Angelou0516/RHUH-GBM

RHUH-GBM数据集是来自西班牙Rio Hortega大学医院的脑胶质母细胞瘤纵向多参数MRI（mpMRI）数据集，包含40名患者，每个患者有三个时间点的扫描：术前、术后早期（<72小时）和复发随访。数据包括T1、T1CE、T2、FLAIR和ADC序列，并提供专家手动校正的肿瘤亚区分割标签（背景、坏死、瘤周区域、增强肿瘤）。数据集以NIfTI格式发布，已进行颅骨剥离和配准到SRI24图谱，适用于3D多类肿瘤分割任务。RHUH-GBM is a longitudinal multi-parametric MRI (mpMRI) dataset of glioblastoma patients from Rio Hortega University Hospital in Spain, comprising 40 patients with scans at three timepoints per patient: preoperative, early postoperative (<72 hours), and follow-up at recurrence. It includes T1, T1CE, T2, FLAIR, and ADC sequences, along with expert-validated tumor sub-region segmentations (background, necrosis, peritumoral region, enhancing tumor). The dataset is released in NIfTI format, skull-stripped and co-registered to the SRI24 atlas, suitable for 3D multi-class tumor segmentation tasks.

搜集汇总

数据集介绍

构建方式

RHUH-GBM数据集源自西班牙里奥·奥尔泰加大学医院，收录了40名胶质母细胞瘤患者（WHO IV级）的纵向多参数磁共振成像（mpMRI）数据。每位患者在术前、早期术后（<72小时）及复发随访三个时间点各采集一次影像，共形成120个研究时点。影像序列涵盖T1、T1增强、T2、FLAIR及ADC五种模态，共计600个体积数据。所有NIfTI格式图像均经过颅骨剥离并与SRI24图谱配准。肿瘤亚区分割掩膜先由DeepMedic卷积神经网络初始化，再由两位神经外科专家逐例审查与手动修正，确保标注精准无误。

特点

该数据集的核心特色在于其纵向设计，提供了术前、术后及复发期三个关键治疗节点的图像与分割标注，弥补了现有数据集仅包含术前影像的不足。肿瘤亚区采用坏死区、瘤周水肿区与增强肿瘤区三分类体系，并兼容BraTS标准的全肿瘤、肿瘤核心与增强肿瘤评价区域。值得注意的是，分割掩膜中增强肿瘤的标签值为3而非BraTS通常采用的4，使用时应特别注意。此外，数据集中所有图像与掩膜共享完全相同的空间网格与仿射矩阵，无需额外配准或重采样。

使用方法

使用时，研究者可依据数据集提供的subjects_manifest.json文件获取每个研究时点的五模态图像路径及对应分割掩膜路径，避免直接依赖文件名通配，因为存在少数文件命名不规范的个例（如RHUH-0035/2的分割文件名为segmentation.nii.gz）。多数研究时点的图像体积为240×240×155体素，但RHUH-0028/0的尺寸略有不同，建议逐例读取空间维度。输入模型时可仿照BraTS惯例，将T1、T1CE、T2、FLAIR及ADC序列沿通道维度堆叠，形成多通道三维输入，用于训练多类肿瘤亚区分割模型。

背景与挑战

背景概述

胶质母细胞瘤（GBM）作为最具侵袭性的原发性脑肿瘤，其术后早期复发监测与精准分割对临床决策至关重要。RHUH-GBM数据集由西班牙Rio Hortega大学医院于2023年创建，由Cepeda等神经影像学专家主导，汇集了40例患者的纵向多参数MRI扫描，涵盖术前、早期术后（<72小时）及复发随访三个关键时间点。该数据集的核心创新在于提供了经两位神经外科医生手动校正的肿瘤亚区分割标签，并采用SRI24模板配准与颅骨去除预处理，弥补了现有胶质瘤数据集（如BraTS）仅聚焦术前单时间点的不足。作为癌症影像档案库（TCIA）收录的公开资源，RHUH-GBM为纵向肿瘤演化建模、术后残留检测及复发预测等研究提供了标准化基准，显著推动了胶质母细胞瘤影像组学的发展。

当前挑战

该数据集所解决的领域问题集中于胶质母细胞瘤术后与复发阶段的自动化分割挑战：传统算法在术后空腔识别、非增强信号异常与增强肿瘤区分、以及纵向时间点间解剖结构形变下鲁棒性不足。构建过程中面临的挑战包括：需在三个时间点对每位患者进行严格配准以保证空间一致性；术后早期扫描因手术创伤导致肿瘤区域形态剧变，专家手动分割需反复修正CNN初始预测；部分病例存在影像体积的非均匀性（如RHUH-0028/0为230×230×138），要求加载器动态读取而非硬编码形状；此外，单个文件命名异常（如RHUH-0035/2的掩膜文件缺失前缀）增加了数据解析难度。这些挑战共同构成了纵向肿瘤分割研究的核心技术瓶颈。

常用场景

经典使用场景

RHUH-GBM数据集专为脑胶质母细胞瘤的多参数磁共振成像（mpMRI）纵向分割任务而构建，其经典使用场景聚焦于肿瘤亚区域的精准分割。相较于仅包含术前扫描的传统数据集（如BraTS），该数据集独特地提供了每位患者在术前、早期术后（<72小时）及复发随访三个时间点的完整影像与专家修正的掩膜，使得研究者能够系统性地追踪肿瘤在治疗干预下的动态演变。这一特性使其成为开发与评估纵向肿瘤分割算法的黄金标准，尤其适用于那些需要同时处理术后腔隙、残余肿瘤及复发灶等复杂解剖变化的深度学习模型。

衍生相关工作

依托RHUH-GBM的纵向特性，学术界已衍生了多项具有代表性的研究工作。其一，基于该数据集，研究者开发了时序感知的深度分割网络，如引入循环或注意力机制以建模肿瘤在术前-术后-复发时间轴上的形态变异，显著提升了跨时间点分割的一致性。其二，该数据被广泛用作迁移学习的预训练基础，用于改善其他单时间点或异质性队列中的分割性能。其三，结合临床预后数据，RHUH-GBM催生了结构化的影像标志物研究，通过提取多时间点的亚区域体积变化率与纹理特征，构建了预测无进展生存期和复发风险的机器学习模型，为精准预后评估开辟了新路径。

数据集最近研究

最新研究方向

当前，胶质母细胞瘤的纵向多参数MRI研究正聚焦于治疗前后肿瘤动态演变的精准量化与预测。RHUH-GBM数据集独特地提供了术前、早期术后及复发三个关键时间点的专家校正分割掩码，填补了现有公开数据集（如BraTS）仅有术前影像的空白。这一资源推动了术后残留评估、复发监测及治疗反应预测等前沿方向的发展，尤其有助于开发能够应对手术腔、水肿及增强病灶形态剧烈变化的鲁棒分割算法。伴随多模态影像与时间序列信息的整合，该数据集为构建临床可用的自动化诊疗工具奠定了重要基础，在神经肿瘤学及医学影像分析领域具有深远意义。