多类脑肿瘤MRI数据集:胶质瘤、健康脑、脑膜瘤和垂体大腺瘤-97587

图像来自经核实的医学来源并已匿名化处理,附验证证书以确认真实性与批准用途。图像涵盖不同肿瘤特征、大小和解剖变异,适用于机器学习、深度学习及放射学分析,可支持脑肿瘤分类、检测、分割研究、放射组学分析等学术与临床研究应用(来源 DOI 解析)

Mendeley DataMendeley Data
datacite
浏览 3
医学影像分类Computer VisionDeep Learning
Multi-Class Brain Tumor MRI Dataset: Glioma, Healthy Brain, Meningioma, and Pituitary Macroadenoma

基本信息

模态
医学影像
大小
0.017695985 GB
任务类型
分类
创建/更新时间
2026-10-09

资源简介

多类脑肿瘤MRI数据集:胶质瘤、健康脑、脑膜瘤和垂体大腺瘤

Multi-Class Brain Tumor MRI Dataset: Glioma, Healthy Brain, Meningioma, and Pituitary Macroadenoma

该数据集为高质量脑部MRI图像集合,分为Glioma、Meningioma、Pituitary Macroadenoma和Healthy brain四个临床相关类别,每类300张,共1200张,类别均衡。图像来自经核实的医学来源并已匿名化处理,附验证证书以确认真实性与批准用途。图像涵盖不同肿瘤特征、大小和解剖变异,适用于机器学习、深度学习及放射学分析,可支持脑肿瘤分类、检测、分割研究、放射组学分析等学术与临床研究应用(来源 DOI 解析)。

【数据集背景】

源站首次发布:2025。

【数据内容】

源站描述(机器翻译,仅供参考):该数据集提供了一批高质量的脑部MRI图像,分为四个临床相关类别:Glioma、Meningioma、Pituitary Macroadenoma和Healthy brain扫描。每个类别包含300张图像,构成一个包含1200张图像的均衡数据集,适用于稳健的机器学习、深度学习和放射学分析。所有MRI图像均采集自经核实的医学来源,并经过匿名化处理以确保符合伦理要求。数据集附有验证证书,以验证其真实性及获批用途。这些图像涵盖了多样的肿瘤特征、大小和解剖变异,为学术和临床研究提供了全面的资源。该数据集旨在支持一系列应用,包括但不限于:脑肿瘤分类、肿瘤检测、分割研究、放射组学分析,以及

【主题与分类】

主题标签:Computer Vision、Deep Learning。本站分类:肿瘤/脑肿瘤。

【获取与许可】

源站页面:https://data.mendeley.com/datasets/82mtzd8x72/1

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。

免费样本无法满足模型训练要求?千方提供经三甲医院脱敏、带病理回证与专家标注的商业级专病数据集。

使用方式

数据集获取

源站:https://doi.org/10.17632/82mtzd8x72.1

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 17.7 MB。

数据说明

本数据集提供了一套高质量的大脑MRI图像集合,分为四个临床相关类别:胶质瘤、脑膜瘤、垂体大腺瘤和健康大脑扫描。每个类别包含300幅图像,构成一个均衡的数据集,共1,200幅图像,适用于稳健的机器学习、深度学习和放射学分析。所有MRI图像均采集自经过验证的医学来源,并经过匿名化处理以确保符合伦理要求。随附验证证书,以证实数据集的真实性及获批用途。这些图像涵盖了多样化的肿瘤特征、大小和解剖变异,为学术和临床研究提供了全面的资源。本数据集旨在支持一系列应用,包括但不限于:脑肿瘤分类、肿瘤检测、分割研究、放射组学分析以及AI驱动的医学影像模型开发。其均衡的类别分布和清晰的标注使其特别适用于训练监督学习模型。

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。