带堆叠模型结果的脑肿瘤处理数据集
数据面向脑胶质瘤检测，涉及 raw MRI images 与手工特征，可用于深度学习脑肿瘤检测研究，尤其是结合 2D-DCNN 与 1D-DCNN 的两路特征描述模型（TWFDM）相关实验
基本信息
资源简介
带堆叠模型结果的脑肿瘤处理数据集
Brain tumor MRI Dataset details.
该数据集为脑肿瘤 MRI 处理数据集，附带堆叠模型结果，源站标题为 Brain tumor MRI Dataset details，来自 plos.figshare.com，包含 1 个文件（Table 1.xls）。数据面向脑胶质瘤检测，涉及 raw MRI images 与手工特征，可用于深度学习脑肿瘤检测研究，尤其是结合 2D-DCNN 与 1D-DCNN 的两路特征描述模型（TWFDM）相关实验。配套论文发表于 PLOS One，作者为 Shabana Urooj、Kiran Napte、Najah Alsubaie（来源 figshare，CC BY 4.0 许可）。
【数据集背景】
配套论文《Deep learning based two-way feature depiction model for brain tumor detection》发表于 PLOS One（2026），DOI：10.1371/journal.pone.0344291。源站首次发布：2026-07-02。
【数据内容】
源站描述（机器翻译，仅供参考）：脑肿瘤是世界上最致命的疾病之一，导致全球最高的死亡率之一。胶质瘤是最常见的原发性脑肿瘤，起源于中枢神经系统的胶质细胞。传统上，需要提取组织样本并检查其遗传和特征特性。这种方法具有侵入性、痛苦，并且需要较长时间才能得出结果。已经提出了各种基于深度学习（DL）的自动脑胶质瘤检测方案，但它们存在可解释性差、泛化能力较低、特征描述不佳、类别不平衡问题和检测率较低等不足。本文提出了一种基于深度学习的脑肿瘤检测方法，采用两路特征描述模型（TWFDM），该模型结合了 2D-深度卷积神经网络（DCNN）和 1D-DCNN。2D-DCNN 接受原始 MRI 图像，1D-DCNN 接受手工
【数据结构与技术规格】
文件数 1 个，合计 5.63 KB。数据集 DOI：10.1371/journal.pone.0344291.t001。
【主题与分类】
源站学科分类：Space Science、Cell Biology、Genetics、Neuroscience、Biotechnology、Biological Sciences not elsewhere classified。主题标签：raw mri images、brain mri dataset、brain glioma detection、lower detection rate、class imbalance problem、central nervous system、proposed twfdm achieves、poor feature depiction、twfdm system、poor explainability。本站分类：肿瘤/脑肿瘤。
【适用方向】
源站学科分类标注为 Space Science、Cell Biology、Genetics、Neuroscience、Biotechnology、Biological Sciences not elsewhere classified。
【获取与许可】
源站页面：https://plos.figshare.com/articles/dataset/_p_Brain_tumor_MRI_Dataset_details_p_/32884805
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Urooj, Shabana; Napte, Kiran; Alsubaie, Najah (2026). Brain tumor MRI Dataset details.. PLOS ONE. Dataset
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：<p>Brain tumor MRI Dataset details.</p>
- DOI：10.1371/journal.pone.0344291.t001
- 发布日期：2026-07-02
- 文件数：1 个
- 文件总体积：5.63 KB
- 源站页面：https://plos.figshare.com/articles/dataset/_p_Brain_tumor_MRI_Dataset_details_p_/32884805
命令行下载
curl -L -o "Table 1.xls" "https://ndownloader.figshare.com/files/66264878"
文件清单
Table 1.xls（5.63 KB）
文件总体积 5.63 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
脑肿瘤是世界上最致命的疾病之一，其死亡率位居各类疾病前列。胶质瘤是最常见的原发性脑肿瘤，起源于中枢神经系统中的胶质细胞。传统上，需要通过提取组织样本并检测其遗传和特征属性来进行诊断。这种方法具有侵入性、痛苦且出结果的时间较长。目前已提出多种基于深度学习的脑胶质瘤自动检测方案，但这些方案存在可解释性差、泛化能力弱、特征描述不佳、类别不平衡以及检测率较低等问题。本文提出了一种基于深度学习的脑肿瘤检测方法，采用双向特征描述模型，该模型结合了二维深度卷积神经网络和一维深度卷积神经网络。二维深度卷积神经网络接收原始MRI图像，一维深度卷积神经网络接收手工设计的局部二值模式、灰度共生矩阵和方向梯度直方图特征。此外，采用改进的粒子群优化算法进行特征选择，以降低双向特征描述模型系统的计算复杂度。
所提出的TWFDM在Brain MRI数据集的四分类任务中实现了96.25%的总体准确率、96.34%的召回率、96.31%的精确率和96.32%的F1分数，相较于传统技术取得了重要改进。
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.1371/journal.pone.0344291.t001（source: https://plos.figshare.com/articles/dataset/_p_Brain_tumor_MRI_Dataset_details_p_/32884805）。
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。
