BraTS 2021脑肿瘤分割数据集介绍

这篇具有很好参考价值的文章主要介绍了BraTS 2021脑肿瘤分割数据集介绍。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

一、背景介绍

BraTS 2021脑肿瘤分割数据集介绍

脑肿瘤分割挑战赛(brain tumor segmentation challenge,BraTS Chanllenge)是国际医学图像计算和计算机辅助干预协会(Medical Image Computing and Computer Assisted Intervention Society,MICCAI)所有比赛中历史最悠久的,已经连续办了10年,是医学图像处理领域最热门的比赛之一。

2017年及之后的每届挑战赛均包含三个数据集,分别是训练集(Traning data)、验证集(Validation data)和测试集(Test data)

可以通过官方渠道和Kaggle下载训练集的图像和标签、验证集的图像,地址在文末。验证集标签不公开,但可以在官方平台上传推理结果,平台自动打分。测试集仅在比赛时间内向选手开放下载。

表1 BraTS挑战赛历年数据规模

年份

总病例数

训练集病例数

验证集病例数

测试集病例数

2012

50

35

15

2013

60

35

25

2014

238

200

38

2015

274

200

74

2016

391

200

191

2017

477

285

46

146

2018

542

285

66

191

2019

626

335

125

166

2020

660

369

125

166

2021

2040

1251

219

570

二、数据描述

BraTS每个病例包含四个模态的磁共振成像(Magnetic Resonance Imaging,MRI),每个模态的维度为240×240×155(L×W×H)

四种模态:

  1. T1

T1成像,利于观察解剖结构,病灶显示不够清晰

  1. T1ce

在受试者做磁共振之前向血液内注射造影剂,使成像中血流活跃的区域更加明显,是增强肿瘤的重要判据

  1. T2

T2成像,病灶显示较为清晰,判断整颗肿瘤

  1. FLAIR

T2压水像(抑制脑脊液的高信号),含水量大则更亮眼,可以判断瘤周水肿区域

BraTS 2021脑肿瘤分割数据集介绍
图片来自BraTS2021_00068号样本

三、标签描述

label 0:背景(background)

label 1:坏死肿瘤核心(necrotic tumor core,NCR)

label 2:瘤周围水肿区域(peritumoral edema,ED)

label 4:增强肿瘤(enhancing tumor,ET)

BraTS 2021脑肿瘤分割数据集介绍

比赛要求按区域进行分割,最终需识别出三个子区域:整颗肿瘤(包括label1、2、4)、肿瘤核心(包括label1、4)以及增强肿瘤(只包括label4)

四、评价指标

赛会官方给出了两个评价指标,dice分数和豪斯多夫距离。其中,Dice分数比豪斯多夫距离更重要。

  1. Dice分数

衡量两个集合的重合程度,是判断预测区间与Ground truth符合程度的主要指标

BraTS 2021脑肿瘤分割数据集介绍

公式为:

BraTS 2021脑肿瘤分割数据集介绍

  1. Hausdorff距离(HD95)

度量两个点集间的距离,判断预测边缘与真实边缘的差距

BraTS 2021脑肿瘤分割数据集介绍

公式为:

BraTS 2021脑肿瘤分割数据集介绍

五、相关链接

a. 官网链接:BraTS Continuous Evaluation

注册后可下载BraTS 2021 Traning data的图像和标签以及Validation data中的图像。详情请点击链接,有详细的参加教程。

b. Kaggle:BRaTS 2021 Task 1 Dataset

注册后可下载BraTS 2021 Traning data的图像和标签

c. 赛会原论文:The RSNA-ASNR-MICCAI BraTS 2021 Benchmark on Brain Tumor Segmentation and Radiogenomic Classification文章来源地址https://www.toymoban.com/news/detail-439319.html

到了这里,关于BraTS 2021脑肿瘤分割数据集介绍的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 基于Pytorch深度学习的脑肿瘤分类识别(文末送书)

    🤵‍♂️ 个人主页:@艾派森的个人主页 ✍🏻作者简介:Python学习者 🐋 希望大家多多支持,我们一起进步!😄 如果文章对你有帮助的话, 欢迎评论 💬点赞👍🏻 收藏 📂加关注+ 目录 实验背景 实验目的 实验环境 实验过程 1.加载数据 2.训练模型 3.模型评估 源代码 文末

    2024年02月12日
    浏览(39)
  • RCS-YOLO快速高精度的用于脑肿瘤检测的目标检测模型学习实践

    最近看到了一篇有意思的论文,讲的是开发应用于医疗领域内的肿瘤检测的快速高精度的目标检测模型,论文地址在这里,如下所示:   凭借速度和准确性之间的良好平衡,尖端的YOLO框架已成为最有效的算法之一用于对象检测。然而,使用YOLO网络的性能很少在脑肿瘤检测中

    2024年02月14日
    浏览(33)
  • 计算机视觉-02-基于U-Net的肝脏肿瘤分割(包含数据和代码)

    关注公众号:『 AI学习星球 』 回复: 肝脏肿瘤分割 即可获取数据下载。 需要 论文辅导 、 4对1辅导 、 算法学习 ,可以通过 CSDN 或 公众号 滴滴我 1.1 简介 该任务分为三个阶段,这是第一个阶段,三个阶段分别是: 第一阶段分割出腹部图像中的肝脏,作为第二阶段的ROI(r

    2024年02月03日
    浏览(31)
  • UNet-肝脏肿瘤图像语义分割

    目录 一. 语义分割 二. 数据集 三. 数据增强 图像数据处理步骤 CT图像增强方法 :windowing方法 直方图均衡化 获取掩膜图像深度 在肿瘤CT图中提取肿瘤 保存肿瘤数据  四. 数据加载 数据批处理 ​编辑​编辑 数据集加载   五. UNet神经网络模型搭建          单张图片预测图

    2024年02月04日
    浏览(64)
  • 论文推荐:基于联合损失函数的多任务肿瘤分割

    以FFANet为主干,加入分类的分支,将模型扩展为多任务图像分割框架,设计了用于分类和分割的联合损失函数。 1、FFANet和分割分支 FFANet作为骨干网络,作为对VoVNet的重新设计和优化,FFANet在骨干网中加入了残差连接,使VoVNet可以学习更多的特性。设计了一种特殊的特征融合

    2023年04月23日
    浏览(30)
  • 【3-D深度学习:肺肿瘤分割】创建和训练 V-Net 神经网络,并从 3D 医学图像中对肺肿瘤进行语义分割研究(Matlab代码实现)

     💥💥💞💞 欢迎来到本博客 ❤️❤️💥💥 🏆博主优势: 🌞🌞🌞 博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。 ⛳️ 座右铭: 行百里者,半于九十。 📋📋📋 本文目录如下: 🎁🎁🎁 目录 💥1 概述 📚2 运行结果 🎉3 参考文献 🌈4 Matlab代码实现 使用

    2024年02月15日
    浏览(33)
  • 使用 Monai 和 PyTorch 预处理 3D Volumes以进行肿瘤分割

    针对在使用传统图像处理工具时可能遇到的困难,深度学习已成为医疗保健领域的主要解决方案。 因为医学图像比标准图像更难处理(高对比度、人体的广泛变化……)深度学习用于分类、对象检测,尤其是分割任务。 在分割方面,深度学习用于分割人体器官,如肝脏、肺

    2023年04月11日
    浏览(47)
  • 超经典!分割任务数据集介绍。

    在探索网络的过程中,比较基础和重要的工作是了解数据,今天来总结下我目前使用过的分割任务数据集。本博文将详细介绍基础数据集 : IRSTD-1k(Infrared Small Target Detection,最大的真实红外弱小目标单帧检测数据集,支持二分类语义分割); Pascal VOC2012(TPattern Analysis, Statical

    2024年02月08日
    浏览(34)
  • 「大数据集群的搭建和使用」背景知识:大数据Hadoop生态圈介绍

    目录 一、Hadoop简介 二、Hadoop的运行模式 1. 单机模式 2. 伪分布式模式 3. 完全分布式模式 三、Hadoop生态圈组件 1. HDFS 2. MapReduce 3. YARN 4. Hive 5. Pig 6. HBase 7. HCatalog 8. Avro 9. Thrift 10. Drill 11. Mahout 12. Sqoop 13. Flume 14. Ambari 15. Zookeeper 四、Hadoop优缺点 五、Hadoop学习路径 hadoop = MapReduce+

    2024年02月03日
    浏览(34)
  • CSS 圆形分割按钮动画 带背景、图片

     

    2024年02月01日
    浏览(35)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包