---
title: aal_stats_vol
canonical_url: "https://www.modelscope.cn/datasets/Genius-Society/aal_stats_vol"
md_url: "https://www.modelscope.cn/datasets/Genius-Society/aal_stats_vol.md"
repository: Genius-Society/aal_stats_vol
chinese_name: "脑区自动解剖学标记数据集"
last_updated: 2026-08-06
license: "MIT License"
storage_size: "866 MB"
domain:
  - scientific-computing
tasks:
  - biomedicine
size_scale:
  - 100-10k
downloads: 709
stars: 21
---

# aal_stats_vol

> aal_stats_vol - Genius-Society 在 ModelScope 开源的数据集。AAL（自动解剖标签）统计体积数据集提供了基于 AAL 图谱的全面的脑体积测量集合。它涵盖了从结构磁共振成像（MRI）扫描中得出的脑区域的统计信息。研究人员通常利用这个数据集进行与神经影像学、神经科学和脑结构分析相关的研究。AAL…

Genius-Society/aal_stats_vol 是 ModelScope 魔搭社区上的biomedicine数据集，涉及 scientific-computing 领域，存储大小 866 MB，采用 MIT License 许可。

- **Repository**: Genius-Society/aal_stats_vol
- **License**: MIT License
- **Tasks**: biomedicine
- **Domain**: scientific-computing
- **Storage size**: 866 MB
- **Downloads**: 709
- **Stars**: 21
- **Last updated**: 2026-08-06

Source: https://www.modelscope.cn/datasets/Genius-Society/aal_stats_vol

---

# 简介
AAL (自动解剖标签) 统计体积数据集提供了基于 AAL 图谱的全面的脑体积测量集合。它涵盖了从结构磁共振成像 (MRI) 扫描中得出的脑区域的统计信息。研究人员通常利用这个数据集进行与神经影像学、神经科学和脑结构分析相关的研究。AAL 统计体积数据集在推动我们对脑解剖学的理解方面发挥着关键作用，支持自动化脑区域识别和体积分析算法的开发与评估。凭借其丰富的来自不同个体的体积数据，该数据集为旨在表征人群间脑结构变化的研究提供了宝贵的资源，并促进了神经科学研究的进展。

## 数据结构
|      ID      | Precentral_L |             ...             | Temporal_Inf_R |  标签   |
| :----------: | :----------: | :-------------------------: | :------------: | :-----: |
| Data_*_brain |     int      | 算上左右总计90列 (90 lines) |      int       | boolean |

## 数据预览
<https://www.modelscope.cn/datasets/Genius-Society/aal_stats_vol/dataPeview>

## 使用
:modelscope-code[]{type="sdk"}

## 维护
#### 跳过大文件
```bash
GIT_LFS_SKIP_SMUDGE=1 
```

:modelscope-code[]{type="git"}

## 镜像
<https://huggingface.co/datasets/Genius-Society/aal_stats_vol>

## 原数据内容
### 附件
1. 原始数据;
2. 压缩包;
3. 中间产物;
4. 含有 csv 输出数据的源代码.

### 实现目标的步骤
1. 颅骨剥离：从原始 MRI 图像中提取大脑;
2. 组织分割：将大脑分割成白质、灰质和脑嵴液 (CSF);
3. 注册：将标准空间注册到本机空间;
4. 测量 (使用掩模): 使用生成的掩模，测量 90 个感兴趣区域的体积;
5. 分类：为了填写 shell 脚本并运行它们，需要编写 Python 脚本来训练模型并使用提供的测试数据集进行测试.

### 分类详情
1. 如果在此之前一切顺利，将获得一个大小为 50 x 90 的矩阵：这意味着有 50 个样本，每个样本有 90 个特性 (卷);
2. 数据集：40 次培训和 10 次测试;
3. 训练：输入分类器来训练模型;
4. 测试：测试模型并提供结果.

## 致谢
 - [Chapter II - Classifying AD patients and normal controls from brain images](https://github.com/Genius-Society/medical_image_computing/blob/ad/README.md)

<div style="display:none">