Brats2021数据集下载与预处理完整指南：从数据获取到实战应用

共计 2480 个字符，预计需要花费 7 分钟才能阅读完成。

Brats2021 是脑肿瘤分割领域的标杆数据集，包含多模态 MRI 扫描和专家标注的肿瘤分割标签。但官方下载需要注册认证、数据分散在多个压缩包（总计约 300GB），传统手动下载和预处理方式效率极低。下面分享我们团队打磨的自动化解决方案，帮你跳过这些繁琐步骤。

一、自动化下载实现

官方数据托管在 Sage Bionetworks 平台，需通过 API 认证。这个 Python 脚本自动完成登录和分片下载：

import requests
from pathlib import Path

def download_brats2021(save_dir: Path, username: str, password: str):
    """
    自动化下载 Brats2021 完整数据集
    :param save_dir: 数据保存目录
    :param username: SageBionetworks 账号
    :param password: 对应密码
    """
    # 创建会话并认证
    session = requests.Session()
    auth_url = "https://www.synapse.org/Portal/authenticate"
    try:
        resp = session.post(auth_url, json={"email":username, "password":password})
        resp.raise_for_status()

        # 获取数据包列表（实际需替换为真实 API 端点）packages = session.get("https://api.synapse.org/brats2021/packages").json()

        for pkg in packages:
            file_path = save_dir / pkg['name']
            # 断点续传实现
            if file_path.exists():
                continue

            with session.get(pkg['url'], stream=True) as r:
                r.raise_for_status()
                with open(file_path, 'wb') as f:
                    for chunk in r.iter_content(chunk_size=8192):
                        f.write(chunk)
    except Exception as e:
        print(f"下载失败: {str(e)}")
        # 清理不完整文件
        if 'file_path' in locals() and file_path.exists():
            file_path.unlink()

关键优化点：

• 使用会话保持降低认证开销
• 流式下载避免内存爆炸
• 自动跳过已下载文件

二、DICOM 到 NIFTI 格式转换

医学影像常用 DICOM 格式，但深度学习更适用 NIFTI。用 SimpleITK 处理：

import SimpleITK as sitk

def convert_dicom_to_nifti(dicom_dir: Path, output_path: Path):
    """
    将 DICOM 序列转换为 NIFTI 文件
    :param dicom_dir: 包含 DICOM 文件的目录
    :param output_path: 输出的.nii.gz 路径
    """
    reader = sitk.ImageSeriesReader()
    dicom_names = reader.GetGDCMSeriesFileNames(str(dicom_dir))
    reader.SetFileNames(dicom_names)

    try:
        image = reader.Execute()
        # 统一方向编码（重要！）image = sitk.DICOMOrient(image, "RAS")
        sitk.WriteImage(image, str(output_path))
    except RuntimeError as e:
        print(f"转换失败: {str(e)}")

避坑提示：

1. 必须检查方向标识（DICOM 的方位标签可能不统一）
2. 多模态数据需保持空间对齐

三、标准化预处理流程

使用 MONAI 库构建预处理流水线：

from monai.transforms import Compose, LoadImaged, AddChanneld, Spacingd, ScaleIntensityRanged

def get_preprocess_pipeline():
    return Compose([LoadImaged(keys=["image", "label"]),
        AddChanneld(keys=["image", "label"]),  # 添加通道维度
        Spacingd(keys=["image", "label"], 
            pixdim=(1.0, 1.0, 1.0),  # 重采样到 1mm 各向同性
            mode=("bilinear", "nearest")  # 图像用插值，标签用最近邻
        ),
        ScaleIntensityRanged(keys=["image"], 
            a_min=-200, 
            a_max=200,  # 根据实际数据分布调整
            b_min=0.0, 
            b_max=1.0
        )
    ])

四、实战避坑指南

1. 速率限制：
2. 添加 time.sleep(1) 控制请求频率

3. 使用代理 IP 池应对 IP 封锁

4. 空间管理：

   import shutil
   
   total, used, free = shutil.disk_usage("/")
   if free < 500 * 1024**3:  # 小于 500GB 时预警
       raise RuntimeError("磁盘空间不足，请清理后再试")

5. 元数据处理：

6. 备份原始 DICOM 头信息（包含扫描参数）
7. 特别注意 PixelSpacing 和SliceThickness

五、方案迁移与扩展

这套方法可快速适配其他数据集：

1. 替换认证方式和 API 端点
2. 调整预处理参数（如 ScaleIntensityRanged 的范围）
3. 多模态融合示例：

   # 假设已加载 T1 和 T2 图像
   combined = torch.stack([t1_image, t2_image], dim=0)  # shape=(2,H,W,D)

完整代码已开源在 GitHub（虚构链接），包含更多错误处理和日志功能。实际使用时建议配合 Luigi 或 Airflow 构建自动化流水线，这对处理大规模医学影像数据特别重要。