CastorNet与基线CNN在BRISC-2025及脑肿瘤数据集上的可复现性包

数据集获取

源站：https://doi.org/10.5281/zenodo.20314788

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 5.67 GB。

数据说明

本仓库包含手稿“CastorNet：一种集成图形用户界面软件的轻量级脑肿瘤分类网络，用于临床预测系统”的完整可复现性包。内容 BRISC‑2025 模型：CastorNet 及基线 CNN（VGG16、VGG19、ResNet‑50、Inception‑V3、MobileNet‑V2）的训练权重、训练曲线（准确率 vs. 轮次、损失 vs. 轮次）、日志和混淆矩阵摘要。BRISC‑2025 消融：CastorNet 的 Single Path 和 Swish+Double 架构变体，每个均按 5 折交叉验证（t1–t5）组织，包含模型、曲线、日志和结果。脑肿瘤数据集（Kaggle/Figshare）：跨六种 CNN 架构的对比实验，按折（t1–t5）组织，包含训练模型、训练曲线、日志和混淆矩阵。目的 提供所有文件以确保实验的完全可复现性。该包包括：CastorNet 和基线的训练模型（.keras）。每个折的训练曲线（准确率和损失 vs. 轮次）。记录超参数、优化器、学习率和训练进度的日志。结果，包括混淆矩阵和分类报告。

消融研究证明了CastorNet变体的稳健性。关键词：脑肿瘤MRI、CastorNet、深度学习、卷积神经网络、可解释AI、可复现性、医学影像、BRISC-2025、Kaggle、Figshare。

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。