BraTS2023-成人胶质瘤和BraTS-非洲
该数据集包含用于成人胶质瘤分割的多参数磁共振成像（MRI）扫描数据，涵盖T1、T1CE、T2和T2-FLAIR等多种影像模态，特别关注资源有限地区（如撒哈拉以南非洲）的临床需求。数据经过标准化预处理，适用于医学影像分析和机器学习模型开发，旨在提高胶质瘤的诊断准确性和医疗资源利用效率，支持相关算法在多样化医疗环境中的验证与应用。
基本信息
资源简介
该数据集是由多个机构合作收集的用于成人胶质瘤分割的多参数磁共振成像（MRI）扫描数据，包含BraTS2023-Adult-Glioma和BraTS-Africa两个子集。数据来源于标准临床护理中采集的MRI扫描，包含T1、T1CE、T2和T2-FLAIR等多种序列，并经过标准化预处理。数据集构建过程中采用了放射组学分析和分层微调策略，特别关注解决资源有限地区（尤其是撒哈拉以南非洲）的胶质瘤诊断难题。主要应用于医学影像分析、机器学习模型开发，旨在提高胶质瘤诊断准确性和医疗资源利用效率。
下载信息
注册下载
Tips: 该数据集需要在对应的数据源网站注册通过后，才能进行数据下载，注册有对应要求，或者需要收费。
暂未开放公开下载
Tips: 该数据集属于公开下载，应该可以免费公开下载。
免登录有偿下载
Tips: 该数据集 Qianfanghub 可以协助提供有偿下载服务，注意，服务不针对数据相关产权，只是技术服务费。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放千方医数集，医疗数据集部分，是为社区服务的公开医疗数据集搜索引擎，并不存储或者下载原始的任何数据。 如果您有其他医疗数据需求，可以和客服联系，或者下工单。我们有强大的三甲医疗机构帮助您提供个性化的医疗数据定制、采集、标注服务。
使用方式
数据集说明
BraTS2023-成人胶质瘤和BraTS-非洲 对应论文数据集（arXiv 预印本）。
数据获取指引
- 打开论文页面获取作者与项目信息：https://arxiv.org/abs/2412.04111v1
- 论文 Data Availability / Code Availability 章节标注了数据实际托管位置；
- 获取到实际数据链接后，按对应平台标准方式下载。
论文摘要：Abstract:Gliomas, a kind of brain tumor characterized by high mortality, present substantial diagnostic challenges in low- and middle-income countries, particularly in Sub-Saharan Africa. This paper introduces a novel approach to glioma segmentation using transfer learning to address challenges in resource-limited regions with minimal and low-quality MRI data. We leverage pre-trained deep learning models, nnU-Net and MedNeXt, and apply a stratified fine-tuning strategy using the BraTS2023-Adult-Glioma and BraTS-Africa datasets. Our method exploits radiomic analysis to create stratified training folds, model training on a large brain tumor dataset, and transfer learning to the Sub-Saharan context. A weighted model ensembling strategy and adaptive post-processing are employed to enhance segmentation accuracy. The evaluation of our proposed method on unseen validation cases on the BraTS-Africa 2024 task resulted in lesion-wise mean Dice scores of 0.870, 0.865, and 0.926, for enhancing tumor, tumor core, and whole tumor regions and was ranked first for the challenge. Our approach highlights the ability of integrated machine-learning techniques to bridge the gap between the medical imaging capabilities of resource-limited countries and established developed regions. By tailoring our methods to a target population's specific needs and constraints, we aim to enhance diagnostic capabilities in isolated environments. Our findings underscore the importance of approaches like local data integration and stratification refinement to address healthcare disparities, ensure practical a
精度瓶颈？数据缺失？
当前公开数据无法满足您的算法精度？千方提供针对 视神经胶质瘤 的高质量、多模态真实临床数据定制解决方案。
