从人类视觉皮层跨线索重建感知到的3D物体结构
研究关注人脑如何从不同深度线索构建共享的 3D 感知结构，通过将 fMRI 响应解码为预训练 3D 点云自编码器的潜在特征，并由生成器映射回点云，从而把跨线索的 3D 结构外化为显式 3D 物体
基本信息
资源简介
从人类视觉皮层跨线索重建感知到的3D物体结构
该数据集名为“Cross-cue reconstruction of perceived 3D object structure from human visual cortex”，来源为 openneuro.org，本站归类于神经系统疾病 / 其他。数据集围绕人脑如何从不同深度线索构建共享的 3D 感知结构这一问题展开，通过将 fMRI 响应解码为预训练 3D 点云自编码器的潜在特征，并由生成器映射回点云，从而把跨线索的 3D 结构外化为显式 3D 物体。数据集包含 5 名被试，模态为 mri，涉及 3dNaturalObjectsTrain、3dContourMatchedRDSV2、3dNaturalObjectsTest、3dContourMatchedRDSV1、3dArtificialObjectsRDS、3dArtificialObjectsImage 等任务。发布时间为 2026-05-12，许可为 CC0，DOI 为 doi:10.18112/openneuro.ds007792.v1.0.1。
【数据集背景】
人类大脑能够从性质不同的深度线索中组装出三维感知，但大脑所构建的、在不同线索之间共享的感知 3D 结构一直难以被直接测量。该数据集对应的研究旨在展示这种线索不变的 3D 结构可以从人脑活动中被外化为显式的 3D 物体。其核心思路是：将 fMRI 响应解码为预训练 3D 点云自编码器的潜在特征，再通过生成器把这些特征映射回点云。研究中，一个仅在 2D 渲染物体响应上训练的解码器通过了三项日益严格的测试。相关预印本信息为 https://www.biorxiv.org/content/10.64898/2026.06.08.730830。
【数据内容】
数据集模态为 mri，包含 5 名被试。任务包括 3dNaturalObjectsTrain、3dContourMatchedRDSV2、3dNaturalObjectsTest、3dContourMatchedRDSV1、3dArtificialObjectsRDS、3dArtificialObjectsImage。主题标签为 mri。数据集英文名称为 Cross-cue reconstruction of perceived 3D object structure from human visual cortex。源站描述中提供了摘要信息，说明 fMRI 响应被解码为预训练 3D 点云自编码器的潜在特征，并由生成器映射回点云，从而将跨线索的 3D 结构外化为显式 3D 物体。关于数据的具体文件结构、样本量、图像数量、体素数量等更细粒度的内容，源站未提供。
【采集与来源】
数据来源站为 openneuro.org，DOI 为 doi:10.18112/openneuro.ds007792.v1.0.1。采集模态为 mri，被试数为 5。发布时间为 2026-05-12。作者包括 Shuntaro C. Aoki、Reo Tsukasa、Shiyun Yang、Misato Tanaka、Eizaburo Doi、Tomohiro Nakamura、Jun-Kai Ho、Yukiyasu Kamitani。关于采集设备、扫描参数、实验地点、伦理审批信息等，源站未提供。
【适用场景】
该数据集适用于研究人脑如何从不同深度线索构建共享的 3D 感知结构，以及如何将 fMRI 响应解码为 3D 点云自编码器的潜在特征并重建为显式 3D 物体。其任务设计涵盖自然物体与人工物体的训练和测试，以及轮廓匹配的 RDS 条件，可用于考察跨线索重建的泛化能力。本站分类为神经系统疾病 / 其他，因此也可能在神经系统疾病相关的脑活动解码与表征研究中作为参考数据使用。关于具体可支持的疾病类型或临床适用性，源站未提供。
【使用方法】
源站描述中提及，研究将 fMRI 响应解码为预训练 3D 点云自编码器的潜在特征，并通过生成器映射回点云。数据集包含训练与测试任务，例如 3dNaturalObjectsTrain 与 3dNaturalObjectsTest，以及 3dContourMatchedRDSV1、3dContourMatchedRDSV2、3dArtificialObjectsRDS、3dArtificialObjectsImage 等条件。使用者可依据这些任务划分进行解码与重建分析。关于具体的数据加载方式、预处理流程、软件工具、代码仓库或运行参数，源站未提供。
【质量与限制】
数据集来自 openneuro.org，采用 CC0 许可，DOI 为 doi:10.18112/openneuro.ds007792.v1.0.1，被试数为 5。源站描述中强调，仅在 2D 渲染物体响应上训练的解码器通过了三项日益严格的测试，这提示该数据集在跨线索重建方面具有特定设计。但关于数据质量评估、信噪比、缺失数据、伪影、样本代表性、泛化边界等具体限制，源站未提供。
【引用与许可】
该数据集许可为 CC0。DOI 为 doi:10.18112/openneuro.ds007792.v1.0.1。作者为 Shuntaro C. Aoki、Reo Tsukasa、Shiyun Yang、Misato Tanaka、Eizaburo Doi、Tomohiro Nakamura、Jun-Kai Ho、Yukiyasu Kamitani。预印本链接为 https://www.biorxiv.org/content/10.64898/2026.06.08.730830。引用时应使用上述 DOI 与作者信息。关于具体的引用格式、版本更新记录或附加条款，源站未提供。
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://openneuro.org/datasets/ds007792
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:
数据集大小约 151.27 GB。
数据说明
OpenNeuro dataset ds007792. Modalities: mri. BIDS-standardized neuroimaging dataset (MRI/EEG/MEG/PET).
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。
需要用于商业化训练或医疗器械注册（NMPA/FDA）？
公开数据往往缺乏完整的病理回证与专家标注。千方医数集依托陕川双基地与超十家三甲医院直连，提供完全合规、去标识化、支持注册级质控的专病数据集交易服务。
