磁共振血管成像图谱数据集
磁共振血管成像图谱数据集提供健康成人脑动脉TOF-MRA影像和血管形态量化图谱，数据模态为图像，可用于颈动脉疾病相关病例识别、诊断建模、分割检测、风险评估或临床研究复现。
基本信息
资源简介
磁共振血管成像图谱数据集
【一句话概览】
该数据集基于61名健康志愿者的3T时间飞跃法磁共振血管造影高分辨率（620微米各向同性）图像，用于量化脑血管形态。受试者中女性36名、男性25名，平均年龄31.2±10.7岁，范围19至64岁。研究指出，表征人群脑动脉复杂分支结构对诊断、分析和预测病理状态具有重要意义，而多数MRA研究受限于定性评估、部分形态分析、个体或小样本、专有数据等问题。该数据集采用为神经元树分析开发的神经信息学工具进行血管形态量化，标签涉及MRA、脑动脉、血管形态、NIfTI等（来源 nitrc.org）。
【数据集背景】
本数据集源站标题为《Magnetic Resonance Angiography Atlas Dataset》。
【数据内容】
源站原始描述：Characterization of the complex branching architecture of cerebral arteries across a representative sample of the human population is important for diagnosing, analyzing, and predicting pathological states. Brain arterial vasculature can be visualized by magnetic resonance angiography (MRA). However, most MRA studies are limited to qualitative assessments, partial morphometric analyses, individual (or small numbers of) subjects, proprietary datasets, or combinations of the above limitations. Neu…
中文译文（机器翻译，仅供快速理解，请以原文为准）：表征人类群体代表性样本中脑动脉复杂分支结构对于诊断、分析和预测病理状态具有重要意义。脑动脉血管系统可通过磁共振血管造影（MRA）进行可视化。然而，大多数MRA研究局限于定性评估、部分形态学分析、单个（或少量）受试者、专有数据集，或上述局限性的组合。本研究采用为神经元树突分析开发的神经信息学工具，从61名健康志愿者（36名女性/25名男性，平均年龄=31.2 ± 10.7岁，范围=19-64岁）采集的3T时间飞跃法MRA高分辨率（620 μm各向同性）图像中量化血管形态。
【主题与分类】
主题标签：MRA、Magnetic Resonance Angiography、cerebral arteries、vascular morphology、NIfTI、MR。
【适用方向】
影像类数据可用于医学图像分析模型（检测、分割、分类）的训练与评测，也可用于标注质量与成像参数相关性的研究。
【获取与许可】
源站页面：https://www.nitrc.org/projects/icbmmra
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
暂未开放有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站：https://www.nitrc.org/projects/icbmmra
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 部分平台提供 SDK，例如：
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据说明
Magnetic Resonance Angiography Atlas Dataset 数据集包含健康成人脑动脉TOF-MRA影像和血管形态量化图谱，可围绕颈动脉疾病（Carotid artery disease）开展病例筛选、特征提取、诊断分类、分割检测或预后分析。
数据加载示例（图像类）
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
