CrossMoDA前庭神经鞘瘤分割
Vestibular Schwannoma Segmentation Challenge 面向神经纤维瘤病及相关临床研究，提供公开可访问的图像数据、标注或队列信息，适合用于图像分割、疾病表型分层、结构测量、风险预测和医学AI模型基准测试。
基本信息
资源简介
CrossMoDA前庭神经鞘瘤分割
【一句话概览】
该挑战提出首个无监督跨模态域适应医学影像基准，实现从对比增强T1到高分辨率T2的迁移。目标是分割前庭神经鞘瘤随访与治疗规划涉及的两个关键脑结构：肿瘤与耳蜗。对比增强T1 MRI常用于前庭神经鞘瘤分割，而近期工作表明高分辨率T2可成为可靠、更安全且成本更低的替代方案。因此，该挑战旨在高分辨率T2扫描上自动完成前庭神经鞘瘤与耳蜗分割。训练源集与目标集分别为非配对的标注对比增强T1与未标注高分辨率T2扫描（来源 crossmoda.grand-challenge.org）。
【数据集背景】
本数据集源站标题为《Cross-Modality Domain Adaptation Image Segmentation - 2021》。
【数据内容】
源站原始描述：This challenge proposes the first medical imaging benchmark of unsupervised cross-modality Domain Adaptation approaches (from contrast-enhanced T1 to high-resolution T2). The goal of the challenge is to segment two key brain structures involved in the follow-up and treatment planning of vestibular schwannoma (VS): the tumour and the cochlea. While contrast-enhanced T1 (ceT1) Magnetic Resonance Imaging (MRI) scans are commonly used for VS segmentation, recent work has demonstrated that high-resol…
中文译文（机器翻译，仅供快速理解，请以原文为准）：该挑战提出了首个无监督跨模态域适应方法（从对比增强T1到高分辨率T2）的医学影像基准。挑战的目标是分割与前庭神经鞘瘤（VS）随访和治疗计划相关的两个关键脑结构：肿瘤和耳蜗。虽然对比增强T1（ceT1）磁共振成像（MRI）扫描常用于VS分割，但近期研究表明，高分辨率T2（hrT2）成像可能是ceT1的一种可靠、更安全且成本更低的替代方案。因此，我们提出了一项无监督跨模态挑战（从ceT1到hrT2），旨在自动在hrT2扫描上执行VS和耳蜗分割。训练源集和目标集分别为未配对的已标注ceT1扫描和未标注的hrT2扫描。
【主题与分类】
主题标签：vestibular schwannoma、cochlea、brain、MRI、ceT1、hrT2、domain adaptation、image segmentation、unsupervised。
【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://crossmoda.grand-challenge.org/
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://crossmoda.grand-challenge.org/
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
Vestibular Schwannoma Segmentation Challenge 是与神经纤维瘤病相关的公开数据集，包含图像数据，可用于图像分割、表型识别、疾病评估或算法验证。
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。
