Brats2018数据集下载与预处理全指南：从获取到实战应用

1次阅读

共计 2142 个字符，预计需要花费 6 分钟才能阅读完成。

Brats2018（Multimodal Brain Tumor Segmentation Challenge 2018）是医学影像分析领域最具影响力的公开数据集之一，专门针对脑胶质瘤（最常见的中枢神经系统恶性肿瘤）分割任务设计。该数据集包含 285 例多模态 MRI 扫描（210 例高级别胶质瘤 HGG 和 75 例低级别胶质瘤 LGG），每例数据包含 T1、T1 增强、T2 和 FLAIR 四种模态的 3D 图像，以及专家标注的肿瘤区域标签。因其数据质量高、标注权威且任务具有临床意义，已成为深度学习在医学影像领域研究的基准测试集。

访问官方报名页面填写注册信息
登录后从数据下载页获取下载链接
使用 wget 批量下载（示例）：

wget -O Brats2018.zip "https://ipp.cbica.upenn.edu/download?token=YOUR_TOKEN"
unzip Brats2018.zip

Kaggle 镜像更稳定快速：

kaggle datasets download -d awsamuel/brats2018
unzip brats2018.zip -d ./Brats2018

HGG（高级别胶质瘤）：生长迅速，边界模糊，对应 WHO III-IV 级
LGG（低级别胶质瘤）：生长缓慢，边界较清晰，对应 WHO I-II 级

模态类型	临床意义	文件命名后缀
Native T1	解剖结构显示	_t1.nii.gz
T1CE (对比增强)	肿瘤活性区域识别	_t1ce.nii.gz
T2	水肿区域检测	_t2.nii.gz
FLAIR	肿瘤浸润区域界定	_flair.nii.gz

!pip install SimpleITK antspyx numpy nibabel

import ants

def n4_correction(img_path):
    img = ants.image_read(img_path)
    corrected = ants.n4_bias_field_correction(img)
    return corrected

# 示例：校正 FLAIR 图像
flair_path = "Brats2018/HGG/Brats18_TCIA01_131_1/Brats18_TCIA01_131_1_flair.nii.gz"
corrected_img = n4_correction(flair_path)

import SimpleITK as sitk

def normalize_resample(input_img, target_spacing=[1.0, 1.0, 1.0]):
    # 重采样
    resampler = sitk.ResampleImageFilter()
    resampler.SetOutputSpacing(target_spacing)
    resampler.SetInterpolator(sitk.sitkLinear)
    resampled = resampler.Execute(input_img)

    # 标准化
    stats = sitk.StatisticsImageFilter()
    stats.Execute(resampled)
    normalized = (resampled - stats.GetMean()) / stats.GetStd()
    return normalized

import numpy as np

def random_rotate_3d(image, label, max_angle=15):
    angle = np.random.uniform(-max_angle, max_angle, 3)
    image = sitk.Euler3DTransform(image, angle.tolist())
    label = sitk.Euler3DTransform(label, angle.tolist())
    return image, label

DICOM 转换错误：
使用 dcm2niix 工具转换：dcm2niix -z y -o output_dir input_dicom
内存不足：
分块处理大体积数据
使用内存映射读取：nibabel.load(img_path, mmap=True)
文件权限问题：
Linux/Mac 下使用：chmod -R 755 Brats2018

aria2c -x 16 -s 16 "https://example.com/large_file.zip"

from multiprocessing import Pool

def process_case(case_path):
    # 预处理逻辑
    pass

with Pool(processes=4) as pool:
    pool.map(process_case, case_paths)