脑肿瘤分类微调模型、主数据集与外部数据集：SVM+HOG、ResNet18、ViT-B/16 与 SimCLR
该数据集围绕脑肿瘤分类任务，汇集了经微调的模型权重、主数据集以及外部数据集，服务于经典机器学习与深度学习方法的对比研究。涉及的模型路线包括 SVM+HOG、ResNet18、ViT-B/16 以及 SimCLR，覆盖了从传统特征工程加浅层分类器到深度卷积网络、视觉 Transformer 与自监督对
基本信息
资源简介
脑肿瘤分类微调模型、主数据集与外部数据集：SVM+HOG、ResNet18、ViT-B/16 与 SimCLR
该数据集围绕脑肿瘤分类任务，汇集了经微调的模型权重、主数据集以及外部数据集，服务于经典机器学习与深度学习方法的对比研究。数据集英文名称为“Fine-Tuned Models, main dataset, and external dataset for brain tumor classification using SVM+HOG, ResNet18, ViT-B/16, and SimCLR”，本站归类于肿瘤 / 脑肿瘤方向，来源站为 doi.org，作者为 TIAN, YUTING，机构为 Zenodo，发布时间为 2025 年，采用 Creative Commons Attribution 4.0 International 许可。其主题标签涵盖 brain tumor、medical imaging、deep learning、ResNet18、ViT、SimCLR、SVM、PyTorch、classification 以及 COCO format，整体定位于脑肿瘤医学影像的自动化分类研究资源。
【数据集背景】
该数据集对应一篇题为“Trade-off Analysis of Classical and Deep Learning Models for Robust Brain Tumor Detection”的论文，旨在支撑经典方法与深度学习方法在脑肿瘤检测中的权衡分析。涉及的模型路线包括 SVM+HOG、ResNet18、ViT-B/16 以及 SimCLR，覆盖了从传统特征工程加浅层分类器到深度卷积网络、视觉 Transformer 与自监督对比学习的多种技术范式。相关代码与使用说明可参见 GitHub 仓库 https://github.com/yangzi334/BrainTumorClassification。
【数据内容】
上传内容主要包括与主脑肿瘤数据集相关的训练与评估模型。具体包含 base_Vit_B_16_new.zip，以及 best_vit_overall.pth（在整体验证性能上最优的最终微调 ViT-B/16 模型权重）、best_vit_run1.pth（第 1 次运行中 ViT-B/16 的最佳检查点，对应不同的随机种子或划分）、best_vit_run2.pth（第 2 次运行中 ViT-B/16 的最佳检查点）、best_vit_run3.pth（第 3 次运行中 ViT-B/16 的最佳检查点）。此外还包含 base_resnet18_new.zip，以及 best_resnet18_overall.pth（在整体验证性能上最优的最终微调 ResNet18 模型权重）、best_resnet18_run1.pth（ResNet18 的最佳检查点）。数据集同时涉及主数据集与外部数据集，并标注了 COCO format 相关标签。
【采集与来源】
来源站为 doi.org，机构为 Zenodo，作者为 TIAN, YUTING，发布时间为 2025 年。源站描述中给出了论文标题与 GitHub 仓库地址，用于获取代码和使用说明。关于影像数据的具体采集机构、采集设备、采集时间、受试者来源与伦理审批等信息，源站未提供。
【适用场景】
该数据集适用于脑肿瘤分类相关的模型训练、微调与评估，尤其适合开展经典方法与深度学习方法之间的权衡分析。可支持的模型包括 SVM+HOG、ResNet18、ViT-B/16 与 SimCLR 等。由于提供了多次运行的最佳检查点，也可用于考察不同随机种子或数据划分下的模型稳定性与鲁棒性。具体任务边界与临床适用性，源站未提供。
【使用方法】
源站建议参见 GitHub 仓库 https://github.com/yangzi334/BrainTumorClassification 获取代码与使用说明。上传内容中包含可直接加载的模型权重文件，如 best_vit_overall.pth、best_vit_run1.pth、best_vit_run2.pth、best_vit_run3.pth、best_resnet18_overall.pth、best_resnet18_run1.pth，以及对应的压缩包 base_Vit_B_16_new.zip 与 base_resnet18_new.zip。关于环境依赖、训练超参数、数据预处理流程与评估协议的细节，源站未提供。
【质量与限制】
数据集提供了多个运行的最佳检查点，有助于评估模型在验证性能上的表现差异。但关于数据规模、类别分布、图像分辨率、标注质量、外部数据集的构成与来源，以及是否存在类别不平衡或数据泄漏风险等信息，源站未提供。因此，其泛化能力与临床可靠性需结合完整论文与代码进一步核实。
【引用与许可】
该数据集采用 Creative Commons Attribution 4.0 International 许可，使用时需按要求进行署名。作者为 TIAN, YUTING，机构为 Zenodo，发布时间为 2025 年。引用时应参考对应论文“Trade-off Analysis of Classical and Deep Learning Models for Robust Brain Tumor Detection”以及 GitHub 仓库中的说明。具体引用格式与署名要求，源站未提供。
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/10.5281/zenodo.15882989
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:
数据集大小约 3.47 GB。
数据说明
1：论文标题：经典模型与深度学习模型在稳健脑肿瘤检测中的权衡分析。2：代码和使用说明请参见GitHub仓库：https://github.com/yangzi334/BrainTumorClassification 3：上传内容包括：3.1 请审查与主要脑肿瘤数据集相关的所有训练和评估模型（如下所列）：base_Vit_B_16_new.zip best_vit_overall.pth — 最终微调的ViT-B/16模型权重，具有最佳整体验证性能。best_vit_run1.pth — 第1次运行的ViT-B/16最佳检查点（不同随机种子或划分）。best_vit_run2.pth — 第2次运行的ViT-B/16最佳检查点。best_vit_run3.pth — 第3次运行的ViT-B/16最佳检查点。base_resnet18_new.zip best_resnet18_overall.pth — 最终微调的resnet18模型权重，具有最佳整体验证性能。best_resnet18_run1.pth — 第1次运行的resnet18最佳检查点（不同随机种子或划分）。best_resnet18_run2.pth — 第2次运行的resnet18最佳检查点。best_resnet18_run3.pth — 第3次运行的resnet18最佳检查点。
base_simclr_new.zip best_simclr_overall.pth — 最终微调的SimCLR模型权重，具有最佳整体验证性能。best_simclr_run1.pth — 第1次运行的SimCLR最佳检查点（不同的随机种子或数据划分）。best_simclr_run2.pth — 第2次运行的SimCLR最佳检查点。best_simclr_run3.pth — 第3次运行的SimCLR最佳检查点。best_simclr_encoder_only.pth — 仅SimCLR编码器权重（使用对比学习训练，无分类器头）。可用于下游任务。base_SVN_HOG_new.zip best_svm_hog_model.pkl — 使用HOG特征训练的最终支持向量机（SVM）模型。使用joblib保存，便于加载和复用。base tumor data.zip 包含完整的脑肿瘤图像数据集，分为训练集、验证集和测试集：每个文件夹（train/、valid/、test/）包含：一个名为_annotations.coco.json的COCO格式标注文件。在train文件夹中，包含fixed_annotations
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。
需要用于商业化训练或医疗器械注册（NMPA/FDA）？
公开数据往往缺乏完整的病理回证与专家标注。千方医数集依托三甲直采网络，提供合规、去标识化、支持注册级质控的专病数据集交易服务。
