BRISC 2025 脑肿瘤 MRI 数据集

该数据集旨在解决现有公开脑 MRI 数据集常见的类别不平衡、肿瘤类型有限和标注不一致等问题,其结构包含 classification_task 目录,下设 train 子目录,涵盖 glioma、meningioma、pituitary 和 no_tumor 四类

Mendeley DataMendeley Data
datacite
浏览 16
医学影像分类Image ProcessingImage SegmentationBrain TumorBrain ImagingImage ClassificationMedical Image ProcessingDeep Learning
🧠 BRISC 2025

基本信息

模态
医学影像
大小
0.260175408 GB
任务类型
分类
创建/更新时间
2026-10-09

资源简介

BRISC 2025 脑肿瘤 MRI 数据集

BRISC 2025(BRain tumor Image Segmentation & Classification)是一个面向脑肿瘤多类别分类与像素级分割任务的 T1 MRI 数据集,由专家进行整理与标注。该数据集旨在应对现有公开脑部 MRI 数据集中常见的类别不平衡、肿瘤类型覆盖有限以及标注标准不一致等问题,为脑肿瘤影像研究提供结构更规范、标注更一致的数据基础。其数据组织以分类任务为核心,包含 classification_task 目录,下设 train 子目录,覆盖 glioma、meningioma、pituitary 与 no_tumor 四个类别,图像文件采用统一的命名规则,便于在深度学习流程中直接加载与使用。该数据集发表于 Scientific Data(Nature Portfolio),并配有可作基线对比的相关研究。

【数据集背景】

公开脑部 MRI 数据集在脑肿瘤研究中被广泛使用,但普遍存在若干不足:类别分布不均衡、所涵盖的肿瘤类型有限,以及不同来源数据之间标注一致性较差。这些问题会影响分类与分割模型的训练效果与结果可比性。BRISC 2025 正是针对上述问题而构建,定位为一个经过整理、由专家标注的 T1 MRI 数据集,同时支持多类别脑肿瘤分类与像素级分割两类任务,力图在数据层面提升研究的规范性与可复现性。

【数据内容】

数据集以 brisc2025 为根目录,核心结构为 classification_task,其下设有 train 子目录。train 目录按类别划分为四个子目录:glioma、meningioma、pituitary 和 no_tumor。其中图像文件采用包含数据集名称、序号、类别缩写与序列信息的命名方式,例如 brisc2025_train_00001_gl_ax_t1.jpg,从命名可看出其对应轴位 T1 序列。分类任务覆盖四类标签,既包含三种肿瘤类型,也包含无肿瘤类别,从而支持多类别分类设定。除分类任务外,该数据集亦面向像素级分割任务,但源站未提供分割标注的具体组织形式与文件细节。

【采集与来源】

该数据集来源于 doi.org,发表于 Scientific Data(Nature Portfolio),DOI 为 https://doi.org/10.1038/s41597-026-06753-y。数据由 BRISC 团队整理,机构信息标注为 Mendeley Data,发布时间为 2026 年。源站未提供具体的扫描设备、成像参数、采集中心数量及受试者招募方式等采集细节。

【适用场景】

该数据集适用于脑肿瘤影像相关的深度学习研究,尤其是多类别脑肿瘤分类与像素级肿瘤分割任务。其主题标签涵盖图像处理、图像分割、脑肿瘤、脑成像、图像分类、医学图像处理、深度学习以及脑肿瘤磁共振成像等方向。由于包含 glioma、meningioma、pituitary 与 no_tumor 四类,可用于训练和评估分类模型;同时因其面向分割任务设计,也可用于分割模型的开发与验证。源站还提及一项相关研究 Swin‑HAFNet(一种用于脑肿瘤分割与分类的层次化多任务 Transformer),可作为基线用于对比实验。

【使用方法】

数据可按 classification_task/train 下的类别子目录直接组织为分类数据加载流程,每个子目录对应一个类别标签,图像为 jpg 格式。研究者可据此构建训练集并进行模型训练与评估。源站未提供官方划分的验证集与测试集、预处理脚本、数据加载代码或评测指标定义等使用说明。

【质量与限制】

该数据集强调由专家标注,并针对类别不平衡、肿瘤类型有限和标注不一致等常见问题进行了整理,这是其在数据质量方面的主要特点。但源站未提供样本总量、各类别样本数量、图像分辨率、分割标注精度评估以及外部验证结果等具体质量指标。此外,数据仅涉及 T1 MRI 序列,模态覆盖范围有限;分割任务的具体标注形式与规模亦未在源站说明。

【引用与许可】

该数据集发表于 Scientific Data(Nature Portfolio),引用时应参考其 DOI:https://doi.org/10.1038/s41597-026-06753-y。源站未提供具体的许可协议条款、使用限制或商业使用规定等信息。

官方服务

专家保障全链路合规授权与标注交付

陕川双基地 × 超十家三甲医院直连

从合规授权、采集治理、专业标注到数据集交付,我们提供全链路闭环服务,让高质量临床数据即拿即用。

⚡️ 需要原始数据或标注支持?联系我们获取定制方案。

帮我联系

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。

免登录

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://doi.org/10.17632/c7dj4pwhcv.3

标准获取流程:

  1. 访问源站链接,注册/登录账号;
  2. 进入数据集详情页,按页面指引申请权限或直接下载;
  3. 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。

数据集大小约 260.2 MB。

数据说明

BRISC 2025 — 脑肿瘤 MRI 数据集 BRISC(脑肿瘤图像分割与分类)——一个经过整理、由专家标注的 T1 MRI 数据集,用于多类脑肿瘤分类和像素级分割。📄 发表于:Scientific Data(Nature Portfolio)DOI:https://doi.org/10.1038/s41597-026-06753-y 一项包含额外实验的相关研究,可作为比较基线:👉 Swin‑HAFNet:用于脑肿瘤分割与分类的分层多任务 Transformer:https://shorturl.at/sQtOA 🚀 概述 BRISC 旨在解决现有公开脑 MRI 数据集中的常见缺陷(例如类别不平衡、肿瘤类型有限以及标注不一致)。📦 数据集结构 brisc2025/ ├─ classification_task/ │ ├─ train/ │ │ ├─ glioma/ │ │ │ ├─ brisc2025_train_00001_gl_ax_t1.jpg │ │ │ └─ … │ │ ├─ meningioma/ │ │ ├─ pituitary/ │ │ └─ no_tumor/ │ └─ test/ │ ├─ glioma/ │ │ ├─ brisc2025_test_00001_gl_ax_t1.jpg │ │ └─ … │ ├─ meningioma/ │ ├─ pituitary/ │ └─ no_tumor/ ├─ segmentation_task/ │ ├─ train/ │ │ ├─ images/ │ │ │ ├─ brisc2025_train_00001_gl_ax_t1.jpg │ │ │ └─ … │ │ └─ masks/ │ │ ├─ brisc2025_train_00001_gl_ax_t1.png │ │ └─ …

│ └─ test/ │ ├─ images/ │ │ ├─ brisc2025_test_00001_gl_ax_t1.jpg │ │ └─ … │ └─ masks/ │ ├─ brisc2025_test_00001_gl_ax_t1.png │ └─ … ├─ manifest.json ├─ manifest.csv ├─ manifest.json.sha256 ├─ manifest.csv.sha256 └─ README.md 说明: - 分类文件夹包含适用于标准图像分类流程的图像级标签。 - 分割文件夹包含配对的MRI图像/和对应的二值掩膜/。 - 图像和掩膜的文件名除扩展名外完全相同(图像:.jpg,掩膜:.png)。 - 所有图像均为T1加权切片。 📊 数据集统计 - 总样本数:6,000(5,000训练 / 1,000测试) - 类别数:4(训练/测试分布均衡) - 平面:轴位 / 冠状位 / 矢状位(均衡覆盖) - 成像模态:T1加权MRI - 标注质量:Re

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。

获取专属数据定制方案