脑部MRI肿瘤数据集：4分类（7,023张图像）
MRI-BT是近平衡4类MRI脑肿瘤数据集，含7023张图像，类别为胶质瘤、脑膜瘤、无肿瘤和垂体瘤。另提供患者运动伪影、模糊、噪声三个合成数据集，模拟现实条件，助开发应对临床挑战的鲁棒深度学习模型，如1、1.5、3 Tesla磁场强度、不同噪声源和患者移动伪影
基本信息
资源简介
脑部MRI肿瘤数据集：4分类（7,023张图像）
MRI Brain Tumor Dataset: 4-Class (7,023 Images)
MRI-BT是近平衡4类MRI脑肿瘤数据集，含7023张图像，类别为胶质瘤、脑膜瘤、无肿瘤和垂体瘤。另提供患者运动伪影、模糊、噪声三个合成数据集，模拟现实条件，助开发应对临床挑战的鲁棒深度学习模型，如1、1.5、3 Tesla磁场强度、不同噪声源和患者移动伪影。该数据集采用MIT许可，含20个文件、113005字节，标签涉及癌症、人工智能、图像分类（来源 Kaggle，MIT 许可）。
【数据集背景】
源站首次发布：2025-02-21。
【数据内容】
源站描述（机器翻译，仅供参考）：MRI-BT 数据集是一个近乎平衡的 4 类 MRI 脑肿瘤数据集，包含 7,023 张图像。它包括四个类别：Glioma、Meningioma、No-Tumor 和 Pituitary。除 MRI-BT 数据集外，还提供了三个合成数据集——Patient Motion Artifact、Blurred 和 Noisy——以模拟真实世界条件。这些数据集有助于开发稳健且可靠的深度学习模型，使其能够应对临床环境中遇到的挑战。此类挑战包括变化的磁场强度（1、1.5 和 3 Tesla）、不同的噪声源，以及长时间扫描期间患者移动可能造成的伪影。 两篇研究论文强调了理想实验设置与真实世界条件之间的对比：- 文章 1： 增强 MRI 脑肿瘤分类：一种整合真实场景模拟和增强技术的综合方法（DOI: 10.1016/j.ejmp.2024.104841）- 文章 2： 增强脑癌 MRI 诊断深度学习的泛化能力并缓解过拟合（DOI: 10.1007/s00723-024-01743-y）
【数据结构与技术规格】
文件数 20 个，合计 113.00 KB。
【主题与分类】
主题标签：cancer、artificial intelligence、image classification、hospitals and treatment centers、simulations。本站分类：肿瘤/脑肿瘤。
【获取与许可】
源站页面：https://www.kaggle.com/datasets/mohamadabouali1/mri-brain-tumor-dataset-4-class-7023-images
使用许可：MIT。
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。
需登录公开下载
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。
暂未开放有偿下载
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://kaggle.com/datasets/mohamadabouali1/mri-brain-tumor-dataset-4-class-7023-images
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 139.1 MB。
数据说明
Mohamad Abou Ali（2025）。MRI 脑肿瘤数据集：4 类（7,023 张图像）[数据集]。https://www.kaggle.com/datasets/mohamadabouali1/mri-brain-tumor-dataset-4-class-7023-images
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。
