PREDICT-GBM

PREDICT-GBM数据集来源于对真实患者数据的分析，旨在提高胶质瘤治疗计划的制定。该数据集包含来自Klinikum Rechts Der Isar的mpMRI影像数据库、Río Hortega大学医院胶质oblastoma数据集和LUMIERE数据集中的255名患者的派生数据。数据包括派生的脑组织图、术前脑面具和作为NIfTI图像的术前和随访检查的肿瘤分割。

原始信息汇总

数据集概述：PREDICT-GBM

数据集描述

• 来源：基于真实患者数据的分析，旨在优化胶质瘤治疗规划
• 数据构成：包含255名患者的衍生数据
• 数据来源：
  • Klinikum Rechts Der Isar医院的mpMRI影像数据库
  • Río Hortega大学医院胶质母细胞瘤数据集
  • LUMIERE数据集
• 数据类型：
  • 衍生脑组织图谱
  • 术前脑部掩模
  • 术前和随访检查的肿瘤分割结果（NIfTI格式影像）

预期用途

• 主要应用：胶质母细胞瘤生长建模
• 特别用途：利用复发分割结果评估生长模型
• 相关资源：处理流程见https://github.com/BrainLesion/PredictGBM

数据结构

• 格式：NIfTI衍生数据
• 时间点：两个时间点
  1. 术前
  2. 随访（至少间隔12周）

许可信息

• 许可证类型：MIT License

引用信息

• 当前状态：即将发布（Citation: Soon.）

搜集汇总

数据集介绍

构建方式

PREDICT-GBM数据集源自多中心真实患者数据的整合分析，其构建基于Klinikum Rechts Der Isar的mpMRI影像数据库、Río Hortega大学医院胶质母细胞瘤数据集及LUMIERE数据集的三方联合。通过提取255例患者的术前脑组织图谱、脑掩膜及肿瘤分割标签，并严格遵循至少12周间隔的术前与随访双时间点设计，所有数据均以NIfTI格式标准化存储，确保了多模态影像数据的时空一致性。

特点

该数据集的核心特点在于其专注于胶质母细胞瘤生长建模的纵向研究需求，提供术前与随访期的高质量肿瘤分割标注，尤其包含复发区域的精细分割标签。数据涵盖多机构来源的多样化临床样本，既保留了真实世界的异质性，又通过统一的NIfTI格式和严格时间间隔控制保障了数据可比性，为肿瘤生长动力学研究提供了稀缺的时序影像支持。

使用方法

使用者可通过配套开源工具链（https://github.com/BrainLesion/PredictGBM）实现数据加载与模型评估流程标准化。该数据集主要应用于胶质母细胞瘤生长模型的训练与验证，尤其支持基于随访期复发分割的模型性能评估。研究人员需遵循NIfTI数据处理规范，利用术前影像与分割数据构建预测模型，并通过随访期数据量化肿瘤生长预测的准确性。

背景与挑战

背景概述

PREDICT-GBM数据集诞生于神经肿瘤学精准医疗研究背景下，由Klinikum Rechts Der Isar医院、Río Hortega大学医院和LUMIERE项目组联合构建，专注于胶质母细胞瘤的生长建模研究。该数据集整合了255例真实患者的多参数磁共振影像数据，通过提供术前与随访期的脑组织图谱和肿瘤分割结果，为肿瘤生长动力学研究提供了关键数据支撑，显著推动了个体化治疗策略的发展。

当前挑战

该数据集核心挑战在于解决胶质母细胞瘤异质性生长模式的可解释性建模问题，需克服肿瘤边界模糊、随访期影像配准误差等难题。数据构建过程中面临多中心影像协议差异、随访时间窗一致性控制以及脑组织分割算法泛化性等工程技术挑战，这些因素共同增加了高质量肿瘤生长标注数据的获取难度。

常用场景

经典使用场景

在神经肿瘤学研究领域，PREDICT-GBM数据集被广泛应用于胶质母细胞瘤生长模型的构建与验证。研究者利用其包含的术前与随访期多模态MRI衍生数据，通过计算模型模拟肿瘤的空间扩展模式，尤其关注肿瘤复发区域的形态学变化规律，为理解肿瘤演进机制提供量化依据。

衍生相关工作

基于该数据集衍生的经典工作包括：BrainLesion团队开发的开源建模管道PredictGBM，实现了从影像预处理到生长模拟的全流程分析；多项研究将其与反应-扩散模型结合，建立了肿瘤细胞密度与MRI信号的量化映射关系；还有工作探索了机器学习方法与物理模型的融合，提升了复发时间预测的准确性。

数据集最近研究

最新研究方向

在神经肿瘤影像分析领域，PREDICT-GBM数据集正推动多模态磁共振成像在胶质母细胞瘤生长建模中的前沿应用。该数据集整合了来自欧洲多家医疗中心的真实患者数据，为研究肿瘤时空演化规律提供了关键支撑。当前研究热点集中于利用其术前与随访期影像数据开发人工智能驱动的预后预测模型，这些工作不仅深化了对肿瘤异质性的理解，更为个性化治疗方案的制定提供了量化依据。相关成果已通过开源分析管道促进学术协作，显著提升了脑胶质瘤疗效评估的精准医学研究水平。