脑肿瘤荧光引导成像:使用SBK2-ICG的安全性研究
该数据集来自clinicaltrials.gov,聚焦恶性脑肿瘤与胶质瘤的荧光引导成像研究,评估使用SBK2-ICG进行手术中肿瘤边界可视化的安全性

基本信息
资源简介
脑肿瘤荧光引导成像:使用SBK2-ICG的安全性研究
该数据集来自clinicaltrials.gov,聚焦恶性脑肿瘤与胶质瘤的荧光引导成像研究,评估使用SBK2-ICG进行手术中肿瘤边界可视化的安全性。恶性脑肿瘤患者预后较差,术后生存期与肿瘤切除程度密切相关,但标准白光显微镜下难以区分肿瘤与健康脑组织。荧光成像有望帮助外科医生更清晰地识别肿瘤边界,而SBK2-ICG此前尚未被研究过。该数据可用于脑肿瘤图像分割、术中边界识别及荧光成像方法的安全性评估(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):条件:恶性脑肿瘤、胶质瘤。治疗患有严重脑肿瘤的人具有挑战性,这些人的预后很差。平均而言,人们在被诊断后存活不到一年。诊断和治疗后某人能活多久可能取决于手术能够切除多少肿瘤。然而,使用标准白光手术显微镜照明时,外科医生可能难以区分肿瘤所在位置和健康脑组织所在位置。因此,帮助外科医生在手术期间更清晰地看到肿瘤边界的新方法可能很有价值。荧光成像可能是一种可以帮助外科医生更清晰地看到肿瘤边界的方法。先前的研究已使用荧光成像来更好地可视化肿瘤,但此前没有研究使用过SBK2-ICG。事实上,SBK2-ICG的使用在概念上是d
【主题与分类】
主题标签:Malignant Brain Tumors、Glioma。本站分类:肿瘤/脑肿瘤。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT07438860
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://clinicaltrials.gov/study/NCT07438860
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
疾病:恶性脑肿瘤、胶质瘤。治疗严重脑肿瘤患者具有挑战性,且这些患者的预后较差。平均而言,患者在确诊后生存时间不足一年。患者确诊并接受治疗后的生存期可能取决于手术能够切除多少肿瘤。然而,使用标准白光手术显微镜照明时,外科医生可能难以区分肿瘤区域与健康脑组织。因此,帮助外科医生在手术中更清晰地识别肿瘤边界的新方法可能具有重要价值。荧光成像可能是帮助外科医生更清晰地识别肿瘤边界的一种方法。既往研究已使用荧光成像来更好地显示肿瘤,但此前尚无研究使用SBK2-ICG。事实上,SBK2-ICG的使用在概念上与其他研究不同。目前,唯一获FDA批准用于术中荧光成像以显示脑肿瘤的药物称为5-氨基乙酰丙酸,即5-ALA。5-ALA在人体细胞中天然代谢为一种称为PpIX的物质。
术前给患者使用5-ALA后,它会转化为PpIX,随后可被波长为400-410 nm的荧光激发。由于肿瘤细胞和健康细胞对5-ALA的代谢方式不同,PpIX倾向于在上皮细胞和恶性细胞(包括脑肿瘤细胞)中积聚。在一项对既往研究的综述中,使用5-ALA与更好的肿瘤组织切除、更长的总生存期和更长的无进展生存期相关。然而,5-ALA对肿瘤边界的检测能力较弱,无法识别肿瘤边缘的浸润细胞。此外,即使是很薄的一层正常细胞屏障也会使外科医生难以看到5-ALA,从而难以区分肿瘤组织和健康组织。因此,使用一种能发出更深穿透脑组织的光的药物将会有所帮助,以便外科医生
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。




