RSNA-ASNR-MICCAI BraTS 2021

RSNA-ASNR-MICCAI BraTS 2021数据集是由宾夕法尼亚大学医学中心生物医学图像计算与分析中心等机构创建，专注于脑肿瘤分割与放射基因组分类。该数据集包含2040名患者的2040例多机构多参数磁共振成像（mpMRI）数据，用于评估计算算法对肿瘤分区的评估以及肿瘤分子特征的预测。数据集内容包括T1、T1增强、T2和T2-FLAIR序列，所有图像均经过标准化预处理，包括DICOM到NIfTI的转换、模板配准、重采样和颅骨剥离。数据集的应用领域主要集中在自动化肿瘤子区域分割和MGMT启动子甲基化状态分类，旨在提高临床治疗规划和肿瘤生长监测的效率。

RSNA-ASNR-MICCAI BraTS 2021 Dataset was developed by the Center for Biomedical Image Computing and Analytics at the University of Pennsylvania Medical Center and other institutions, with the core focus on brain tumor segmentation and radiogenomic classification. This dataset contains 2040 sets of multi-institutional multiparametric magnetic resonance imaging (mpMRI) data from 2040 unique patients, serving as a benchmark for evaluating computational algorithms in tumor regional segmentation and the prediction of tumor molecular characteristics. The dataset includes T1-weighted, T1-weighted contrast-enhanced, T2-weighted, and T2-FLAIR imaging sequences. All images have been processed via standardized preprocessing workflows, including DICOM-to-NIfTI format conversion, template registration, resampling, and skull stripping. Its primary application scenarios lie in automated tumor subregion segmentation and MGMT promoter methylation status classification, with the goal of enhancing the efficiency of clinical treatment planning and tumor growth monitoring.

搜集汇总

数据集介绍

构建方式

在神经影像学领域，精准的脑胶质瘤分割与分子特征分析对临床诊疗至关重要。RSNA-ASNR-MICCAI BraTS 2021数据集通过整合来自多机构的2040例患者术前多参数磁共振成像（mpMRI）数据构建而成，涵盖T1、T1Gd、T2及T2-FLAIR四种模态。数据预处理包括格式转换、空间配准、分辨率标准化及颅骨剥离，确保影像质量一致。肿瘤子区域标注采用基于STAPLE融合算法的自动化初分割，随后由经验丰富的神经放射学专家进行人工精细化修订与审核，最终形成包含增强肿瘤、坏死核心及瘤周水肿的三类标签体系。

特点

该数据集以其规模宏大与标注严谨著称，共包含8000个mpMRI扫描，为迄今同类数据中最为全面的脑胶质瘤影像资源之一。其多模态影像数据源自多样化的临床设备与协议，充分体现了真实世界数据的异质性，有助于提升算法的泛化能力。数据集不仅提供精细的肿瘤子区域分割标签，还附有O6-甲基鸟嘌呤-DNA甲基转移酶（MGMT）启动子甲基化状态的分子标签，实现了影像特征与基因表型的关联。此外，数据严格划分为训练、验证与测试集，遵循机器学习评估范式，保障模型比较的公平性与科学性。

使用方法

研究者可通过官方平台获取数据，针对分割任务利用训练集影像及对应标签开发算法，并在验证集上进行初步性能评估。分类任务则需结合影像特征提取与机器学习方法，预测MGMT甲基化状态。最终测试需通过容器化提交至Sage Bionetworks Synapse（任务一）或Kaggle（任务二）平台进行盲评。使用中需遵循挑战规则，禁止引入额外数据训练排名模型，但允许在学术研究中注明补充数据以进行扩展分析。该数据集为脑肿瘤影像分析提供了标准化基准，推动分割与分类算法的创新与临床转化。

背景与挑战

背景概述

在神经影像学与计算肿瘤学交叉领域，脑胶质瘤的精准分割与分子特征预测是提升临床诊疗水平的关键。RSNA-ASNR-MICCAI BraTS 2021数据集由北美放射学会、美国神经放射学会及医学图像计算与计算机辅助干预学会联合发起，标志着该系列挑战迎来十周年里程碑。该数据集汇集了来自全球多机构的2040例患者术前多参数磁共振影像，核心研究目标在于推动脑肿瘤亚区自动分割算法与O6-甲基鸟嘌呤-DNA甲基转移酶启动子甲基化状态分类方法的发展。通过构建大规模、高质量且经过专家精细标注的影像数据资源，该数据集为深度学习模型在神经肿瘤影像分析中的泛化能力与鲁棒性评估提供了标准化基准，显著促进了影像组学与人工智能在精准神经肿瘤学中的应用转化。

当前挑战

该数据集致力于解决脑胶质瘤影像分析中的两大核心问题：肿瘤亚区精确分割与MGMT启动子甲基化状态预测，两者均面临严峻挑战。在分割任务中，胶质瘤固有的异质性、边界模糊性以及影像中血管丛、脑室周围白质高信号等相似结构的干扰，导致算法易产生误判。分类任务则需从多模态影像中提取与分子特征关联的微弱生物标记，其信号隐匿且受影像采集协议差异影响。数据构建过程中，多中心影像数据的异质性、不同机构MGMT检测方法与阈值的非标准化，以及专家标注过程中主观差异的协调，均为数据质量控制带来艰巨考验。此外，在严格遵守医疗数据隐私法规的前提下实现大规模数据共享与算法公平评估，亦构成了该数据集在技术与伦理层面的双重挑战。

常用场景

经典使用场景

在神经影像学与计算肿瘤学领域，RSNA-ASNR-MICCAI BraTS 2021数据集为脑胶质瘤的自动分割与分子特征预测提供了标准化的评估基准。该数据集整合了来自多机构的2040例患者的术前多参数磁共振成像（mpMRI）数据，并包含专家精细标注的肿瘤亚区标签及MGMT启动子甲基化状态信息。其经典应用场景在于推动机器学习与深度学习算法在脑肿瘤图像分析中的发展，通过公开竞赛形式，激励全球研究团队开发高精度、鲁棒的自动化分割与分类模型，以应对胶质瘤异质性高、手动标注耗时且主观性强等挑战。

实际应用

在实际临床与科研场景中，BraTS 2021数据集的应用显著提升了脑胶质瘤管理的效率与精准度。其衍生的自动化分割工具可集成于神经放射学工作站，辅助医生快速勾画肿瘤边界，优化手术规划与放疗靶区设计。同时，基于影像的MGMT状态预测模型能为患者提供术前分子分层的参考，减少对侵入性组织活检的依赖，并支持个性化治疗方案的制定。此外，数据集的联邦学习版本（如FeTS平台）促进了多中心协作，在保护患者隐私的前提下，实现了大规模数据的联合建模，增强了算法在多样化临床环境中的泛化能力。

衍生相关工作

BraTS 2021数据集催生了大量经典研究工作，推动了脑肿瘤影像分析领域的算法创新。在分割方面，基于U-Net架构的变体（如nnU-Net）及深度卷积网络（如DeepMedic、DeepScan）通过该数据集的训练与验证，实现了肿瘤亚区的高精度分割，并衍生出多模型融合与半监督学习策略以提升性能。在分类任务中，研究者利用影像组学特征提取与深度学习结合的方法，开发了MGMT状态预测模型，促进了端到端的多任务学习框架发展。此外，数据集还支撑了联邦学习系统的构建（如FeTS工具），为跨机构协作与数据安全共享设立了新范式，并启发了对术后影像分析、多疾病分割等扩展方向的探索。