间变性星形细胞瘤基因-疾病关联数据
该数据集来自 frontiersin.figshare.com，包含一个 Excel 表格文件，主题为胶质母细胞瘤与间变性星形细胞瘤的鉴别诊断
基本信息
资源简介
间变性星形细胞瘤基因-疾病关联数据
Table_2_Glioblastoma and Anaplastic Astrocytoma: Differentiation Using MRI Texture Analysis.xls
该数据集来自 frontiersin.figshare.com，包含一个 Excel 表格文件，主题为胶质母细胞瘤与间变性星形细胞瘤的鉴别诊断。源站描述显示研究纳入 123 例患者（胶质母细胞瘤 76 例、间变性星形细胞瘤 47 例），从增强 MR 图像中提取纹理特征，并使用 LifeX 包及三种特征选择方法（Distance Correlation、LASSO、GBDT）筛选参数，用于机器学习分类。数据可用于脑肿瘤纹理特征分析与鉴别诊断建模（来源 figshare，CC BY 4.0 许可）。
【数据集背景】
配套论文《Differentiation of Uterine Leiomyosarcoma from Atypical Leiomyoma: Diagnostic Accuracy of Qualitative MR Imaging Features and Feasibility of Texture Analysis》发表于 European Radiology（2016），DOI：10.1007/s00330-016-4623-9。源站首次发布：2019-09-06。
【数据内容】
源站描述（机器翻译，仅供参考）：引言：胶质母细胞瘤和间变性星形细胞瘤（ANA）是成人中最常见的两种原发性脑肿瘤。鉴别诊断对于治疗建议和预后评估很重要。本研究旨在评估使用机器学习进行纹理分析以区分胶质母细胞瘤与 ANA 的判别能力。方法：共纳入 123 例胶质母细胞瘤（n = 76）或 ANA（n = 47）患者。使用 LifeX 包从对比增强磁共振（MR）图像中提取纹理特征。执行了三种独立的特征选择方法以选择最具判别力的参数：距离相关、最小绝对收缩和选择算子（LASSO）以及梯度相关决策树（GBDT）。这些选定的特征（数据集）随后被随机分为训练组和验证组，比例为
【数据结构与技术规格】
文件数 1 个，合计 99.33 KB。数据集 DOI：10.3389/fonc.2019.00876.s002。
【主题与分类】
源站学科分类：Cancer、Haematological Tumours、Radiation Therapy、Solid Tumours、Oncology and Carcinogenesis not elsewhere classified、Molecular Targets。主题标签：texture features、machine learning、linear discriminant analysis、differential diagnosis、glioblastoma、anaplastic astrocytoma。本站分类：肿瘤/脑肿瘤。
【适用方向】
源站学科分类标注为 Cancer、Haematological Tumours、Radiation Therapy、Solid Tumours、Oncology and Carcinogenesis not elsewhere classified、Molecular Targets。
【获取与许可】
源站页面：https://frontiersin.figshare.com/articles/dataset/Table_2_Glioblastoma_and_Anaplastic_Astrocytoma_Differentiation_Using_MRI_Texture_Analysis_xls/9777821
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Tian, Zerong; Chen, Chaoyue; Fan, Yimeng; Ou, Xuejin; Wang, Jian; Ma, Xuelei; et al. (2019). Table_2_Glioblastoma and Anaplastic Astrocytoma: Differentiation Using MRI Texture Analysis.xls. Frontiers. Dataset
【使用注意】
· 源站最后修改于 2023-05-31，引用时请注意版本时效。
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（Figshare）
- 源站标题：Table_2_Glioblastoma and Anaplastic Astrocytoma: Differentiation Using MRI Texture Analysis.xls
- DOI：10.3389/fonc.2019.00876.s002
- 发布日期：2019-09-06
- 文件数：1 个
- 文件总体积：99.33 KB
- 源站页面：https://frontiersin.figshare.com/articles/dataset/Table_2_Glioblastoma_and_Anaplastic_Astrocytoma_Differentiation_Using_MRI_Texture_Analysis_xls/9777821
命令行下载
curl -L -o "Table_2_Glioblastoma and Anaplastic Astrocytoma: Differentiation Using MRI Texture Analysis.xls" "https://ndownloader.figshare.com/files/17512754"
文件清单
Table_2_Glioblastoma and Anaplastic Astrocytoma: Differentiation Using MRI Texture Analysis.xls（99.33 KB）
文件总体积 99.33 KB（源站 API 实测）。
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。
数据说明
引言：胶质母细胞瘤和间变性星形细胞瘤（ANA）是成人中最常见的两种原发性脑肿瘤。鉴别诊断对于治疗建议和预后评估具有重要意义。本研究旨在评估基于机器学习的纹理分析在区分胶质母细胞瘤与ANA方面的判别能力。方法：本研究共纳入123例胶质母细胞瘤（n=76）或ANA（n=47）患者。使用LifeX软件包从对比增强磁共振（MR）图像中提取纹理特征。采用三种独立的特征选择方法筛选最具判别力的参数：距离相关、最小绝对收缩和选择算子（LASSO）以及梯度相关决策树（GBDT）。随后将这些筛选出的特征（数据集）按4：1的比例随机分为训练组和验证组，并分别独立地输入线性判别分析（LDA）。计算训练组和验证组的标准灵敏度、特异度、受试者工作特征曲线下面积（AUC）及准确率。
结果：所有三种模型（距离相关+LDA、LASSO+LDA和GBDT+LDA）均显示出区分胶质母细胞瘤与ANA的良好能力，使用LDA算法时，训练组和验证组的AUC均≥0.95，且未观察到过拟合现象。在三种模型的横向比较中，LASSO+LDA展现出最佳的区分能力。结论：我们的研究表明，采用LDA算法的MRI纹理分析在区分胶质母细胞瘤与ANA方面具有良好的能力。未来需开展包含更多患者的多中心研究，以证实这一初步结果。
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.3389/fonc.2019.00876.s002（source: https://frontiersin.figshare.com/articles/dataset/Table_2_Glioblastoma_and_Anaplastic_Astrocytoma_Differentiation_Using_MRI_Texture_Analysis_xls/9777821）。
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。
