脑肿瘤

研究采用卷积神经网络，并结合数据增强、模型优化与严格性能评估，同时引入 Self-Expanding Convolutional Neural Networks（SECNNs），在训练中动态调整模型复杂度，以兼顾性能与计算效率

该数据集包含11,148张经过预处理的T1加权对比增强MRI脑部图像，分为胶质瘤、脑膜瘤、垂体瘤和无肿瘤四个类别，按类别存放在子文件夹中，并按80%训练集和20%测试集划分

该数据集面向脑部 MRI 扫描的自动化检测与分类，用于开发和评估机器学习与深度学习模型。数据支持多类分类任务，区分三种常见脑肿瘤与健康（无肿瘤）扫描，并划分为 Train 与 Test 两个主要子集，便于标准化模型训练与性能基准测试

该数据集面向脑部 MRI 扫描的自动化检测与分类，用于开发和评估机器学习与深度学习模型。数据支持多类分类任务，区分三种常见脑肿瘤与健康（无肿瘤）扫描，并划分为 Train 与 Test 两个主要子集，便于标准化模型训练与性能基准测试

Tlemcen-NeuroOncMRI 是阿尔及利亚 Tlemcen 抗癌中心回顾性采集的临床标注多序列脑 MRI 数据集，包含 45 例原发性和继发性脑肿瘤患者的匿名影像，其中原发性脑肿瘤 28 例、继发性脑转移 17 例

该数据集来自 Dryad，聚焦复发性胶质母细胞瘤（GBM）的免疫治疗研究。源站描述显示，研究通过患者来源的原发与复发 GBM 细胞系的多组学分析，将 uPAR 鉴定为 putative 脑肿瘤起始细胞的促瘤标志物及潜在治疗靶点，并发现遗传干扰 uPAR 表达可削弱体外与体内促瘤特性，uPAR CAR

\textbf{FGADR 数据集：}FGADR 数据集由 1,842 张带有像素级病灶标注的眼底图像组成，其中 1,289 张图像用于训练，276 张用于验证，277 张用于测试

该数据集包含10,417张去标识化的单通道灰度脑MRI切片，按病理分为胶质瘤、脑膜瘤、垂体瘤和无肿瘤四类，分别有2,547、2,712、2,658和2,500张图像

该数据集来自CANDO平台的多尺度治疗发现研究，聚焦胶质瘤这一高恶性脑肿瘤。数据包含化合物-蛋白质相互作用评分、用于建模化合物跨靶点行为的排序相似性与共识列表，以及衡量已批准药物在多个截断点和指标下恢复情况的基准测试输出与随机对照比较

仓库根目录提供 data.yaml 与 metadata.csv，并包含 model_weights 目录，存放 Detectron2、DETR、Effici 等多个目标检测框架的预训练与微调权重，可用于脑肿瘤目标检测的训练、评估与可复现研究（来源 f

BRISC 是一个面向脑肿瘤 MRI 的专家标注数据集，提供 T1 加权影像，用于多类脑肿瘤分类与像素级分割。数据集包含经医师验证的像素级掩膜和均衡的多类分类划分，旨在缓解现有公开脑 MRI 数据集中常见的类别不平衡、肿瘤类型有限和标注不一致等问题

评估采用图像级 AUROC 与 AP 作为主要指标，可用于零样本异常检测与异常定位任务的性能评测（来源 DOI 解析，Creative Commons Attr