SCLEROSIS, ISBI 2015, ljubljana, MICCAI 2008, MICCAI 2016, HEALTHY, KIRBY, OASIS-3

该数据集包含多种MRI图像，用于自动诊断多发性硬化症。具体包括：SCLEROSIS数据集有109张图像；ISBI 2015挑战数据集，包含21张图像，用于纵向多发性硬化症病变分割；ljubljana数据集，30张图像，仅用于训练；MICCAI 2008数据集，51张图像，用于国际医学影像与计算机辅助干预会议的多发性硬化症病变分割挑战；MICCAI 2016数据集，15张图像，仅用于训练；HEALTHY数据集，21张健康图像；KIRBY数据集，42张图像，用于多模态MRI可重复性资源；OASIS-3数据集，即将提供。This dataset comprises a variety of MRI images intended for the automated diagnosis of multiple sclerosis. Specifically, it includes: the SCLEROSIS dataset with 109 images; the ISBI 2015 challenge dataset, containing 21 images for longitudinal multiple sclerosis lesion segmentation; the ljubljana dataset, with 30 images, exclusively for training; the MICCAI 2008 dataset, with 51 images, used for the multiple sclerosis lesion segmentation challenge at the International Conference on Medical Image Computing and Computer-Assisted Intervention; the MICCAI 2016 dataset, with 15 images, solely for training; the HEALTHY dataset, with 21 healthy images; the KIRBY dataset, with 42 images, utilized for multimodal MRI reproducibility resources; and the OASIS-3 dataset, which will be available soon.

原始信息汇总

数据集概述

数据集内容

• SCLEROSIS: 109张图像
• ISBI 2015: 21张图像，训练集5名患者，测试集14名患者
• ljubljana: 30张图像，仅训练集，30名患者
  • 人口统计特征:
    • 年龄
    • 性别（7名男性，23名女性）
    • 多发性硬化类型（复发缓解型24例，临床孤立综合征2例，原发性进展型1例，继发性进展型2例，无诊断1例）
• MICCAI 2008: 51张图像，训练集20名患者，测试集25名患者，无标注特征
• MICCAI 2016: 15张图像，仅训练集，15名患者
  • 人口统计特征:
    • 年龄
    • 性别（7名男性，8名女性）
• HEALTHY: 21张图像
• KIRBY: 42张图像，训练集21名患者
  • 人口统计特征:
    • 年龄
    • 性别（10名男性，11名女性）
• OASIS-3: 即将提供

数据集下载说明

• ISBI 2015: 注册并访问此处下载
• ljubljana: 访问此处下载
• MICCAI 2008: 注册并下载此处
• MICCAI 2016: 注册并下载此处
• KIRBY: 下载此处
• OASIS-3: 注册并下载此处

数据集预处理协议

• 预处理步骤:
  • 图像刚性注册到T1空间
  • 注册到MNI模板
  • 各向异性滤波
  • 颅骨剥离
  • 偏置场校正（强度不均匀性校正）

数据集准备步骤

1. 执行build_directory.py构建输入输出图像的文件夹结构
2. 下载图像并解压至相应文件夹
3. 执行change_extensions.py将图像转换为.nii.gz格式
4. 执行create_json.py创建包含图像路径的数据字典
5. 执行main.py进行图像预处理
6. 执行Manipulating_data.py处理JSON数据，构建测试/训练集（75%-25%分割），考虑健康和MS患者各50%

搜集汇总

数据集介绍

构建方式

该数据集的构建基于多个公开的多发性硬化症（MS）和健康对照的磁共振成像（MRI）数据集，包括SCLEROSIS、ISBI 2015、ljubljana、MICCAI 2008、MICCAI 2016、HEALTHY、KIRBY和OASIS-3。通过NicMsLesions工具对MRI图像进行预处理，支持T1、T2和FLAIR三种模态的图像。数据集的构建过程包括图像的刚性配准、MNI模板配准、各向异性滤波、颅骨剥离以及偏置场校正等步骤，最终生成可用于分类和分割算法的预处理图像。

特点

该数据集涵盖了多发性硬化症患者和健康对照的MRI图像，提供了丰富的临床特征，如年龄、性别和疾病类型（如复发缓解型、原发进展型等）。数据集中的图像经过严格的预处理流程，确保了数据的质量和一致性。此外，数据集支持JSON格式的元数据管理，能够灵活地处理多个数据集，并为算法开发提供了标准化的输入格式。

使用方法

使用该数据集时，首先需通过build_directory.py脚本构建文件夹结构，并将下载的图像解压到相应目录。随后，使用change_extensions.py脚本将图像转换为nii.gz格式，并通过create_json.py生成包含图像路径的JSON字典。最后，运行main.py进行图像预处理，并通过manipulating_data.py对JSON数据进行处理，生成训练和测试集。整个过程确保了数据的标准化和可重复性，适用于多发性硬化症病灶分类和分割算法的开发与验证。

背景与挑战

背景概述

SCLEROSIS数据集及其相关数据集（如ISBI 2015、MICCAI 2008、MICCAI 2016等）是专门为多发性硬化症（MS）病变分类和分割算法研究而构建的医学影像数据集。这些数据集由多个国际研究机构和会议（如ISBI、MICCAI）共同创建，涵盖了不同时间段的MRI影像数据，旨在为医学影像分析提供标准化的预处理基础。数据集的核心研究问题在于通过T1、T2和FLAIR模态的MRI影像，实现对多发性硬化症病变的精确分割与分类。这些数据集在医学影像领域具有重要影响力，推动了多发性硬化症诊断和治疗技术的进步。

当前挑战

SCLEROSIS数据集在解决多发性硬化症病变分割问题时面临诸多挑战。首先，病变区域的多样性和复杂性使得精确分割变得困难，尤其是在病变边缘模糊或病变区域较小的情况下。其次，不同MRI模态之间的数据对齐和配准问题增加了数据预处理的复杂性。在数据集构建过程中，研究人员还需应对数据标注的准确性问题，尤其是在缺乏专家标注的情况下。此外，数据集的多样性和规模有限，可能限制了深度学习模型的泛化能力。这些挑战共同构成了该数据集在医学影像分析领域中的核心难题。

常用场景

经典使用场景

该数据集广泛应用于多发性硬化症（MS）病灶的分类与分割算法的开发与验证。通过提供T1、T2和FLAIR三种模态的MRI图像，研究人员能够利用这些数据进行病灶的精确识别与分割，进而推动医学影像分析领域的发展。

衍生相关工作

基于该数据集，许多经典的研究工作得以展开，如基于深度学习的病灶分割算法、多模态影像融合技术以及病灶进展预测模型。这些工作不仅推动了多发性硬化症研究的前沿，还为其他神经退行性疾病的影像分析提供了重要参考。

数据集最近研究

最新研究方向

近年来，多发性硬化症（MS）的影像学研究在医学影像领域取得了显著进展，尤其是在病灶分类与分割算法的应用上。SCLEROSIS、ISBI 2015、MICCAI 2008和MICCAI 2016等数据集为研究者提供了丰富的MRI图像资源，涵盖T1、T2和FLAIR等多种模态。这些数据集不仅支持纵向研究，还为深度学习模型的训练与验证提供了标准化数据。当前研究热点集中在基于深度学习的病灶自动分割技术，尤其是结合多模态影像数据的融合方法，以提高分割精度和鲁棒性。此外，数据预处理技术的优化，如颅骨剥离和偏置场校正，也成为提升算法性能的关键。这些研究不仅推动了MS诊断的自动化进程，还为个性化治疗方案的制定提供了重要依据。