基于fMRI的无先兆偏头痛神经标志物数据集
基于230名受试者静息态fMRI数据，通过机器学习识别无先兆偏头痛的神经标志物，可用于诊断及治疗反应评估。
基本信息
资源简介
基于fMRI的无先兆偏头痛神经标志物数据集
【数据集背景】
本数据集源站标题为《Data from: An fMRI-based neural marker for migraine without aura》。
【数据内容】
源站原始描述：Objective: To identify and validate a functional magnetic resonance imaging (fMRI)-based neural marker for migraine without aura (MwoA) and examine its association with treatment response. Methods: Cross-sectional studies with resting-state fMRI data from 230 participants and machine learning analyses were conducted. In Studies 1-3, we identified, cross-validated, independently validated, and cross-sectionally validated an fMRI-based neural marker for MwoA. In Study 4, we assessed the relationsh…
中文译文（机器翻译，仅供快速理解，请以原文为准）：目的：识别并验证一种基于功能磁共振成像（fMRI）的无先兆偏头痛（MwoA）神经标志物，并检验其与治疗反应的关系。方法：开展了横断面研究，使用230名参与者的静息态fMRI数据及机器学习分析。在研究1-3中，我们识别、交叉验证、独立验证并横断面验证了一种基于fMRI的MwoA神经标志物。在研究4中，我们评估了该神经标志物与在一项注册临床试验中接受4周针灸治疗的偏头痛患者治疗反应之间的关系。结果：在研究1（n = 116）中，我们识别出一种神经标志物，其在视觉网络、默认模式网络、感觉运动网络和额顶网络内存在异常功能连接，能够以93%的灵敏度和89%的特异度区分偏头痛患者与健康对照（HCs）。在研究2（n = 38）中，我们通过将该标志物应用于一个独立的偏头痛患者和HCs队列，考察了其泛化性，并达到84%的灵敏度和特异度。在研究3（n = 76）中，我们用偏头痛患者及其他慢性疼痛障碍（慢性下背痛和纤维肌痛）的新数据集验证了该标志物的特异性，并证明其区分偏头痛患者与非偏头痛患者的灵敏度为78%、特异度为76%。在研究4（n = 116）中，我们发现，在接受真针灸治疗时，该标志物反应的变化与头痛频率的变化显著相关。结论：我们识别出一种基于fMRI的神经标志物，其能够捕捉MwoA的独特特征，并可将疾病模式变化与脑变化联系起来。
【数据结构与技术规格】
数据集 DOI：doi:10.5061/dryad.2f82381。
【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://doi.org/10.5061/dryad.2f82381
使用许可：https://spdx.org/licenses/CC0-1.0.html。
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
源站：https://datadryad.org/dataset/doi:10.5061/dryad.2f82381
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。
