UCSF术前弥漫性胶质瘤MRI数据集
包含500名弥漫性胶质瘤患者的术前MRI及遗传数据，用于肿瘤分割、放射基因组学和生存预测研究。
基本信息
资源简介
UCSF术前弥漫性胶质瘤MRI数据集
【一句话概览】
BraTS 挑战赛迎来十周年，2021 年由 RSNA、ASNR 与 MICCAI 联合组织。该挑战赛使用多机构术前基线多参数磁共振成像（mpMRI）扫描，重点评估两项任务：任务一为 mpMRI 扫描中内在异质性脑胶质母细胞瘤子区域的分割，任务二为预测 MGMT 启动子甲基化状态的分类方法。参与者可自由选择仅专注于其中一项任务或同时参与两项任务（来源 med.upenn.edu）。
【数据集背景】
本数据集源站标题为《RSNA-ASNR-MICCAI Brain Tumor Segmentation (BraTS) Challenge 2021》。
【数据内容】
源站原始描述：The Brain Tumor Segmentation (BraTS) challenge celebrates its 10th anniversary, and this year is jointly organized by the Radiological Society of North America (RSNA), the American Society of Neuroradiology (ASNR), and the Medical Image Computing and Computer Assisted Interventions (MICCAI) society. The RSNA-ASNR-MICCAI BraTS 2021 challenge utilizes multi-institutional pre-operative baseline multi-parametric magnetic resonance imaging (mpMRI) scans, and focuses on the evaluation of state-of-the-…
中文译文（机器翻译，仅供快速理解，请以原文为准）：脑肿瘤分割（BraTS）挑战赛迎来其十周年，今年由北美放射学会（RSNA）、美国神经放射学会（ASNR）以及医学图像计算与计算机辅助介入学会（MICCAI）联合举办。RSNA-ASNR-MICCAI BraTS 2021挑战赛利用了多机构术前基线多参数磁共振成像（mpMRI）扫描，重点评估（任务1）在mpMRI扫描中分割内在异质性脑胶质母细胞瘤亚区的最先进方法。此外，BraTS 2021挑战赛还聚焦于（任务2）分类方法的评估，以预测MGMT启动子甲基化状态。参与者可自由选择仅专注于一项任务或同时参与两项任务。
【主题与分类】
主题标签：Brain Tumor、Glioma、Glioblastoma、MRI、mpMRI、Segmentation、Classification、MGMT promoter methylation、Radiogenomics、Neuroimaging。
【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://www.med.upenn.edu/cbica/brats2021/
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。
暂未开放有偿下载
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
源站：https://www.med.upenn.edu/cbica/brats2021/
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 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。
- OpenDataLab:
数据说明
该数据集由加州大学旧金山分校创建，包含500名2-4级弥漫性胶质瘤患者的术前MRI数据，采用统一的3T MRI协议，包括扩散和灌注成像，以及肿瘤遗传数据和治疗/生存数据。主要用于推动AI在弥漫性胶质瘤研究中的应用，特别是在肿瘤分割、放射基因组学和生存预测等领域。
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。
