经典机器学习与深度学习模型用于稳健脑肿瘤检测的权衡分析：基准研究

数据集获取

源站：https://doi.org/10.5281/zenodo.17066339

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 2.48 GB。

数据说明

论文：经典机器学习与深度学习模型在稳健脑肿瘤检测中的权衡分析：一项基准研究。代码详情：请参阅GitHub仓库获取代码和使用说明：https://github.com/yangzi334/BrainTumorClassification 在Zenodo上传的内容：- 主要数据 主要原始数据集（Brain tumor data.rar） 清洗后的主要原始数据集（brain tumor binary data.zip） 将“清洗后的主要原始数据集”按0.7、0.15、0.15的比例划分后，生成了“train.zip”、“validataion.zip”、“test.zip”。- 跨数据集 跨域原始数据（brain tumor cross-domain data.zip） 清洗后的跨域数据（brain tumor cross-domain binary data.zip） 注：在数据预处理步骤中，在我们生成“brain tumor external data.zip”之前，我们首先使用phash算法将跨域源数据（brain tumor external raw.zip）中的全部图像与主要数据中的训练图像（train_folder.zip）进行比较，任何视觉上相同或几乎相同的图像都将从跨数据集中移除。详细信息可在GitHub中的“check image leakage.ipynb”中找到。

训练模型：SVN_HOG_new.zip best_svm_hog_model.pkl — 使用HOG特征训练的最终支持向量机（SVM）模型。ResNet18.zip best_resnet18_overall.pth — 具有最佳整体验证性能的最终微调resnet18模型权重。best_resnet18_run1.pth — 第1次运行的resnet18最佳检查点。best_resnet18_run2.pth — 第2次运行的resnet18最佳检查点。best_resnet18_run3.pth — 第3次运行的resnet18最佳检查点。Vit_B_16_new.zip best_vit_overall.pth — 具有最佳整体验证性能的最终微调ViT-B/16模型权重。best_vit_run1.pth — 第1次运行的ViT-B/16最佳检查点。best_vit_run2.pth — 第2次运行的ViT-B/16最佳检查点。best_vit_run3.pth — 第3次运行的ViT-B/16最佳检查点。SimCLR.zip best_simclr_overall.pth — 具有最佳整体验证性能的最终微调simclr模型权重。best_simclr

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。