universitytehran/MRI-GBM-MET

MRI-GBM-MET数据集是一个包含90名人类受试者的轴向脑部MRI扫描集合，这些受试者被诊断为胶质母细胞瘤（GBM）或脑转移瘤（MET）。该数据集旨在支持医学图像分类、诊断研究和多模态评估任务。所有受试者级别的诊断标签均经过组织病理学确认（术后活检或切除），并完全独立于放射学掩模。数据集包括由经过认证的神经放射科医生进行的像素级专家注释，用于识别包含病变的切片。数据集提供四种配置：完整体积序列、包含专家注释病变的全帧轴向切片、从ROISlices中裁剪的局部病变区域视图，以及不包含任何注释病变的切片作为阴性对照。关键统计信息包括：总受试者90名（45名胶质母细胞瘤，45名脑转移瘤），总切片4,091张图像（T1CE MRI 2,199张，T2 MRI 1,892张），每名受试者序列长度中位数为20张切片（范围15-160），每名受试者ROI切片中位数T1CE为8张，T2为11张。技术规格包括所有图像为.jpg格式，文件命名约定为slice_{index}.jpg，文件名在配置间保持一致，并遵循完整性规则：总切片数等于ROISlices计数加NonROI计数。The MRI-GBM-MET dataset is a collection of axial brain MRI scans from 90 human subjects diagnosed with either Glioblastoma (GBM) or Brain Metastasis (MET). It is designed to support medical image classification, diagnostic research, and multimodal evaluation tasks. All subject-level diagnostic labels are histopathologically confirmed (post-surgical biopsy or resection) and are completely independent of radiological masks. The dataset includes pixel-level expert annotations from board-certified neuroradiologists used to identify lesion-containing slices. Four distinct configurations are provided for each subject and modality (T1CE and T2): FullVolume (complete axial sequence), ROISlices (full-frame axial slices containing the expert-annotated lesion), ROICrops (localized views of the lesion area cropped from ROISlices with a standardized margin), and NonROI (slices that do not contain any annotated lesion as a negative control). Key statistics include: total subjects 90 (45 Glioblastoma, 45 Brain Metastasis), total slices 4,091 images (T1CE MRI: 2,199 slices, T2 MRI: 1,892 slices), median sequence length per subject of 20 slices (range 15–160), and median ROI slices per subject: T1CE 8 slices, T2 11 slices. Technical specifications include all images in .jpg format, naming convention as slice_{index}.jpg, filenames aligned across configurations, and integrity rule: Total Slices (FullVolume) = ROISlices count + NonROI count.

原始信息汇总

• 数据集名称: MRI-GBM-MET（Brain MRI Dataset: GBM vs. MET）
• 提供者: University of Tehran
• 任务: 图像分类
• 语言: 英文
• 数据规模: 1K < n < 10K
• 标签: medical, radiology, brain-mri
• 数据集总览: 包含来自90名人类受试者的轴向脑部MRI扫描图像（45例胶质母细胞瘤GBM，45例脑转移瘤MET），所有诊断标签均经组织病理学确认（术后活检或切除），且与放射学掩膜完全独立，数据集包含经认证神经放射科医生提供的像素级专家标注，用于识别包含病变的切片。
• 配置: 每个受试者/模态（T1CE和T2）提供四种配置：
  • FullVolume: MRI扫描时获取的完整轴向序列。
  • ROISlices: 包含专家标注病变的全帧轴向切片。
  • ROICrops: 从ROISlices中裁剪的病变区域局部视图，带有标准化边缘。
  • NonROI: FullVolume中不包含任何标注病变的切片（阴性对照）。
• 关键统计:
  • 总受试者数: 90 (45 GBM, 45 MET)
  • 总切片数: 4,091张 .jpg 格式图像
    • T1CE MRI: 2,199张
    • T2 MRI: 1,892张
  • 每受试者序列长度: 中位数20张（范围15–160）
  • 每受试者ROI切片数:
    • T1CE: 中位数8张
    • T2: 中位数11张
• 技术规格与元数据:
  • 格式: 所有图像均为 .jpg 格式
  • 命名规则: 文件命名为 slice_{index}.jpg，{index} 表示原始扫描中的绝对全局序列位置
  • 一致性: 文件名在各配置间对齐（例如，若病变位于切片10，则对应的图像 slice_009.jpg 会出现在 FullVolume、ROISlices 和 ROICrops 中）
  • 完整性规则: 对于任何受试者序列：Total Slices (FullVolume) = ROISlices count + NonROI count
• 下载量（上月）: 16
• 总文件大小: 302 MB

搜集汇总

数据集介绍

构建方式

MRI-GBM-MET数据集精心构建于90位经组织病理学确诊的脑肿瘤患者，涵盖胶质母细胞瘤与脑转移瘤各45例。数据源自每位受试者的轴位脑部MRI扫描，包含T1加权对比增强（T1CE）与T2加权两种模态。为确保诊断金标准，所有标签均基于术后活检或切除组织的病理结果，与影像分割掩膜完全独立。在预处理层面，由委员会认证的神经放射学专家进行像素级病灶标注，并据此衍生出四种数据配置：完整序列的FullVolume、包含病灶的ROISlices、病灶局部裁剪的ROICrops以及无病灶的NonROI。各配置间文件名保持严格对齐，便于多维度分析。

使用方法

研究者可直接利用此数据集进行二分类任务，区分胶质母细胞瘤与脑转移瘤。典型使用流程包括：通过加载FullVolume配置获取完整序列，利用ROISlices或ROICrops集中分析病灶区域以提升模型特异性，或借助NonROI作为负样本增强鲁棒性。由于切片文件名在各配置间一一对应，便于构建配对训练策略，例如使用ROISlices训练分类器并在NonROI上验证假阳性率。数据集以标准JPEG格式存储，兼容PyTorch的ImageFolder等常用加载工具，可无缝集成至医疗影像分析管线。

背景与挑战

背景概述

脑肿瘤的精准诊断是神经肿瘤学与医学影像分析领域的核心挑战之一，其中胶质母细胞瘤（GBM）与脑转移瘤（MET）的鉴别尤为关键，因其治疗方案与预后截然不同。MRI-GBM-MET数据集由国际研究团队于近年构建，旨在为这两种常见脑恶性肿瘤的二分类任务提供标准化基准。该数据集包含90名经病理金标准确诊的受试者（45例GBM与45例MET），采用轴向T1CE与T2加权MRI序列，并提供了全容积、感兴趣区域切片、裁剪病灶与无病灶切片四类配置，强化了多模态与多尺度分析的适用性。依托专家标注的病灶标签，该数据集支撑基于影像组学与深度学习的分类模型开发，已成为评估脑肿瘤自动诊断算法可靠性的关键验证平台，推动了临床决策支持系统的革新。

当前挑战

本领域当前面临的首要技术壁垒在于对GBM与MET的鉴别，两者在MRI上可呈现高度相似的强化形态与周围水肿特征，传统放射科医生诊断的变异性与主观性催生了对稳定自动化方法的迫切需求。数据集构建过程中亦需直面多重挑战：一是严格的病理金标准获取，所有标签依赖术后组织学确认，限制了样本扩张速度；二是医学影像标注的专业性，需经认证神经放射学家逐层标示病灶区域，耗时且依赖专家资源；三是序列长度异质性（15至160切片）与不同MRI序列间配准误差的消除，要求设计鲁棒的数据预处理与归一化流程。此外，类别平衡设计虽保障了公平训练，但样本量（90例）对深度学习泛化能力构成潜在制约，易引发过拟合与分布偏移风险。

常用场景

经典使用场景

在神经肿瘤学与医学影像分析的交汇领域，MRI-GBM-MET数据集提供了一套精良的标准，用于区分两种极具侵略性的脑部病变——胶质母细胞瘤（GBM）与脑转移瘤（MET）。其核心应用场景聚焦于基于轴向MRI序列的二分类任务，通过T1加权对比增强（T1CE）与T2加权双模态影像，推动深度学习模型在病灶识别与分类范式中的演进。研究者可借助其丰富的配置形态——全容积、感兴趣区切片、局部裁剪及阴性对照片段，在保持像素级病理标注的前提下，系统性地评估模型对局灶性病变的响应能力与泛化性能。这一设计不仅强化了数据集的诊断导向，更使其成为跨机构、跨设备影像标准化研究的理想平台。

解决学术问题

在脑肿瘤影像学研究中，GBM与MET的术前鉴别因影像学特征高度相似而长期困扰临床诊断。MRI-GBM-MET数据集通过提供组织病理学确认的金标准标签，直接回应了这一精细分类挑战，显著推动了计算机辅助诊断系统在区分原发性与继发性脑恶性肿瘤方面的可信度。其关键学术贡献在于具备完全独立于放射学蒙版的诊断标签，这避免了传统监督学习中的部分偏差循环。同时，阴性切片（NonROI）的引入，为研究模型在无病灶背景下的判别噪声与假阳性控制提供了独特的基准。该数据集的多配置结构进一步支撑了注意力机制、多实例学习及全域先验建模等前沿理论的实证验证。

实际应用

在临床转化与医疗健康链路中，MRI-GBM-MET数据集的实际应用覆盖了从辅助诊断到治疗规划的多重环节。基于该数据集开发的分类器可集成到临床影像工作流中，作为二次阅片工具，辅助放射科医生快速筛查疑似病例，尤其适用于繁忙的急诊与多学科会诊场景。其ROICrops配置能够引导模型聚焦于病变核心区域，协助术前风险分层，为手术切除范围或放射治疗靶区的确定提供参考。此外，该数据对非病损切片的结构化记录，有助于提升模型在实际部署环境中的假阳性抑制能力，从而降低误诊率，成为推动智能影像系统从实验室环境迈向真实临床应用的可靠基石。

数据集最近研究

最新研究方向

在当前脑肿瘤精准诊疗的前沿领域，MRI-GBM-MET数据集为胶质母细胞瘤与脑转移瘤的影像学鉴别诊断提供了关键支撑。伴随多模态MRI与深度学习技术的深度融合，该数据集通过提供全容积、病灶感兴趣区域及阴性对照等多层级配置，驱动了基于注意力机制的肿瘤分割与分类模型的发展。近期研究热点聚焦于利用大规模预训练模型与小样本学习策略，在有限受试者队列中提升判别稳健性，尤其结合病理金标准标签与放射组学特征挖掘，助力非侵入性肿瘤分型与治疗反应预测。这一数据集的发布有效弥补了公开脑MRI数据中术后验证标签与标准序列对齐的缺口，对推动临床辅助诊断系统的可信度与泛化能力具有示范意义。