从MRI扫描的分割与分类
包含胶质母细胞瘤MRI扫描的分割与分类数据，用于诊断和生存预测。
基本信息
资源简介
从MRI扫描的分割与分类
【一句话概览】
该数据集源站标题为“Segmentation and Classification from MRI Scans”，原始描述称其提出一种用于胶质母细胞瘤诊断和增强生存预测的新型深度学习框架，工作流从数据收集开始，并在预处理阶段应用中值滤波进行改进。源站标签为图像处理、数据处理，分类为图像处理，许可为 CC BY 4.0。文件数为 1，文件合计大小 131.3 MB（来源 figshare，CC BY 4.0 许可）。
【数据集背景】
本数据集源站标题为《Segmentation and Classification from MRI Scans》。源站首次发布：2025-05-03。
【数据内容】
源站原始描述：This research proposes a novel deep-learning framework for Glioblastoma diagnosis and enhanced survival prediction. The proposed workflow starts with the collection of data, which is then improved during pre-processing by applying a median filter
中文译文（机器翻译，仅供快速理解，请以原文为准）：本研究提出了一种用于胶质母细胞瘤诊断和增强生存预测的新型深度学习框架。所提出的工作流程从数据收集开始，随后在预处理阶段通过应用中值滤波器对数据进行改进。
【数据结构与技术规格】
文件数 1 个，合计 131.28 MB。数据集 DOI：10.6084/m9.figshare.28925246.v1。
【主题与分类】
源站学科分类：Image processing。主题标签：Image processing Data processing。
【适用方向】
影像类数据可用于医学图像分析模型（检测、分割、分类）的训练与评测，也可用于标注质量与成像参数相关性的研究。
【获取与许可】
源站页面：https://figshare.com/articles/dataset/_b_Segmentation_and_Classification_from_MRI_Scans_b_/28925246
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Yamarthi, Dr. Narasimha Rao (2025). Segmentation and Classification from MRI Scans. figshare. 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：<b>Segmentation and Classification from MRI Scans</b>
- DOI：10.6084/m9.figshare.28925246.v1
- 发布日期：2025-05-03
- 文件数：1 个
- 文件总体积：131.28 MB
- 源站页面：https://figshare.com/articles/dataset/_b_Segmentation_and_Classification_from_MRI_Scans_b_/28925246
命令行下载
curl -L -o "Ranjani.rar" "https://ndownloader.figshare.com/files/54165956"
文件清单
Ranjani.rar（131.28 MB）
文件总体积 131.28 MB（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
This research proposes a novel deep-learning framework for Glioblastoma diagnosis and enhanced survival prediction. The proposed workflow starts with the collection of data, which is then improved during pre-processing by applying a median filter.
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.6084/m9.figshare.28925246.v1（source: https://figshare.com/articles/dataset/_b_Segmentation_and_Classification_from_MRI_Scans_b_/28925246）。
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。
