集的别名。
库内 ucsd-vs-longitudinal（rid 957）同为 UCSD、同经 TCIA、同用 nnU-Net/ITK-SNAP/神经放射学家流水线，但疾病是前庭神经鞘瘤（良性听神经瘤），与本集的**脑转移瘤（恶性）**完全不同。把两者当作同一数据集或互补版本会犯结构性错误。区分锚点：文件前缀 BMETS = 本集，VS = rid 957；患者数 300 vs 191。
坑 3：Images 计数缺失。
Data Access 表的影像资产给出了 Subjects=300、Studies=1,066、Series=11,405，但 Images 列为空（未解析出数值）。这与 NIfTI 分发数据集的计数惯例有关（每个序列一个文件，series/image 两级计数不适用），但精确的图像/体素计数无从获得。遗留疑点：Images 数待补。
坑 4：治疗分组之和与患者总数不闭合。
手术 59 患者 + 放疗 218 患者 = 277，小于 300；且原文未给系统治疗、联合治疗、对症管理的逐一患者数。由于同一患者可接受多种治疗（分组非互斥），不能用 300 − 277 = 23 推断"未治疗人数"。处置：正文按"治疗类别可重叠、非互斥"表述。
坑 5：Sequence 可得性不能假设全齐。
虽然 9 种序列标识都在数据集里出现，但 Usage Notes 明确 “Not all sequences are available for every examination”。只有 t1n/t1c/t2/t2f 四序列保证齐全；t1postFSE/dwi/adc/swan/asl 的可得性随时间点临床变异。坑：直接按"9 通道输入"设计模型的实现会在多数时间点崩掉——必须做缺失模态处理。
坑 6：无空间标准化，禁止假想标准空间。
影像保留 native space，未做空间标准化、未做跨受试者配准。任何假设图像已对齐到 MNI 模板的处理（如直接用公开预训练分割网络、做群体体素级统计）都会失效。唯一对齐是患者内"配准到首时间点 t1c"。
坑 7：无官方 benchmark，性能对标需自行设计。
本集是开放资源而非赛道：无排行榜、无官方 Dice/HD95 公布值。想对标 SOTA 需自行划分测试集，或借助与 BraTS-METS 共享的标签协议做迁移评测。坑：把本集当"挑战赛数据集"期待官方评测会落空。
坑 8：无独立数据描述论文，方法细节以 TCIA 页为准。
TCIA 页「Publications by the Dataset Authors」栏推荐的 7 条文献全部是方法学引用（工具/协议），没有本集自身的描述论文。这意味着深入的 cohort 统计细节（如时间点间隔分布、每类治疗精确人数、多阅片者一致性）在公开材料中缺失。处置：正文只写页面直接给出的数字，不擅自补全。
§6.6 使用实操指引
6.6.1 数据下载与校验流程
拿到本集的第一件事是规划下载与校验。163GB 的影像包走 Aspera，建议流程如下：
- 先下小表：临床 TSV（43kb）、数据字典（3kb）、MRI Metadata（89kb）及其字典（3kb）都是站内直链，秒下。先从临床表读出患者与时间点的完整清单，作为后续影像校验的 ground truth。
- 装 Aspera：下载并安装 IBM Aspera Connect 插件，用它建立到
faspex.cancerimagingarchive.net的高带宽传输。直接用浏览器 HTTP 下载 163GB 会非常慢且易中断。 - 分批校验：影像到达后，按
BMETSXXXX_YY文件夹逐例核对——每个受试者的时间点索引（YY）应与临床表记录一致；每个时间点至少应有 t1n/t1c/t2/t2f 四个.nii.gz序列文件与一个-seg.nii.gz分割文件。 - 完整性检查：用 NiBabel 或 MONAI 批量读取，检查是否有损坏文件、维度/体素间距是否合理、分割掩码的标签值是否落在 {0,1,2,3,4} 集合内。
6.6.2 构建训练样本的三种方式
方式 A：单时间点分割样本（最直接）。
直接把每个 BMETSXXXX_YY 时间点作为一个样本：输入四序列（或按可得性调整），输出四室掩码。样本数约等于总时间点数（约 1,065）。适合训练标准分割网络。
方式 B：纵向配对样本（时序建模）。
对同一受试者的相邻时间点 (YY, YY+1) 构成配对：输入两个时间点的影像，输出"这个时间段内病灶如何变化"（如是否新发、是否缩小）。需处理患者内配准（数据已配准到首时间点 t1c，但相邻时间点间仍需确认对齐）。
方式 C：治疗事件样本（疗效建模）。
结合临床表"两次扫描间治疗类型"字段，把 (治疗前时间点, 治疗后时间点, 治疗类型) 作为三元组，训练"给定治疗类型与治疗前影像，预测治疗后影像/疗效"的模型。这是本集独有的监督信号——纯影像库没有逐时点治疗标注。
6.6.3 缺失模态的处理策略
由于 5 个可选序列逐时点可得性不同，模型设计必须考虑缺失模态。三种主流策略：
| 策略 | 做法 | 优点 | 缺点 |
|---|---|---|---|
| 固定四序列 | 只用保证齐全的 t1n/t1c/t2/t2f | 样本数最大、无缺失 | 放弃进阶序列信息 |
| 画布拼接 | 把可得序列拼成固定通道，缺失通道置零 | 简单 | 需模型学会忽略零通道 |
| 缺失感知网络 | 用 mask 通道标记哪些序列可用，网络自适应 | 最优 | 实现复杂，需更多数据 |
推荐：从"固定四序列"起步建立 baseline（样本量大、复现性强），再逐步引入进阶序列做增益实验。这样既保证了基线可对标性，又能量化进阶序列的边际价值。
6.6.4 标签的读写注意事项
四室标签的编号是 ET=3、NETC=1、SNFH=2、RC=4（0 为背景）。这里有三个易错点：
- 不要假设连续的 1/2/3/4 顺序——ET 是 label 3 而非 label 2，某些工具默认"标签从 1 连续编号"的处理会出错。
- 四室可能重叠或包含：BraTS 协议下，ET 是活跃肿瘤、NETC 是瘤核的非增强部分，二者关系需按协议理解（非简单互斥），下游任务若要合并（如算 tumor core = ET+NETC）需自行聚合。
- RC（残腔）仅在术后时间点出现：治疗前时间点通常无 RC，做纵向标签分布统计时要注意这一时相依赖。
6.6.5 与外部数据集混合训练的注意点
若计划把本集与 BraTS-METS 或 UCSF-BMSR 混合训练，需注意：
- 标签空间对齐：本集与 BraTS-METS 同协议（四室），标签可直接共享；与 UCSF-BMSR（可能为单类或不同体系）需先做标签映射。
- 空间对齐差异：本集为 native space 无跨受试者配准，BraTS 数据常重采样到 1.0mm 各向同性——混合时需统一重采样口径。
- 强度归一化：不同机构扫描仪的强度分布不同，混合前应做 z-score 或直方图归一化，避免模型学到"机构指纹"而非病理特征。
- 机构平衡：本集仅 300 患者，若与数千例的 BraTS 混合，本集的梯度贡献会被稀释——可考虑上采样或加权采样。
§7 技术对比与生态定位
7.1 脑转移瘤 MRI 数据集横向对比
把公开领域与本库内的脑转移瘤 MRI 数据集放在一起横向对比，本集的定位更加清晰：
| 数据集 | 机构 | 患者/病例 | 纵向 | 体素级分割 | 模态 | 许可 | 平台 |
|---|---|---|---|---|---|---|---|
| UCSD-BMETS-Longitudinal（本集） | UCSD | 300 | ✅（2–4 时间点） | ✅（BraTS 四室） | 9 序列 | CC BY 4.0 | TCIA |
| Yale 脑转移纵向（rid 983） | Yale | 1,430 | ✅（近 20 年） | ❌ | 4 序列 | CC BY 4.0 | TCIA |
| BraTS-METS（rid 950） | 多机构 | 数百/届 | 部分（2024+） | ✅（赛道评测） | T1/T1CE/T2/FLAIR | 未直证 | Synapse |
| UCSF-BMSR | UCSF | 412 | ❌ | ✅ | MRI | non-commercial | UCSF 官网 |
读表要点：四个数据集分别占据了"纵向 × 分割"矩阵的不同象限。本集（UCSD-BMETS）是唯一同时具备纵向与分割且**全开放商用许可（CC BY 4.0）**的——UCSF-BMSR 虽也带分割，但是非商用许可且非纵向；Yale 集纵向强但无分割；BraTS-METS 分割强但赛道性质且纵向有限。本集的生态位 = 纵向标注 × 开放许可的交集。
7.2 与同机构 UCSD-VS-Longitudinal 的"工艺对照"价值
由于 UCSD-BMETS-Longitudinal 与 UCSD-VS-Longitudinal（rid 957）出自同一机构、同一 TCIA 管道、同一预处理与标注流水线，二者的对比构成了控制变量实验：
- 控制住的变量：机构、平台、预处理（dcm2niix/HD-BET/CaPTk）、分割初稿模型（nnU-Net）、修正工具（ITK-SNAP）、终审机制（神经放射学家）、许可（CC BY 4.0）。
- 变化的变量：疾病（恶性脑转移瘤 vs 良性前庭神经鞘瘤）、队列规模（300 vs 191）、序列体系（9 vs 11，后者含 IAC 专用序列）、标签体系（四室 vs 二值）。
研究价值：想回答"分割算法在良性肿瘤与恶性肿瘤之间泛化能力如何"这类问题，这对同工艺数据是最干净的实验素材——排除了数据工艺差异这一混淆因素。这是库内其他脑转移瘤条目无法提供的独特对照组合。
7.3 与 BraTS 生态的迁移潜力
本集的分割协议与 BraTS 体系同源（四室标签 + 方法学引用 BraTS 2021/2024），因此具备双向迁移价值：
- 正向：在本集上预训练的模型，可迁移到 BraTS-METS / BraTS 主赛道做微调（标签空间一致）；
- 反向：BraTS 生态的成熟分割网络架构（nnU-Net、SwinUNETR 等）可直接在本集上试验，无需改造输出层；
- 外部验证：本集可作 BraTS-METS 模型的独立单机构外部验证集——同协议标签、不同来源机构，正是泛化评测所需。
7.4 在库内的互链网络
| 互链条目 | rid | 互链理由 |
|---|---|---|
| ucsd-vs-longitudinal | 957 | 同机构同流水线不同疾病——最重要的工艺对照 |
| yale-brain-mets-longitudinal | 983 | 同为脑转移瘤纵向 MRI（规模大、无分割） |
| brats-met | 950 | 同为脑转移瘤分割（赛道 vs 资源，同协议） |
| brats | 24 | BraTS 家族主赛道，分割协议血缘 |
| brats-2026 | 931 | BraTS 2026 演进 |
| brats-meningioma | 949 | 颅内肿瘤 MRI 分割家族 |
| tcia | 547 | TCIA 宿主平台 |
7.5 与库内 TCIA 系条目的平台层关联
本集是 TCIA 旗下的一个 Image Collection，因此与库内其他 TCIA 系条目共享平台层的工程约定：
- tcia（rid 547）：TCIA 总条目——Data Usage Policy、Aspera 下载机制、Data Citation Required 规则的统一入口。
- ucsd-vs-longitudinal（rid 957）：同为 TCIA 集、同机构、同流水线。
- yale-brain-mets-longitudinal（rid 983）：同为 TCIA 集、同为脑转移瘤纵向。
平台层共性：TCIA 系条目普遍采用"影像走 Aspera + 表格走站内直链"的双通道分发，许可多为 CC BY 4.0 或类似开放许可，且均要求 Data Citation。了解这一共性，可快速上手本集的获取流程。
§8 AI-Ready 就绪度分析
8.1 就绪度优势
1. 许可无障碍。 CC BY 4.0 是 Open Access 许可中最宽松的一档，允许商业使用、二次分发、模型训练，仅需署名。相比 UCSF-BMSR 的非商用许可，本集对工业界与开源社区都友好。
2. 标签即用。 体素级 NIfTI 掩码 + BraTS 协议标签编号，可直接喂给标准分割训练流程（nnU-Net/MONAI/SegResNet），无需标签映射或格式转换。
3. 格式标准化。 全部 NIfTI（.nii.gz），是医学影像深度学习的事实标准格式，ITK-SNAP/3D Slicer/FSL/FreeSurfer/NiBabel/MONAI 全线支持。
4. 纵向结构清晰。 BMETSXXXX_YY 命名规范把受试者与时间点编码进文件名，纵向序列可编程解析，适合批量构建 (t, t+1) 配对样本做时序建模。
5. 监督信号多源。 影像 + 分割 + 临床表 + 采集元数据四类资产，支持多任务学习（分割 + 疗效分类 + 原发灶预测）。
8.2 就绪度风险
1. 规模偏小。 300 患者对深度学习训练集而言偏小，尤其跨越 4 室标签 × 纵向时间点的组合，统计功效有限；需配合数据增强或迁移学习。
2. 单机构偏置。 所有数据来自 UCSD，机型与协议集中在特定配置（原文承认采集参数在患者内与患者间高度变异），跨机构泛化能力存疑——这正是需要用 Yale 集或 BraTS-METS 做外部验证的原因。
3. 缺失模态的真实性。 5 个可选序列逐时点可得性不同，虽然反映真实临床，但对"固定输入通道"的模型是工程负担。
4. 无标准空间。 native space 无跨受试者配准，限制了需要群体对齐的下游任务。
5. 标注一致性量化缺失。 分割经专家核准，但未报告多阅片者一致性指标（如 Dice 变异、κ 系数），无法量化标签本身的噪声水平。
8.3 面向不同使用者的建议
| 使用者 | 建议 |
|---|---|
| 分割算法研究者 | 直接用作训练/验证集，标签空间与 BraTS 兼容，可双向迁移 |
| 纵向建模研究者 | 利用 2–4 时间点构建时序样本，注意患者内配准到 t1c 的既有对齐 |
| 泛化性研究者 | 与本集 + Yale + BraTS-METS + ucsd-vs-longitudinal 组跨集评测矩阵 |
| 工业落地团队 | CC BY 4.0 商用友好，但需评估单机构 300 患者的覆盖是否满足产品需求 |
| 数据集方法论研究者 | 关注其"nnU-Net 双模型 + 治疗后专用预分割"的工程技巧 |
§9 局限、风险与伦理考量
9.1 数据局限
单机构回顾性设计。 数据来自 UCSD 医院 2016–2023 回顾性检索，存在中心偏置与时间偏置。机型、协议、患者人群都反映单一机构特征。使用前应评估其与目标应用场景的分布差异。
规模与平衡。 300 患者、约 1,065 时间点，原发灶以肺癌（114）为主，乳腺癌（78）、黑色素瘤（27）次之——原发灶分布不平衡，对训练"跨原发灶泛化"的模型需注意少数类（黑色素瘤仅 27 例）的欠采样问题。
纵深深度的不均。 每例 2–4 个时间点，深度不等；部分患者仅 2 个时间点，限制了能构造的时序配对数量。
9.2 标注局限
无多阅片者一致性。 分割经单一（或未说明数量的）神经放射学家核准，未报告 inter-rater 一致性。这意味着标签的固有不确定性未被量化——对脑转移瘤这类边界模糊（周边水肿与肿瘤浸润难以截然区分）的目标尤其重要。
四室边界的主观性。 ET 与 NETC 的边界、SNFH 的范围界定在不同阅片者间存在系统性差异；RT 中的 RC（术后残腔）识别也可能受术后时点影响。
转移类型的形态异质性。 数据集纳入实质内、软脑膜、硬脑膜三类转移——软脑膜转移（leptomeningeal）的影像表现与实质转移差异极大（沿脑沟/脑膜的线样强化 vs 实质内肿块），用同一套四室协议标注两类在方法上存在张力。
9.3 伦理与隐私
IRB 与知情同意豁免。 数据采集经 UC San Diego IRB 批准并含知情同意豁免（waiver for consent）——这符合回顾性研究惯例，但也意味着患者未就特定研究用途单独授权，依赖 IRB 的泛化授权框架。
去标识充分性。 影像经 HD-BET 颅骨剥离去除面部特征，临床数据去除直接标识符。但需注意：颅骨剥离不等于完美的去标识（某些情况下仍存在重识别风险），且纵向数据集因时间跨度长、个体特征强，理论上重识别风险略高于单时点数据集。
数据使用的责任。 CC BY 4.0 允许广泛使用，但使用者仍须遵守 TCIA Data Usage Policy，不得尝试重识别个体、不得将数据用于歧视性用途。医学 AI 模型的临床部署须独立验证，不得仅凭本集训练结果直接用于患者决策。
9.4 使用建议的伦理底线
- 训练的分割模型在临床使用前必须经独立外部验证（本集单机构，不能自证泛化）；
- 报告结果时应如实说明数据集的规模与单机构属性，避免夸大代表性；
- 引用须带 DOI 与 TCIA Data Usage Policy 遵从声明；
- 涉及患者预后预测的模型，须考虑原发灶类别不平衡带来的公平性问题。
§9.5 深度主题：脑转移瘤影像 AI 的三大临床难题与本集的对应
理解本集的价值，最好放在脑转移瘤影像 AI 的三大临床难题框架里看。每一个难题，本集都在数据层面提供了某种程度的支撑（或暴露了某种缺口）。
难题一：多发病灶的分割与计数
脑转移瘤的一大特点是多发性——一个患者脑内可能散布数到数十个病灶。这对分割算法构成独特挑战：病灶小（易被漏检）、数量不定（输出维度不固定）、分散（需全脑扫描而非局部区块）。本集的对应：四室体素级掩码天然支持多病灶分割训练（掩码直接给出所有病灶的轮廓），且纳入实质内/软脑膜/硬脑膜三类转移（形态覆盖广）。缺口：本集未单独提供病灶级计数或中心点标注，做"病灶检测"任务需从掩码自行派生。
难题二：治疗后真假性进展的鉴别
这是脑转移瘤临床最棘手的问题之一。患者接受放疗（尤其立体定向放射外科 SRS）后，影像上可能出现两种相似但结局迥异的改变：真性进展（肿瘤确实复发）与假性进展（治疗引起的放射性坏死/炎性反应，实为好转）。两者在常规增强 MRI 上表现相近，误判会导致不必要的治疗或延误。本集的对应：RC（术后残腔）标签直接刻画手术干预；进阶序列中的 **dwi/adc（细胞密度）与 asl（灌注）**正是临床上区分真/假性进展的关键工具——真性进展通常灌注增高、弥散受限，而放射性坏死相反。缺口：本集未提供临床终点的"真/假性进展"标签，需研究者结合随访自行标注。
难题三：跨机构的泛化性
脑转移瘤影像模型在单机构训练后往往在外部机构性能骤降——因为扫描仪、协议、对比剂剂量、人群构成都不同。本集的对应：单机构设计的代价正在于此（坑点之外的固有局限）；但换个角度，本集可作为外部验证集去检验其他机构模型的泛化能力——它与 BraTS-METS（多机构）、Yale 集（另一机构）组成的跨集矩阵，正是研究泛化性的理想素材。缺口：本集自身无法回答"它的模型能否迁移到别处"，需外部数据配合。
三难题与本集能力的矩阵
| 临床难题 | 本集支撑 | 本集缺口 |
|---|---|---|
| 多发病灶分割/计数 | ✅ 四室掩码覆盖多病灶 | ⚠️ 无病灶计数标注 |
| 真/假性进展鉴别 | ✅ dwi/adc/asl + RC 标签 | ⚠️ 无真/假进展临床标签 |
| 跨机构泛化 | ✅ 可作外部验证集 | ⚠️ 自身单机构 |
解读：本集对三个难题都提供了数据层面的起点，但没有一个被"喂到嘴边"——研究者都需要在原始数据之上做二次标注或设计。这不是缺陷，而是开放数据资源的常态：它提供的是"高质量原料"，不是"成品答案"。
§9.6 与人工标注成本的讨论
一个常被忽视的维度是标注成本。本集的四室体素级分割在 300 患者 × 约 1,065 时间点上的专家投入是巨大的——每个时间点的多序列 MRI 需在 ITK-SNAP 上逐例修正，再由神经放射学家核准。按每个时间点的专家复核时间估算（即使数分钟到十余分钟），总量是数百到上千小时的专家工作量。
这个成本解释了为什么纵向标注数据集如此稀缺：静态标注集每个患者只标一次，而纵向标注要对每个时间点都标一遍——成本随纵向深度线性放大。本集愿意承担这一成本，正是它区别于纯影像库的核心价值。
对使用者的含义：不要浪费这份标注。把本集当一个"随手可得的训练集"跑个 baseline 就丢弃，是对专家时间的不尊重；更负责任的用法是把它用在真正需要纵向标注的问题上（病灶追踪、疗效评估、纵向分割一致性），这些问题恰恰是纯影像库无法解决的。
§9.7 数据治理与可复现性清单
面向需要严格复现的研究场景，本集的可复现性要素清单：
| 要素 | 状态 | 说明 |
|---|---|---|
| DOI 持久标识 | ✅ | 10.7937/5ejb-9g94（DataCite） |
| 版本号 | ✅ | Version 1（唯一版本） |
| 许可明确 | ✅ | CC BY 4.0（四类资产） |
| 引用格式 | ✅ | TCIA Data Citation 给出完整格式 |
| 预处理代码 | ⚠️ | 工具全部公开（dcm2niix/HD-BET/CaPTk/nnU-Net/ITK-SNAP），但未提供封装脚本 |
| 数据划分 | ❌ | 无官方 train/val/test 划分 |
| 标签定义文档 | ⚠️ | 协议引用 BraTS，但未单独提供本集标签说明书 |
| 元数据字典 | ✅ | 临床与 MRI Metadata 均带数据字典 |
| 统计细节 | ⚠️ | cohort 描述性统计部分缺失（见坑 8） |
建议：使用者在论文中报告结果时，应显式声明所用版本（Version 1）、标签体系（BraTS 四室）、序列选择（用了哪几个序列），以便他人复现。
§9.8 未来演进的可能方向
基于本集当前状态与领域趋势，可合理推测几个演进方向（以下为推断，非官方声明）：
- 规模扩展：未来版本可能纳入更多患者或延长随访时间点，缓解单机构小样本的局限。
- 补充临床终点：加入真/假性进展、总生存期等临床标签，提升疗效建模的监督丰富度。
- 挑战赛化：若本集被纳入某个纵向分割挑战赛的评测集，将从"资源"升级为"基准"——但当前无此迹象。
- 多机构合并：与 Yale 集或其他脑转移瘤纵向数据集联合发布统一格式版本，形成跨机构大集。
- 基因组学链接：若与患者的分子病理（如原发灶驱动基因）关联，可开启影像基因组学研究——当前无此数据。
风险提示：以上均为推断。数据集的真实演进取决于作者团队与 TCIA 的规划，使用者应以 TCIA 集合页的最新版本说明为准。
§8.5 脑转移瘤流行病学与临床背景（帮助理解数据的临床意义）
要真正理解一个医学数据集的价值，需先理解它服务的临床问题。本节补充脑转移瘤的临床背景（通用医学知识，非本集特有数据）。
8.5.1 为什么脑转移瘤越来越常见
脑转移瘤是原发癌（主要来自肺、乳腺、黑色素瘤）经血行播散到脑内形成的继发肿瘤。它发病率上升的原因有二：其一，癌症早期检出率提高，更多患者在尚无脑转移时就被诊断并进入长期随访，随访中发现的脑转移随之增多；其二，全身治疗（靶向、免疫治疗）显著延长了患者生存期，而多数全身治疗药物难以有效穿透血脑屏障，于是脑成为" sanctuary site（庇护所）"——患者活得越久，脑转移累积概率越高。这一背景正是本集 Abstract 开篇所述"brain metastases are increasingly common due to improved cancer detection and advances in treatments that prolong patient survival"的临床含义。
8.5.2 三大原发灶与治疗路径
本集的原发灶分布（肺 114 / 乳 78 / 黑素瘤 27）与流行病学常识吻合：
| 原发灶 | 脑转移倾向 | 影像特点 | 治疗倾向 |
|---|---|---|---|
| 肺癌 | 最高（尤其小细胞、腺癌） | 多发、水肿明显 | 靶向/免疫 + SRS |
| 乳腺癌 | 高（HER2+ 亚型尤甚） | 多发、软脑膜转移风险 | 靶向 + 放疗 |
| 黑色素瘤 | 高 | 易出血（磁敏感序列可见） | 免疫 + SRS |
与本集序列设计的呼应：黑色素瘤脑转移易出血，而本集包含 swan（磁敏感序列）——这正是检测出血的利器。乳腺癌脑转移易发软脑膜转移，而本集纳入了 leptomeningeal（软脑膜）转移类型。可见序列与纳入标准的设计都回应了特定原发灶的临床特点。
8.5.3 立体定向放射外科（SRS）与疗效评估
脑转移瘤管理的核心手段之一是立体定向放射外科（SRS, Stereotactic Radiosurgery）——用高精度聚焦射线摧毁病灶。SRS 后的疗效评估依赖影像随访，但面临"真性进展 vs 放射性坏死"的鉴别难题（见 §9.5）。本集的多时间点纵向设计正是为这类随访评估提供数据基础。
与本集治疗构成的对应：本集 218 位患者接受放疗（含 SRS 与全脑放疗 WBRT）、59 位接受手术——这与脑转移瘤"放疗为主、手术为辅"的临床实践一致。保留治疗前后时间点，使本集能支撑"治疗前预测疗效"与"治疗后评估反应"两类任务。
§8.6 纵向数据集构建的技术挑战
构建一个纵向影像数据集远难于静态数据集。本集在设计中面对并解决了若干技术挑战，值得记录。
8.6.1 时间点一致性
纵向数据的核心痛点是"同一患者不同时间点的可比性"。本集的解法：①把每个时间点的所有序列配准到首时间点 t1c（§4.7）；②排除手术前/再手术后的 MRI（避免解剖剧变污染对比）；③对时间点不足者补入诊断前正常 MRI（保证纵向链条完整）。
8.6.2 病灶对应问题
纵向下游任务（如病灶追踪）需要知道"t1 时间的病灶 A 在 t2 时间对应哪个病灶"。本集提供体素掩码但未提供病灶级的跨时间点对应追踪——这个对应关系需使用者自行建立（如通过配准后的掩码重叠度匹配）。这是本集的一个隐含缺口，也是纵向研究的常见前置步骤。
8.6.3 治疗事件的插入干扰
患者在两次扫描之间可能接受治疗，导致影像分布突变（如病灶缩小、出现残腔）。这对"平稳假设"的时序模型是干扰。本集的应对是把治疗事件显式记录在临床表——模型可以据此条件化（“这个变化是因为治疗”），而非误学成自发演进。
8.6.4 缺失数据的普遍性
纵向数据必然有缺失：某些时间点缺某些序列、某些患者时间点数少。本集的处理是"如实记录、不强行补全"——序列可得性记在临床表，时间点数 2–4 不等。这比强行插值补全更诚实，保留了数据真实性。
§8.7 数据使用的工作流建议
给出一个从下载到建模的推荐工作流：
Step 1 环境准备：安装 ITK-SNAP / 3D Slicer（可视化）、NiBabel / MONAI（编程读取）、nnU-Net（分割训练）。
Step 2 数据获取：站内直链下四份 TSV（秒级）→ Aspera 下 163GB 影像包（需装插件）。
Step 3 数据解析：读临床表建立 patient×timepoint 清单 → 按 BMETSXXXX_YY 遍历文件夹 → 用 NiBabel 读取 .nii.gz 影像与 -seg 掩码。
Step 4 质量控制：检查文件完整性、掩码标签值域（{0,1,2,3,4}）、影像与掩码空间一致性。
Step 5 任务设计：按 §6.6.2 的三种方式构造样本（单时点 / 纵向配对 / 治疗事件）。
Step 6 划分与训练：自行划分 train/val/test（务必按患者划分，避免同一患者的时间点跨集泄露），用 nnU-Net 或自研网络训练。
Step 7 评测与报告：自选评测口径（Dice/HD95），报告时声明版本、序列选择、标签体系。
关键提醒：Step 6 的"按患者划分"是本集最重要的防泄露要点——由于同一患者有多个时间点，若随机按时间点划分，同一患者的影像会同时出现在训练集与测试集，导致性能虚高。必须按患者切分。
§8.8 与相近数据集的联合研究设计
本集作为"纵向标注资源"，最适合与相近数据集组成联合研究。给出三个可行的研究设计：
设计 A：跨机构泛化评测。 用本集训练分割模型 → 在 Yale 集（无分割，不可直接评分割）或 BraTS-METS（有分割）上测试 → 量化机构间泛化损失。价值：揭示分割模型的机构偏置。
设计 B：良性 vs 恶性肿瘤对照。 用本集（恶性）与 rid 957（良性）在同一流水线上训练分割模型 → 比较两类肿瘤的分割难度与算法表现。价值：同工艺控制下分离"肿瘤类型"这一变量。
设计 C：纵向 vs 静态建模对比。 用本集的纵向时间点训练时序模型 vs 只用单时间点训练静态模型 → 比较两者在疗效预测上的差异。价值：量化"纵向信息"带来的增益。
设计共通前提：三个设计都需统一空间口径与强度归一化（见 §6.6.5），并在报告中声明数据来源与划分策略。
§10 总结与检索指引
10.1 一句话总结
UCSD-BMETS-Longitudinal 是 TCIA 发布的单机构纵向脑转移瘤多模态 MRI 数据集：300 位 UCSD 患者、每人 2–4 个连续时间点（治疗前后）、9 种序列标识、BraTS 协议四室体素级分割（经神经放射学家核准），163GB，CC BY 4.0 全开放。它以"纵向 + 多模态 + 体素级标注三合一"的独特卡位，填补了脑转移瘤影像 AI 长期缺乏纵向标注的空白。
10.2 核心事实速记卡
| 项 | 值 |
|---|---|
| 官方名 | The University of California San Diego Longitudinal Brain Metastases Annotated Multimodal MRI Dataset (UCSD-BMETS-Longitudinal) |
| DOI | 10.7937/5ejb-9g94 |
| 版本 | Version 1 · Updated 2026/10/05 |
| 机构 | University of California San Diego（UCSD） |
| 患者 | 300（167 女 / 133 男） |
| 时间点 | 1,065（Abstract）/ 1,066（数据表）—— 双口径 |
| 体积 | 163GB |
| 序列 | t1c/t1n/t2/t2f（保证）+ t1postFSE/dwi/adc/swan/asl（可选） |
| 分割 | BraTS 四室：ET(3)/NETC(1)/SNFH(2)/RC(4) |
| 流水线 | nnU-Net → ITK-SNAP → 神经放射学家核准 |
| 原发灶 | 肺 114 / 乳 78 / 黑素瘤 27 |
| 治疗 | 手术 59 / 放疗 218（非互斥） |
| 许可 | CC BY 4.0 |
| 平台 | TCIA（Aspera 下载影像，站内直链下载表格） |
10.3 检索指引
按主题检索：
- 关键词：
brain metastases MRI dataset、longitudinal brain metastases、UCSD-BMETS、brain metastases segmentation、BraTS protocol metastases、voxelwise tumor segmentation、treatment response MRI - 中文关键词：脑转移瘤、颅内转移、纵向磁共振、体素级分割、治疗反应、神经放射学标注
按代码/文件检索：
- 文件名前缀
BMETS定位本集（区别于VS定位 ucsd-vs-longitudinal） - 检查文件夹模式
BMETSXXXX_YY - 分割文件模式
BMETSXXXX_YY-seg.nii.gz
按平台检索：
- TCIA 集合页：
cancerimagingarchive.net/collection/ucsd-bmets-longitudinal/ - DataCite：
commons.datacite.org/doi.org/10.7937/5ejb-9g94
10.4 常见误用警示
- 误把 rid 957 当作本集别名——那是前庭神经鞘瘤（良性），本集是脑转移瘤（恶性），见坑 2。
- 误假设 9 序列齐备——仅 4 序列保证，见坑 5。
- 误假设已对齐到标准空间——native space 无跨受试者配准，见坑 6。
- 误期待官方评测基准——开放资源非赛道，见坑 7。
- 误用 300 − (59+218) 算未治疗人数——治疗分组非互斥，见坑 4。
§11 附录：术语表与数据血缘
11.1 术语表
| 缩写 | 英文全称 | 中文 |
|---|---|---|
| BMETS | Brain METastases | 脑转移瘤（本集命名前缀） |
| ET | Enhancing Tissue | 增强组织（活跃肿瘤） |
| NETC | Non-Enhancing Tumor Core | 非增强瘤核 |
| SNFH | Surrounding Non-enhancing FLAIR Hyperintensity | 周边非增强 FLAIR 高信号 |
| RC | Resection Cavity | 术后残腔 |
| t1c | T1-weighted contrast-enhanced | 对比增强 T1 |
| t1n | pre-contrast T1-weighted | 平扫 T1 |
| t2f | T2-weighted FLAIR | T2 液体衰减反转恢复 |
| FSE | Fast Spin Echo | 快自旋回波 |
| DWI | Diffusion-Weighted Imaging | 弥散加权成像 |
| ADC | Apparent Diffusion Coefficient | 表观弥散系数 |
| ASL | Arterial Spin Labeling | 动脉自旋标记 |
| SWAN/SWI | Susceptibility-Weighted Imaging | 磁敏感加权成像 |
| VS | Vestibular Schwannoma | 前庭神经鞘瘤（rid 957 疾病） |
| TCIA | The Cancer Imaging Archive | 癌症影像档案库 |
| IRB | Institutional Review Board | 机构审查委员会 |
| EMR | Electronic Medical Record | 电子病历 |
| MNI | Montreal Neurological Institute | 蒙特利尔神经学研究所（标准空间） |
11.2 数据血缘链
上游工具/协议血缘（本集所依赖的公开工具与协议，均有方法学引用）：
| 环节 | 工具/协议 | 引用 |
|---|---|---|
| DICOM→NIfTI | dcm2niix | 参考文献 [1]，DOI 10.1016/j.jneumeth.2016.03.001 |
| 颅骨剥离 | HD-BET | 参考文献 [2]，DOI 10.1002/hbm.24750 |
| 配准 | CaPTk/Greedy | 参考文献 [3]，DOI 10.1007/978-3-030-46643-5_38 |
| 预分割 | nnU-Net | 参考文献 [4]，DOI 10.1038/s41592-020-01008-z |
| 人工修正 | ITK-SNAP | 参考文献 [5]，DOI 10.1016/j.neuroimage.2006.01.015 |
| 分割协议 | BraTS 2021 | 参考文献 [6]，arXiv:2107.02314 |
| 分割协议 | BraTS 2024 胶质瘤 | 参考文献 [7]，arXiv:2405.18368 |
平级互链（库内条目，见 §7.4）：ucsd-vs-longitudinal(957)、yale-brain-mets-longitudinal(983)、brats-met(950)、brats(24)、brats-2026(931)、brats-meningioma(949)、tcia(547)。
11.3 双口径与遗留疑点汇总
| 项 | 状态 | 说明 |
|---|---|---|
| 时间点计数 | 双口径 | 1,065（Abstract）vs 1,066（数据表 Studies），差 1，存照不合并 |
| Images 计数 | 遗留疑点 | 数据表 Images 列为空，精确数待补 |
| 治疗计数闭合 | 口径未闭合 | 手术 59 + 放疗 218 非互斥，系统/联合治疗未给数 |
| 序列可得率 | 未披露 | 仅四序列保证齐全，其余逐时点变异，无统计数字 |
| 随访间隔 | 未披露 | 未给时间点平均间隔或随访时长 |
| 原发灶完整分布 | 部分披露 | 仅前三位给数（肺/乳/黑素瘤） |
| 多阅片者一致性 | 未报告 | 无 inter-rater 指标 |
| 独立描述论文 | 未直证 | TCIA 推荐文献均为方法学引用 |
§12 建议互链点（供主会话入库参考）
本条目建议在 frontmatter relatedLink 中挂载以下库内条目（纯 URL，占位格式）：
- ucsd-vs-longitudinal（rid 957）：同机构同流水线不同疾病——最重要的工艺对照（良性前庭神经鞘瘤 vs 恶性脑转移瘤）
- yale-brain-mets-longitudinal（rid 983）：同为脑转移瘤纵向 MRI（规模大、无分割）
- brats-met（rid 950）：同为脑转移瘤分割（赛道 vs 资源，BraTS 协议血缘）
- brats（rid 24）：BraTS 家族主赛道
- tcia（rid 547）：TCIA 宿主平台
消歧说明（务必写入正文而非 frontmatter）：本条目与 ucsd-vs-longitudinal(957) 的关系是"同机构、同平台、同流水线、不同疾病"，两者绝非别名或版本关系；本条目与 yale-brain-mets-longitudinal(983)、brats-met(950) 的关系是"同域不同定位"（纵向标注资源 / 大规模纵向影像库 / 赛道分割基准）。任何把本集与 957 混同，或把本集当作 BraTS 赛道副本的处理，均为错误。
§13 常见问题（FAQ）
Q：本集和 BraTS-METS 用同一套标签，我能不能直接合并两个数据集训练？
标签空间兼容（都是 ET/NETC/SNFH/RC 四室），技术可行。但需注意：①空间口径不同（本集 native space，BraTS 常重采样到 1.0mm 各向同性）需统一；②强度分布不同需归一化；③本集仅 300 患者，与数千例 BraTS 合并时梯度贡献被稀释，建议加权采样。合并的价值在于增加机构多样性，但会牺牲本集纵向结构（BraTS 多为单时相）。
Q：我想做"预测患者生存期"的模型，本集够吗？
不够。本集提供影像 + 分割 + 治疗类型，但不含生存期（overall survival）或预后终点标签。做生存分析需外部临床数据补全，或以本集为影像特征提取源、另接临床结局表。
Q：为什么时间点是 1,065 还是 1,066 会有争议？
因为同一页面的 Abstract 与数据表给出了不同数字。这不影响使用（差 1 个时间点对训练无实质影响），但在正式引用与报告中必须写明你采用的口径，避免审稿人质疑数据一致性（见坑 1）。
Q：本集的分割能直接当 ground truth 用吗？
可以，但需意识到它是"专家核准"而非"多标注者一致"的 ground truth。脑转移瘤边界（尤其 SNFH 的范围、ET 与 NETC 的界线）存在固有主观性，本集未报告 inter-rater 一致性。对精度要求极高的应用，建议评估标签不确定性（如多次推理一致性）。
Q：native space 无跨受试者配准，会阻碍我做什么？
阻碍需要群体体素级对齐的任务：如基于体素的全脑组间统计（VBM 类）、需要标准空间的预训练网络直接推理、跨患者病灶位置的概率图谱构建。不阻碍：单患者内分割、患者内纵向追踪、以患者为单位的分类/回归。
Q：本集是"AI-Ready"的吗？
从工程视角是高就绪的（标准格式、明确许可、清晰标签、可编程命名）；从"开箱即评"视角则不是（无官方划分、无 benchmark、无预训练基线）。它提供的是"高质量原料"，需要研究者投入二次加工。
Q：我该引用哪个文献？
本集无独立描述论文，权威来源是 TCIA 集合页。正式引用用 TCIA Data Citation（DOI 10.7937/5ejb-9g94），并注明访问日期。若使用了特定工具/协议，同时引用对应方法学文献（dcm2niix/HD-BET/CaPTk/nnU-Net/ITK-SNAP/BraTS）。
§14 条目撰写方法与证据链说明
为便于审稿与后续维护，特说明本条目的信息组织原则：
- 单一权威来源：本条目全部硬数字来源于 TCIA 集合页一次实抓（2026-10-09），该页内 Abstract / Data Access 数据表 / Detailed Description 三处互相印证。未引入未经核实的第三方转述。
- 双口径并列原则：凡遇同一来源内部数字不一致（如时间点 1,065 vs 1,066），一律双写存照，不擅自择一或取平均。
- 未披露即留白：官方未给出的数字（如 Images 计数、随访间隔、多阅片者一致性）在正文标注为"未披露/遗留疑点"，绝不用推测填补。
- 辨析优先：鉴于本集与库内三条近邻（957/983/950）高度易混，正文专设 §3 与坑 2 做机构/疾病/模态/标注四维对比。
- 推断显式标注：凡属推断的内容（如 §9.8 的演进方向、§5.4 的 DAIMS 评分）均明确标注"推测/本条目评分"，与官方事实区分。
证据链：TCIA 集合页（主）→ DataCite DOI 10.7937/5ejb-9g94（元数据）→ 库内 DB 查重查询结果（近邻辨析）。
§15 关键数字一览（便于引用核对）
为便于读者快速核对与引用，把本文出现的所有关键数字集中列表，并标注口径来源：
| 数字 | 含义 | 口径来源 | 备注 |
|---|---|---|---|
| 300 | 患者数 | Abstract + Method | 一致 |
| 167 / 133 | 女 / 男 | Method | — |
| 1,065 | MRI 时间点 | Abstract | 双口径 |
| 1,066 | Studies | Data Access 数据表 | 双口径 |
| 11,405 | Series | Data Access 数据表 | — |
| 163GB | 体积 | Data Access 数据表 | — |
| 2–4 | 每例时间点数 | Method | — |
| 2016–2023 | 采集窗口 | Method | — |
| 114 / 78 / 27 | 肺 / 乳 / 黑素瘤患者数 | Method | 前三原发灶 |
| 59 | 手术患者数 | Method | 非互斥 |
| 218 | 放疗患者数 | Method | 非互斥 |
| 9 | 序列标识数 | Usage Notes | 4 保证 + 5 可选 |
| 4 | 分割标签室数 | Method | ET/NETC/SNFH/RC |
| 43kb / 3kb / 89kb / 3kb | 四份 TSV 体积 | Data Access 数据表 | 临床/字典/元数据/字典 |
| 1 | 版本号 | Data Access 数据表 | Version 1 |
| 2026/10/05 | Updated 日期 | 页面 | 唯一版本 |
| 10.7937/5ejb-9g94 | DOI | DataCite | — |
核对要点：全文凡涉及"时间点"之处，均以双口径（1,065 / 1,066）处理，读者引用时请注明所用口径（见坑 1）。
条目元信息
- 撰写代理：agent-a-ucsdbmetsl
- 抓取时点：2026-10-09
- 主要来源：TCIA 集合页（https://www.cancerimagingarchive.net/collection/ucsd-bmets-longitudinal/）+ DataCite（DOI 10.7937/5ejb-9g94）
- 三源互证：Abstract / Data Access 数据表 / Detailed Description（同页三处互证）
- 网络预算：WebFetch 1/6、WebSearch 0/3（单页内三源互证即足）
- 查重结论：slug 无冲突；近邻三条已逐一辨析（957/983/950）
- 核心双口径：时间点 1,065（Abstract）vs 1,066（数据表）
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：
- ucsd-vs-longitudinal — 共享标签：医学影像 / MRI / 医学图像分割 / 脑影像 / 脑肿瘤 / 肿瘤学
- brats-africa — 共享标签：医学影像 / MRI / 医学图像分割 / 脑肿瘤 / 肿瘤学
- brisc — 共享标签：医学影像 / MRI / 医学图像分割 / 脑影像 / 脑肿瘤
- panda-cms — 共享标签：医学影像 / MRI / 医学图像分割 / 脑肿瘤 / 肿瘤学
- cfb-gbm — 共享标签：医学影像 / MRI / 医学图像分割 / 脑肿瘤 / 肿瘤学
- 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
- bratious — 共享标签：医学影像 / 医学图像分割 / 脑肿瘤 / 肿瘤学
- yale-brain-mets-longitudinal — 共享标签：医学影像 / MRI / 脑肿瘤 / 肿瘤学
- brats-meningioma — 共享标签：医学影像 / MRI / 医学图像分割 / 脑肿瘤 / 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。
