Cervix93 — 宫颈 Pap 涂片细胞学核点检测基准

INFOBOX — Cervix93 一屏速览

维度	内容
本质	显微镜下宫颈 Pap 涂片细胞学核点检测数据集——不是 cervicography/阴道镜照相，与 Kaggle 宫颈照相类数据集完全不同域（身份澄清见 §0）
团队	Hady Ahmady Phoulady（University of Southern Maine）+ Peter R. Mouton（University of South Florida、SRC Biosciences），仅 2 作者
发布	arXiv:1811.09651（2018-11-23 提交，5 页 6 图）+ GitHub parham-ap/cytology_dataset（2018-11-27 单一 Initial commit 0df8c8f1）
规模	93 个焦平面堆叠（每堆叠 10-20 帧，实测共 1602 帧）+ 93 张 EDF 图（1280×960、40×）+ 2705 个手工核中心点
标签	Bethesda 三分类：Negative (N) 16 / LSIL (L) 46 / HSIL (H) 31 张；train/test = 69/24
标注粒度	仅核中心点坐标（逐图 CSV 两列 x,y 无表头），无边界框、无分割 mask
采集	Moffitt Cancer Center 档案 ThinPrep 巴氏染色涂片，Stereologer 系统 40× 采集，EDF 用 Bradley & Bamford 2004 小波法合成
基准	灰度形态学基线 test F 0.820；论文 CNN test P 0.861 / R 0.895 / F 0.878（榜单最优）；Lu F 0.399、Ushizima F 0.541
许可	未声明（license null，无 LICENSE 文件）——默认版权保留，商用/再分发无授权
获取	GitHub 整仓约 757MB、1794 文件；Issue #1 下载难 0 回复；无官方 HuggingFace 镜像
代码	仓库 codes/ 目录 3 个 MATLAB 文件（评估/基线分割/CNN 测试入口）；CNN 训练代码未开源
引用	Google Scholar 50+（全部引 arXiv 版）；GravityNet（ICPR 2024 Workshops + AIM 2024）在 Cervix93 上继续刷新核检测
状态	主分支 8 年零更新；PR #2（WIP 标注）未合并；论文未正式发表，引用一律写 arXiv 预印本

导语

Cervix93 是一个比它的名字更「小而锋利」的数据集：93 张宫颈 Pap 涂片的显微图像，1280×960 像素，40× 放大，每张图上散布着几十到上百个手工点出的核中心坐标——总共 2705 个点。它的作者只有两个人（Phoulady 与 Mouton），论文只有 5 页，发表在 arXiv 上之后就再也没有正式出现在任何会议或期刊里；但它的 GitHub 仓库被引用了 50 多次，2018 年提出的 CNN 基准（test F 值 0.878）直到 2024 年仍被 GravityNet 等后续工作当作必须逾越的标尺。

它诞生的动机非常朴素：ISBI 2014/2015 重叠细胞分割挑战赛的数据集「标注核数量少、图像变异性低」，不足以评测核检测这个任务。于是作者从 Moffitt Cancer Center 的档案 ThinPrep 涂片里取材，用 SRC Biosciences 的 Stereologer 系统做 40× 显微采集，对每个视野拍下一摞 10-20 张不同焦平面的帧（共 1602 帧），再用小波法合成为 93 张全清晰的 EDF（扩展景深）图，并逐核手工标注中心点。真实染色涂片的聚集、重叠、染色不均，让 ISBI 2014 上表现优异的方法在这里跌得很难看——原版方法从合成图上的 P 0.874/R 0.930 跌到 F 0.734，这组跨数据集退化数字本身就是 Cervix93 最有方法论价值的贡献之一。

对今天的使用者，这条目的三句话结论是：第一，它是库内唯一的 Pap 细胞学核点检测数据集，做核检测基准对比时几乎绕不开；第二，它无 license、无镜像、757MB 单仓、标注只有点，AI-Ready 程度在光谱上偏「原始」；第三，它从未正式发表，引用时只能写 arXiv:1811.09651 预印本，任何编造的会议名都是错误。

读法三则：

• 想快速判断「这数据集跟我有没有关系」：读 INFOBOX 与 §0 导读，一分钟内可以完成身份确认（尤其注意它是细胞学而非宫颈照相）。
• 想下载并跑起来：直接跳 §6 获取与许可、§10 避坑清单——757MB 单仓、无 license、MATLAB 代码这三个坑决定了你的工程量。
• 想引用它或跟它比数字：读 §2 数据构成（93/1602/2705 三个硬数字与 Table 1/2 分布）、§5 基准成绩（含逐项 STD）与 §7 生态（后续 SOTA 接力）。

§0 导读与身份澄清

0.1 这是什么数据集

Cervix93（社区通称，官方论文未命名，仓库名 parham-ap/cytology_dataset，后续文献称 Cervix93 dataset）是一个巴氏涂片细胞学核点检测数据集，包含三样东西：

• 93 个焦平面堆叠（dataset/frameXXX_stack/ 目录，frame000 至 frame092），每堆叠 10-20 张 40× 焦平面帧，实测共 1602 帧、均值 17.2 帧/堆叠；
• 93 张由堆叠经小波法合成的 EDF 全清晰图（dataset/EDF/frameXXX.png），1280×960 像素、40× 放大；
• 2705 个手工标注的核中心点坐标（dataset/EDF/frameXXX.csv，两列 x,y 无表头）。

每张 EDF 图带一个 Bethesda 三分类标签：Negative (N)、LSIL (L)、HSIL (H)，并按 train/test = 69/24 划分。

0.2 身份澄清：细胞学，不是 cervicography

这是本条目最重要的一个澄清。检索「cervix 数据集」时，高频同现的 intel-mobileodt（Kaggle 2021 宫颈照相 TICA 分类）、CRIC、via-cervix 等都是宫颈照相/阴道镜数据集——拍的是宫颈外观。而 Cervix93 是显微镜下的 Pap 涂片细胞学图像：玻片来自 Moffitt Cancer Center 的 ThinPrep 巴氏染色档案涂片，由 Stereologer 系统在 40× 物镜下逐视野采集。三源证据（论文 §2 的采集描述、GitHub 仓库名 cytology_dataset、ICPR 2024 后续论文称 cervical cytology）一致指向细胞学。本条目任务头中的「宫颈显微内镜（cervicography）」措辞不准，一切以三源证据为准。

0.3 目录与导航

• §1 十问十答——最常见问题的速答
• §2 数据构成——93 堆叠/1602 帧/93 EDF/2705 点与 Table 1/2 分布
• §3 采集与 EDF 工艺——Stereologer、Moffitt 玻片、小波法 EDF 合成
• §4 任务定义与标注协议——核点检测任务、标注规则、评估协议细节
• §5 评估协议与基准成绩——基线/CNN/对比方法全部数字与 STD
• §6 获取方式与许可——757MB 单仓、license null、下载难实锤
• §7 学术生态与引用——50+ 引用、GravityNet 接力、PLOS ONE 转引口径
• §8 方法学启示——跨数据集退化、点标注评估、EDF 工艺的可复用经验
• §9 互链条目——库内 7 条互链与重名陷阱（papila 避链）
• §10 避坑清单——10 条坑点逐条给出对策
• FAQ——28 个高频问题
• 事实清单——36 条可核对事实项
• 术语表——26 个关键术语
• 附录 A-G——文件清单、DAIMS 评分、基准数字速查、决策树、时间线、命名陷阱、存照待核

§1 十问十答

Q1：Cervix93 里到底有多少数据？

三组硬数字（三源互证：论文 ↔ README ↔ 实测）：93 个焦平面堆叠，每堆叠 10-20 张帧，实测共 1602 帧（均值 17.2，最少 10 最多 20）；93 张 EDF 图，1280×960 像素、40×；2705 个核中心点。仓库里 PNG 总数实测 1695 张 = 93 EDF + 1602 堆叠帧。注意：第三方清单 openmedlab 写「331 PNG」是不实数字，不要引用。

Q2：类别怎么分的？

按 The Bethesda System 三分类：Negative (N) 16 张、LSIL (L) 46 张、HSIL (H) 31 张，合计 93。划分上 train/test = 69/24，每类别约 25% 进 test，且划分「基于帧所来源的玻片」——同一玻片的帧不会跨 train/test 分布（但玻片总数未披露，见 §2 的存照）。

Q3：标注长什么样？

只有核中心点。每张 EDF 图配一个 CSV（两列 x,y，无表头），每个核一个点坐标。没有边界框、没有核边界、没有细胞质、没有分割 mask。论文原话承诺「In the future, we intend to make the cytoplasm and nucleus boundary annotation available」——8 年过去未兑现，仓库里那个补充标注的 PR #2（Annotations WIP，15 commits、+7606 行）至今 open 未合并。

Q4：train/test 怎么划分的？

69 张 train、24 张 test。Table 1 的堆叠分布（train/test/total 三列口径）：N 12/4/16，L 34/12/46，H 23/8/31。Table 2 的核点分布（同口径）：N 179/59/238，L 1125/411/1536，H 679/252/931，总 1983/722/2705。划分依据是「帧所来源的玻片 + 视觉难度」，每类别约 25% 入 test。

Q5：基线成绩是多少？

论文给了两条主基线（均在 test 集上，指标为 Precision/Recall/F 值 ± 逐图标准差）：灰度形态学基线 P 0.803±0.137 / R 0.838±0.128 / F 0.820；论文提出的 CNN P 0.861±0.095 / R 0.895±0.086 / F 0.878——这是数据集自带榜单的最优成绩。对比方法里 Lu et al. F 0.399、Ushizima et al. F 0.541、Phoulady et al. 2017 原版 F 0.734，全部大幅落后。

Q6：可以商用吗？

严格口径下不可以。 仓库无 LICENSE 文件、GitHub API license 字段为 null——默认版权保留。论文只说 available to the public，没有给出任何授权条款。学术研究引用与链接一般无碍，但商用、再分发、构建镜像都缺授权依据。详见 §6。

Q7：怎么下载？

唯一官方渠道是 GitHub 整仓：约 757MB、1794 个文件（抓取时点 2026-10-04，40 stars/16 forks）。难点实锤：Issue #1「hard to download」（2020-05-12 提出，0 回复至今）——大量小文件让 clone 和 ZIP 都很慢。HuggingFace 无官方镜像。下载策略建议见 §6.3。

Q8：代码是什么语言？能直接跑吗？

仓库 codes/ 目录只有 3 个 MATLAB 文件：EvaluateDetection.m（评估协议实现）、NucleusSegmentation.m（形态学基线）、Test.m（CNN 测试入口）。CNN 的训练代码未开源。没有 Python 入口——想用 Python 复现得自己重写评估协议（<10px 记 TP、每分割区域至多 1 TP 等细节见 §4.3）。

Q9：跟 herlev-pap 是什么关系？

Herlev Pap（库内 herlev-pap/483）是 Pap 细胞学的前辈数据集，但任务是单细胞实例分类（已分割好的单个细胞图像）；Cervix93 是整帧核点检测（原始视野帧上直接找核）。两者常被一起引用构成 Pap 细胞学谱系：ISBI 2014（合成+真实重叠细胞）→ ISBI 2015 → Herlev Pap（单细胞分类）→ Cervix93（整帧核点检测）。同任务互链还有组织学一系的 monuseg、monusac、consep（核分割），详见 §9。

Q10：引用时要注意什么？

三条纪律：第一，论文未正式发表——arXiv:1811.09651（2018-11-23 提交），comments 字段虽写 conference 但无任何正式出版物，Google Scholar 50+ 引用全部引 arXiv 版，引用一律写 arXiv 预印本，不得编造会议/期刊名；第二，仓库文件名是 labels.csv（复数），论文正文写的是 label.csv——写复现细节时按仓库为准；第三，README 里 Negative 拼成了 Nagative，引用标签名时写 N/Negative。PLOS ONE 2023 转引时用了四舍五入口径（recall 86%/precision 89%/F 87%，原值 0.895/0.861/0.878），引用原始数字时注意口径差异。

§2 数据构成

2.1 三层资产：堆叠帧、EDF 图、核点标注

Cervix93 的数据分三层，层层对应：

层	内容	数量	位置	格式
原始层	焦平面堆叠帧（40×，等间距从玻片顶部到底部）	93 堆叠 × 10-20 帧 = 1602 帧（实测）	dataset/frameXXX_stack/	PNG
合成层	EDF 扩展景深全清晰图	93 张	dataset/EDF/frameXXX.png	PNG，1280×960
标注层	核中心点坐标（逐图）	2705 个点	dataset/EDF/frameXXX.csv	CSV，两列 x,y 无表头

PNG 总数 = 93 + 1602 = 1695（实测）。这一数字与 openmedlab 清单所写「331 PNG」冲突，实测以 1695 为准（证伪存照）。

2.2 目录结构

cytology_dataset/
├── dataset/
│   ├── EDF/
│   │   ├── frame000.png          # EDF 合成图，1280×960，40×
│   │   ├── frame000.csv          # 该图核中心点，两列 x,y 无表头
│   │   ├── ...
│   │   └── frame092.png / frame092.csv
│   ├── frame000_stack/
│   │   ├── frame000_stack_000.png  # 该堆叠第 1 张焦平面帧
│   │   ├── ...
│   │   └── frame000_stack_NNN.png  # N 在 10-20 之间（逐堆叠不同）
│   ├── ...
│   └── frame092_stack/
├── codes/
│   ├── EvaluateDetection.m       # 评估协议实现（MATLAB）
│   ├── NucleusSegmentation.m     # 灰度形态学基线
│   └── Test.m                    # CNN 测试入口
├── labels.csv                    # 表头 frame,label,set
└── README.md                     # 含拼写错误 Nagative

2.3 labels.csv 与类别/划分体系

labels.csv 三列（表头为 frame,label,set）：

• frame：三位零填充编号 000-092，与 EDF 图、核点 CSV、堆叠目录共享同一编号；
• label：N（Negative）/ L（LSIL）/ H（HSIL），按 The Bethesda System；
• set：0 = train，1 = test。

Table 1（堆叠张数，train/test/total 三列口径，labels.csv 实测统计与论文完全一致）：

类别	train	test	total
N (Negative)	12	4	16
L (LSIL)	34	12	46
H (HSIL)	23	8	31
合计	69	24	93

Table 2（核点数，train/test/total 三列口径）：

类别	train	test	total
N (Negative)	179	59	238
L (LSIL)	1125	411	1536
H (HSIL)	679	252	931
合计	1983	722	2705

两个值得注意的分布特征：LSIL 占近六成（1536/2705 点、46/93 张），是多数类；每张图平均约 29 个点（2705/93），但逐图密度差异大，逐图 STD 指标正是为此而设（见 §5）。

2.4 划分依据与玻片级信息缺失存照

论文说明 test 划分「基于这些帧所来源的玻片（slides from which these frames were acquired）」并兼顾视觉难度，每类别约 25% 入 test。这暗示同一玻片可能贡献多帧（同玻片的帧不会跨 train/test 分布，构成天然的玻片级隔离）。但 93 帧对应几张玻片，论文与 README 均未披露——这意味着：

• 无法验证 train/test 是否存在患者级泄漏（玻片数都未知，患者数更无从谈起）；
• 无法做玻片级交叉验证的复现；
• patient_count 只能写「未披露」（本条目 frontmatter 已按此存照）。

这是 AI-Ready 元数据维度的硬伤之一，附录 B 的 DAIMS 评分已计入。

2.5 数据样例与读取要点

核点 CSV 无表头，直接按两列浮点/整数读入即可。以 Python 伪代码示意（仓库本身无 Python 代码）：

import pandas as pd

labels = pd.read_csv("labels.csv")          # frame,label,set
pts = pd.read_csv("dataset/EDF/frame000.csv",
                  header=None,
                  names=["x", "y"])          # 两列无表头
# EDF 图：dataset/EDF/frame000.png（1280×960，RGB 但染色调单一）
# 类别映射注意：README 拼写为 Nagative，正式名是 Negative

要点：

• 核点坐标基于 EDF 图（1280×960）坐标系，不是堆叠帧坐标系；
• frame 字段是字符串零填充编号，排序时注意按字符串排序即可自然对齐 frame000-frame092；
• label 用单字母 N/L/H，set 用 0/1——训练脚本里建议先做显式映射。

§3 采集与 EDF 工艺

3.1 玻片来源：Moffitt Cancer Center 档案 ThinPrep 涂片

全部玻片来自 Moffitt Cancer Center（Tampa, FL）的档案 ThinPrep 巴氏染色涂片，由 Dr. Siegel 提供（论文致谢）。ThinPrep 是液基细胞学制片工艺，玻片背景相对传统手工涂片更干净——但 Cervix93 的图像里依然有真实世界的聚集、重叠、血细胞与伪影（基线的失败模式分析见 §5.4）。这构成了它与 ISBI 2014 合成图的根本区别：合成图是往干净背景上贴细胞，变异性低；真实涂片的难题来自染色与制片的全部随机性。

3.2 Stereologer 采集流程

采集使用 Stereologer（SRC Biosciences, Tampa, FL 的软硬件一体显微系统）：

• 自动 XYZ 步进马达控制载物台与焦面；
• 手动选定每个视野的玻片顶部与底部焦平面；
• 在顶底之间等间距采集 10-20 张 40× 焦平面帧（逐视野不同）；
• 采样方案为 systematic-random（系统随机），符合立体学采样规范。

也就是说，一个「记录」（frameXXX）= 一个视野（field of view）= 一摞焦平面帧 = 一张 EDF 图 + 一份核点标注。93 个视野来自若干张（未知张数）ThinPrep 玻片。

3.3 EDF 合成：Bradley & Bamford 2004 小波法

93 张 EDF 图不是简单取最清晰帧，而是用 Bradley & Bamford 2004（IVCNZ）提出的 one-pass extended depth of field 算法（基于 over-complete discrete wavelet transform，论文引文 [12]）对堆叠做融合。对使用者的含义：

• EDF 图上每个像素都取自堆叠中该处最清晰（小波域最优）的层——核与背景可同时清晰；
• 想复现 EDF 或用原始帧训练（如多焦点输入的网络），堆叠帧就在仓库里，不必重新采集；
• 论文的核点标注基于 EDF 图坐标系——用堆叠帧训练时需要自行换算或对帧做同样 EDF。

3.4 分级判读：同一 cytotechnologist

三分类标签（N/L/H）由同一 cytotechnologist 在显微镜下逐片按 TBS（The Bethesda System）判读——单一判读者避免了判读者间变异，但也意味着没有多判读者一致性数据（如 kappa 值），标签的判读者内信度无从评估。这一点在 §8 方法学启示与附录 F 存照中均有展开。

3.5 物理分辨率存照：μm/px 未披露

40× 放大是唯一披露的光学参数，每像素对应的物理尺寸（μm/px）未披露，相机型号、数值孔径、染色剂批号等亦未披露。后果：

• 跨数据集做尺度归一（如以 μm 计的核径先验）时没有换算依据；
• 与 herlev-pap、sipakmed 等其他 Pap 数据集对比时，只能以像素口径对齐；
• CNN 基准的 75×75 patch、15px 间隔等超参数都绑定在该未披露的物理尺度上，迁移到其他数据集时需重新调参。

3.6 一图流：从玻片到基准

Moffitt 档案 ThinPrep 涂片（张数未披露）
        │  Stereologer，40×，systematic-random
        ▼
93 个视野 × 每视野 10-20 帧焦平面  = 1602 帧（PNG）
        │  Bradley & Bamford 2004 小波 one-pass EDF
        ▼
93 张 EDF 图（1280×960，PNG）
        │  同一 cytotechnologist 逐片 TBS 分级；逐核手工点标注
        ▼
labels.csv（N/L/H × train/test 69/24）+ 2705 个核点 CSV

§4 任务定义与标注协议

4.1 主任务：核点检测

• 输入：一张 EDF 图（1280×960）；
• 输出：核中心点坐标列表（数量不定）；
• 真值：逐图 CSV 中的 2705 个手工点；
• 次要任务：帧级三分类（N/L/H），labels.csv 直接给出帧级标签。

「检测」在这里取最宽泛的口径——输出点集合而非框集合，评估也按点匹配计（见 4.3）。这与 monuseg/consep 等「输出实例 mask」的核分割任务不同：Cervix93 不要求分割出核的边界，只要求找到每个核「在哪」。

4.2 标注规则：什么核会被标

论文 §2 给出的手工标注规则：

• 每帧逐核手工标一个中心点；
• 触及边界或部分入帧的核，仅当 >50% 位于帧内且中心距边界约 10px 才标注；
• 无核边界、无细胞质轮廓、无任何实例级形状信息。

由此带来的使用边界：

• 无法从标注重建核大小/形状分布（点没有面积）；
• 帧边缘约 10px 环带内的核系统性缺失——统计核密度或做全图实例计数时要留意边缘截断；
• 密集重叠的核仍逐个点标（这正是与 ISBI 2014「少标注、低变异」对比的卖点），但重叠核的中心点本身可能有主观偏移，论文未讨论标注者内重复性。

4.3 评估协议：EvaluateDetection.m 的四种输入与计分规则

评估实现即仓库 codes/EvaluateDetection.m，支持三种提交形态：

提交形态	内容	处理方式
点列表	检测点坐标列表	直接按点匹配计分
单一二值 mask	整图一个 mask	每个连通分割区域视为一个「检测」
逐核 mask 组	每核一个二值 mask	每 mask 视为一个「检测」

计分规则（务必在自建评估器里逐条复刻）：

• TP：检测点距某个手工标注点 <10px 记 TP；
• 每分割区域至多 1 个 TP：即使用 mask 提交，一个连通区域最多匹配一个真值点（防止一大片 mask 刷召回）；
• FN：不落入任何分割区域（或无检测点匹配）的真值点；
• FP：距任一手动点 >10px 的检测点，或不含任何手动点的分割区域；
• 指标：Precision、Recall、F 值，外加逐图 STD——把每张图的 P/R/F 分开算再报标准差，衡量跨帧稳定性（93 张图难度差异大，只报均值会掩盖方差）。

自建 Python 评估器时最常见的翻车点：漏掉「每区域至多 1 TP」约束（导致 mask 法虚高）、用 ≤10px 而非 <10px（边界样本归属不同）、漏算逐图 STD。

4.4 标注粒度局限与未兑现的承诺

• 论文原话：「In the future, we intend to make the cytoplasm and nucleus boundary annotation available」——8 年未兑现；
• 仓库 PR #2（Annotations WIP）：15 commits、+7606 行，open 至今未合并，抓取时点（2026-10-04）状态仍为 open，是否最终合并待核；
• 因此任何需要形状/面积信息的应用（核形定量、重叠核分割）都无法直接用 Cervix93，需换 monuseg/consep 或自行补标注。

4.5 命名与拼写陷阱（复现者常撞）

• 论文正文写 label.csv，仓库实际文件名是 labels.csv（复数）——脚本按论文写会直接 FileNotFoundError；
• README 把 Negative 拼成 Nagative——引用标签名时一律写 N/Negative，不要抄 README；
• 核点 CSV 无表头——用 pandas 默认读取会把第一行数据当表头吃掉，务必 header=None。

§5 评估协议与基准成绩

5.1 榜单总览（test 集，P/R/F ± 逐图 STD）

方法	P	R	F	出处
Lu et al.	0.617±0.258	—	0.399	ISBI 2014 系方法
Ushizima et al.	0.687±0.217	—	0.541	ISBI 2014 系方法
Phoulady et al. 2017（原版）	0.753±0.152	—	0.734	前作核分割方法
灰度形态学基线（修订版）	0.803±0.137	0.838±0.128	0.820	本数据集论文
CNN（本数据集论文）	0.861±0.095	0.895±0.086	0.878	本数据集论文，榜单最优

5.2 灰度形态学基线

管线（Phoulady et al. 2017 方法在本数据集上的修订版）：2-D 自适应滤波去噪 → 递增阈值迭代二值化找种子 → 区域生长与区域合并（solidity 准则）→ 训练集网格搜索调参。

网格搜索最优参数（train 集选出）：

参数	最优值
min size（最小区域尺寸）	150
min avg intensity（区域最小平均灰度）	10
max avg intensity（区域最大平均灰度）	120
min solidity（最小实度）	0.88

成绩：train P 0.790±0.162 / R 0.792±0.135 / F 0.791；test P 0.803±0.137 / R 0.838±0.128 / F 0.820。train/test 接近，未见明显过拟合——这符合传统方法低容量、少自由度的特点，也侧面说明 train/test 划分难度大体均衡。

失败模式（论文分析）：高聚集低对比区域漏检；FN 集中于图像边界（与 4.2 的 10px 边缘标注截断叠加）；FP 多为伪影与血细胞。

5.3 CNN 基准：把检测变成 patch 分类

论文提出的 CNN 把核点检测转为滑动窗口二分类：

环节	设置
结构	2 卷积层 + 2 全连接层；每个卷积层后 max pooling，每个全连接层后 ReLU；输出 2 神经元 softmax（核/非核）
输入	75×75 灰度 patch（EDF 图转灰度）
训练采样	15px 间隔滑窗；正样本 = patch 中心距标注点 15px 以内
训练规模	654,948 个 patch，正样本仅 1.71%（极端不平衡）
优化	lr 0.001，100 epochs
推理	3px 间隔滑窗 → hit map 高斯膨胀 → 阈值 0.5 → 去除 <100px 区域
成绩	test P 0.861±0.095 / R 0.895±0.086 / F 0.878（较形态学基线 F +6 个百分点，榜单最优）

注意：CNN 训练代码未开源——仓库只有 Test.m 测试入口，复现训练需按论文 §3 自行重写（含极端不平衡处理，1.71% 正样本率下任何朴素训练都会偏向负类）。

5.4 跨数据集退化：ISBI 2014 优等生的滑铁卢

最有方法论价值的一组对照：

方法	ISBI 2014 合成 test	Cervix93 真实 test
Phoulady et al. 2017 原版	P 0.874 / R 0.930	P 0.753±0.152 / F 0.734

同一方法从合成图到真实涂片 P 掉约 12 个百分点、F 掉约 20 个百分点（0.9 区间 → 0.734）。这是「合成图变异性低导致性能虚高」的直接证据，也是 Cervix93 作为真实性压力测试的价值所在：在 ISBI 2014 上刷到高分的模型，上真实 ThinPrep 涂片前应先在 Cervix93 上验一遍。

5.5 后续工作对榜单的刷新（口径对照）

• GravityNet（Russo/Tanriverdi/Bria/Marrocco，Univ. of Perugia 系）：像素锚点方案，ICPR 2024 Workshops（Springer, pp.268-278, DOI 10.1007/978-3-031-87660-8_20）+ 期刊版 Artificial Intelligence in Medicine（2024-03, DOI 10.1016/j.artmed.2024.102842, arXiv:2309.12876）——在 Cervix93 上继续推进核检测；
• PLOS ONE 2023（DOI 10.1371/journal.pone.0283568）引用 CNN 成绩用四舍五入口径：recall 86% / precision 89% / F 87%（原值 0.895/0.861/0.878）——对比数字时先统一口径，勿把 87% 与 0.878 当不同结果；
• 论文自带榜单（5.1）之后无统一公开 leaderboard，后续论文各自报告，引用时注意其评估器是否严格复刻 4.3 规则。

§6 获取方式与许可

6.1 唯一官方渠道：GitHub 整仓

项目	内容
仓库	parham-ap/cytology_dataset（公开）
体积	约 757MB（GitHub size 口径 774,954 KB）
文件数	1794
社区热度	40 stars / 16 forks（抓取时点 2026-10-04）
提交历史	2018-11-27 单一 Initial commit（0df8c8f1），此后主分支 8 年零更新
镜像	无官方 HuggingFace 镜像（hf-mirror 全量搜索确认）；无 Kaggle/Zenodo/figshare 官方镜像

6.2 license：null 的含义与边界

仓库无 LICENSE 文件，GitHub API license 字段为 null。这在版权上的默认含义：

• 版权法默认保留所有权利（all rights reserved）——下载、本地研究属于 GitHub 服务条款允许的查看与 fork 范围，但商用、再分发、构建公开镜像、打包进产品都没有授权依据；
• 论文声明 available to the public——可视为公开意图的表达，但它不是许可证，没有法律效力；
• 第三方清单（如 openmedlab）收录不等于授权。

实操建议：学术研究、方法评测、论文引用照常进行（注明出处与 arXiv 编号）；任何商用或再分发场景，先联系作者（Phoulady/Mouton，联系方式见论文）取得书面许可；训练出的模型权重对外分发时，应在模型卡中写明训练数据含无 license 数据集。

6.3 下载难：实锤与对策

实锤：Issue #1「hard to download」（用户 jiangyangbo，2020-05-12 提出，0 回复，open 至今）——757MB 单仓 + 1794 个文件（大量小 PNG）让 git clone 与 ZIP 打包都很慢，作者从未回应。

对策（按推荐顺序）：

• 浅克隆减少历史体积：git clone --depth 1 https://github.com/parham-ap/cytology_dataset.git；
• 若仅需 EDF + 标注（不需要堆叠帧），可按目录稀疏检出（sparse-checkout 只取 dataset/EDF/ 与 labels.csv），体积大幅缩小；
• 网络受限环境用 ghproxy 类镜像代理 clone（注意这仍是整仓，且属第三方加速，不构成再分发授权）；
• 避免反复 clone：一次取回后本地做 md5 存档；
• 不要期待 HF 镜像——搜到的 via-cervix、cervix-type-ood-dataset 等条目与 Cervix93 无关（重名陷阱见 §9.3）。

6.4 仓库附带代码的可用性

codes/ 目录 3 个 MATLAB 文件：

文件	功能	可用性
EvaluateDetection.m	4.3 节评估协议（三种输入形态 + <10px TP + 每区域 1 TP）	可直接用，是复现榜单的权威实现
NucleusSegmentation.m	5.2 节形态学基线	可直接用（需 MATLAB + 图像处理工具箱）
Test.m	CNN 测试入口	只能推理已训练模型；训练代码未开源，仓库也无随附权重

无 Python 入口。MATLAB 之外的复现路径：评估协议按 4.3 逐条重写（工作量不大但细节多），基线与 CNN 按论文 §3 重实现。

§7 学术生态与引用

7.1 引用规模与口径

Google Scholar 50+ 引用（抓取时点 2026-10-04），全部引 arXiv 版——这本身就是「未正式发表」的佐证。转引数字时注意两套口径：原值（P 0.861/R 0.895/F 0.878）与 PLOS ONE 2023 四舍五入口径（89%/86%/87%），切勿混用或当成不同结果。

7.2 后续 SOTA 接力：GravityNet 系

工作	发表	与 Cervix93 的关系
Russo, Tanriverdi, Bria, Marrocco——A Pixel-Based Anchor Approach for Nuclei Detection in Cervical Cytology Imaging	ICPR 2024 Workshops（Springer, pp.268-278, DOI 10.1007/978-3-031-87660-8_20）	GravityNet 像素锚点方案用于 Cervix93 核检测
同组 GravityNet 期刊版	Artificial Intelligence in Medicine, 2024-03（DOI 10.1016/j.artmed.2024.102842；arXiv:2309.12876）	方法定型与扩展评测

Bria 组（Univ. of Perugia 系）是数据集发布后最持续的方法学用户——引用 Cervix93 的论文里，这组工作最能说明它在核检测社区的实际基准地位。

7.3 同域数据集谱系

Pap 细胞学与核检测谱系（时间序）：

ISBI 2014 overlapping cell（合成+真实，标注少、变异性低）
        │  Cervix93 论文的直接批判对象
        ▼
ISBI 2015（延续挑战）
Herlev Pap（单细胞实例分类，本库 herlev-pap/483）
        ▼
Cervix93（2018，整帧核点检测，真实 ThinPrep 涂片）

组织学一系的核分割数据集（monuseg、monusac、consep）常与 Cervix93 同被核检测综述引用，但注意组织学切片与 Pap 涂片是不同染色、不同形态的域。

7.4 未入库但高频同现的「假邻居」

• intel-mobileodt（Kaggle 2021 宫颈照相 TICA 分类）——未入库，与 Cervix93 不同域（照相 vs 显微细胞学），身份对比时最有价值的反例；
• CRIC（Cervical cancer risk）——未入库；
• via-cervix——未入库，且 HF 上名字带 cervix 的镜像（AHFIDAILabs/via-cervix、emergentai/cervix-type-ood-dataset）均与 Cervix93 无关。

§8 方法学启示

8.1 点标注是核检测的高性价比真值

Cervix93 证明了在筛查场景下，「逐核一个中心点」即可支撑完整的检测基准：评估只需 <10px 匹配半径 + 每区域 1 TP 约束，无需昂贵的实例级 mask。对准备自建医学检测数据集的团队，这是成本与信息量的务实折中——但代价是彻底放弃了形状信息（见 4.4）。

8.2 跨数据集退化要写成对照表

论文把同一方法在 ISBI 2014 合成图（P 0.874/R 0.930）与真实涂片（F 0.734）上的成绩并排呈现——这种「同方法双数据集」对照是论证数据集价值的最佳姿势，比单报 SOTA 有说服力得多。

8.3 逐图 STD 是小样本基准的必需品

93 张图的难度天然离散（N/L/H 类别、聚集密度、染色质量都不同），只报均值会被少数难图/易图拉偏。Cervix93 全部成绩都带 ±STD，后续工作沿用此惯例——评测小样本医学数据集时应照做。

8.4 EDF 是显微堆叠数据的免费增值

把焦平面堆叠与 EDF 图同时发布，让同一份数据同时服务两类研究：全清晰 2D 基准（EDF）与多焦点/景深学习（堆叠）。Bradley & Bamford 2004 小波法是公开文献，可复现。多焦显微采集团队可直接借鉴这套「堆叠 + EDF 双发布」结构。

8.5 无 license 的长期代价

8 年零更新、0 回复的 Issue、未合并的 PR——社区活跃度归零后，无 license 的数据集既没法被机构托管，也没法进官方镜像，AI-Ready 程度随时间持续贬值。发布数据集时同步放一个明确 license，是 Cervix93 反面教材的核心教训。

§9 互链条目

9.1 库内互链（7 条，均已验证入库）

slug	编号	互链理由
herlev-pap	483	Pap 细胞学前辈数据集（单细胞分类 vs 整帧核点检测），谱系对照
sipakmed	490	Pap 涂片细胞学（整帧含核簇标注），同域扩展
monuseg	30	核分割同任务（组织学域），评估口径对照
monusac	651	核实例分割（组织学域），多类型核分类延伸
consep	228	核检测+分割（组织学 H&E），同任务基准互补
bach	118	乳腺癌组织学（H&E 四分类），筛查域关联
midog	298	有丝分裂核检测（点级标注同风格），标注协议对照

9.2 链接形式

frontmatter 的 schema_org（MedicalWebPage.relatedLink）与 §0.3 目录导航均指向：

• https://www.qianfanghub.com/ai-ready-dataset/herlev-pap/0
• https://www.qianfanghub.com/ai-ready-dataset/sipakmed/0
• https://www.qianfanghub.com/ai-ready-dataset/monuseg/0
• https://www.qianfanghub.com/ai-ready-dataset/monusac/0
• https://www.qianfanghub.com/ai-ready-dataset/consep/0
• https://www.qianfanghub.com/ai-ready-dataset/bach/0
• https://www.qianfanghub.com/ai-ready-dataset/midog/0

9.3 重名陷阱：papila 必须避链

库内 papila（编号 765）是眼底（PAPILA）数据集，与 Pap 涂片毫无关系——仅因 Pap 字样同形。检索或互链时务必甄别，本条目正文与链接均不引用 papila。同理，HF 上名字带 cervix 的条目（via-cervix 等）与 Kaggle 宫颈照相数据集（intel-mobileodt、CRIC）都不是 Cervix93 的同域数据。

§10 避坑清单（10 条）

1. 坑点 1｜无 license：GitHub license null、无 LICENSE 文件——默认保留所有权利，商用/再分发无授权。对策：学术用途照常并注明出处；商用先取得作者书面许可；分发衍生模型时在模型卡声明。
2. 坑点 2｜757MB 单仓下载难：Issue #1 实锤（2020 提出 0 回复）；大量小文件 clone/ZIP 均慢。对策：--depth 1 浅克隆；只需 EDF+标注时用 sparse-checkout；本地一次存档避免反复 clone。
3. 坑点 3｜标注只有点：2705 个核中心坐标，无边界、无 mask；论文承诺的 cytoplasm + nucleus boundary 标注 8 年未兑现（PR #2 未合并）。对策：需要形状信息换 monuseg/consep，或自行补标。
4. 坑点 4｜论文未正式发表：仅 arXiv:1811.09651 预印本，comments 写 conference 但无正式出版。对策：引用一律写 arXiv，不得编造会议/期刊名。
5. 坑点 5｜无官方 HF 镜像：生态位空缺。对策：GitHub 整仓获取；警惕 HF 上名字带 cervix 的无关镜像。
6. 坑点 6｜README 拼写错误 Nagative：应为 Negative。对策：标签名一律写 N/Negative，不要从 README 复制。
7. 坑点 7｜文件名不一致：论文正文 label.csv vs 仓库实际 labels.csv（复数）。对策：代码以仓库为准。
8. 坑点 8｜第三方清单数字不实：openmedlab 写 331 PNG，仓库实测 1695 PNG（93 EDF + 1602 堆叠帧）。对策：规模数字只引论文/实测，不引二手清单。
9. 坑点 9｜玻片级信息缺失：93 帧对应几张玻片未披露，患者/玻片级切分与防泄漏无从验证。对策：报告结果时声明此局限；勿声称做了患者级泛化评测。
10. 坑点 10｜MATLAB 依赖：评估与基线代码全 MATLAB，CNN 训练代码未开源，无 Python 入口。对策：按 4.3 规则重写 Python 评估器并逐条自检（<10px、每区域 1 TP、逐图 STD）。

深读一：Python 评估器参考实现（逐步复刻 §4.3）

评估协议是该数据集最容易被复现错的环节。下面给出与 EvaluateDetection.m 语义对齐的 Python 参考骨架（检测点列表形态），三条自检已内嵌：

import numpy as np

MATCH_RADIUS = 10.0   # 规则一：检测点距 GT 点 <10px 记 TP（严格小于）

def evaluate_points(det_xy, gt_xy):
    """det_xy: (N,2) 检测点；gt_xy: (M,2) 手工标注点。返回逐图 P/R/F。"""
    det_xy = np.asarray(det_xy, dtype=float)
    gt_xy = np.asarray(gt_xy, dtype=float)
    if len(gt_xy) == 0:
        return None  # 无 GT 的图按原实现口径跳过或计 1.0，需与 MATLAB 对齐确认
    matched_gt = np.zeros(len(gt_xy), dtype=bool)
    tp = 0
    for d in det_xy:
        dist = np.hypot(gt_xy[:, 0] - d[0], gt_xy[:, 1] - d[1])
        cand = np.where((dist < MATCH_RADIUS) & (~matched_gt))[0]
        if cand.size:
            matched_gt[cand[np.argmin(dist[cand])]] = True  # 一点一配，防重复计数
            tp += 1
    fp = len(det_xy) - tp
    fn = int((~matched_gt).sum())
    p = tp / (tp + fp) if (tp + fp) else 0.0
    r = tp / (tp + fn) if (tp + fn) else 0.0
    f = 2 * p * r / (p + r) if (p + r) else 0.0
    return p, r, f

def evaluate_dataset(preds, labels_csv):
    """逐图计分后聚合：报均值 ± STD（规则三），而非先聚合计分。"""
    per_image = []
    for frame_id, det in preds.items():
        gt = load_gt(frame_id)          # dataset/EDF/frameXXX.csv，header=None
        res = evaluate_points(det, gt)
        if res is not None:
            per_image.append(res)
    arr = np.array(per_image)
    return arr.mean(axis=0), arr.std(axis=0)

自检清单（三条缺一不可）：

• 匹配半径是否用严格小于 10px（不是 ≤）；
• mask 形态提交时是否执行每连通区域至多 1 TP；
• 汇总是否逐图计分再求均值 ± STD（而不是把全数据集点堆在一起算一次）。

mask 形态的补充规则：连通区域质心或区域任一点距 GT 点 <10px 即可建立匹配，但每区域至多消耗一个 GT；不含任何 GT 点的区域整体计 FP——这正是「一大片 mask 刷召回」的堵漏条款。

深读二：CNN 基准复现指南

论文 §3 的 CNN 结构本身很浅，复现的真正难点在数据管线与后处理。逐步还原：

步骤	论文设定	复现要点
1. patch 生成	75×75 灰度，15px 间隔滑窗	先转灰度再切；间隔过大可能跨过小核
2. 正负定义	patch 中心距标注点 15px 内为正	注意是中心距离不是 patch 覆盖
3. 类不平衡	654,948 patches，正样本 1.71%	论文未详述配比策略；经验上需重采样或加权损失
4. 结构	2 Conv（各接 max pooling）+ 2 FC（各接 ReLU）+ 2 神经元 softmax	层数浅，容量瓶颈在后处理不在网络
5. 优化	lr 0.001，100 epochs	未披露优化器与 batch size，复现会有小漂移
6. 推理	3px 间隔滑窗 → hit map 膨胀 → 阈值 0.5 → 去 <100px 区域	膨胀核与 <100px 的形态学开运算都影响最终 TP/FP
7. 评估	§4.3 协议，逐图 P/R/F ± STD	用深读一的评估器对齐

复现漂移的现实预期：论文未开源训练代码与随机种子，patch 采样顺序、膨胀核形状、开运算实现三处自由度足以让 F 值在 ±0.01-0.02 内波动；声称「复现出 0.878 整」的报告反而可疑，合理表述是「复现至 0.86-0.89 区间」。

深读三：数据质量审查清单（30 项）

接入任何下游任务前，建议按此清单逐项过一遍（本条目研究阶段已实测项标注结论）：

1. EDF 图 93 张与 frame 编号一一对应——已验（labels.csv 对齐）。
2. 核点 CSV 93 个与 EDF 一一对应——已验。
3. 堆叠目录 93 个——已验。
4. 每堆叠帧数在 10-20 之间——已验（实测 1602）。
5. labels.csv 行数 = 93——已验。
6. label 取值仅 N/L/H——已验。
7. set 取值仅 0/1——已验。
8. train 69 / test 24——已验。
9. 类别分布 16/46/31——已验。
10. 核点总数 2705——已验。
11. PNG 总数 1695——已验（openmedlab 的 331 不实）。
12. 核点坐标均在 1280×960 范围内——使用时建议程序化复核。
13. 核点是否越界 10px 边缘带——标注规则决定了边缘带内无点，统计密度时注意。
14. 图像色彩模式——Pap 染色但 CNN 用灰度；彩色通道利用留给你自己探索。
15. 空标注图（零点）是否存在——论文未提，加载器需兼容。
16. label 与图像外观的判读一致性——单一 cytotechnologist，无第二判读。
17. 玻片级分组——不可得（玻片数未披露）。
18. 帧内核密度分布——LSIL 多数类（1536 点）。
19. 染色批次信息——未披露。
20. 相机/物镜型号——未披露。
21. μm/px——未披露。
22. license——无。
23. 镜像——无官方镜像。
24. 体积——约 757MB。
25. 文件数——1794。
26. 提交历史——单一 Initial commit。
27. Issue——#1 下载难 0 回复。
28. PR——#2 WIP 标注未合并。
29. 代码语言——MATLAB 仅 3 文件。
30. 论文出处——arXiv:1811.09651 仅预印本。

深读四：与其他核检测/分割基准的全面对比

维度	Cervix93（本条目）	MoNuSeg	CoNSeP	MoNuSAC	Herlev Pap
域	Pap 细胞学涂片	组织学 H&E	组织学 H&E	组织学多染色	Pap 细胞学
任务	核点检测	核实例分割	核检测+分割	核实例分割+四类型	单细胞分类
真值形态	中心点	实例 mask	实例 mask	实例 mask	预分割单细胞+类别
图像数	93 EDF（+1602 帧）	30（+挑战赛集）	37	45 WSI 切块	数百单细胞图
标注量	2705 点	数万核	数万核	数万核	逐细胞类别
原生划分	train/test 69/24	train/test	train/test	train/val/test	若干划分口径
评估特色	<10px 点匹配+逐图 STD	免费分水岭 F1	同左	多类型指标	分类准确率
license	无	明确（CC 类）	明确	明确	开放
拿 mask 训分割	不可	可	可	可	不可（无 mask）
拿点训检测	直接可	需从 mask 提点	需提点	需提点	需重定义

三条使用结论：

• 同表对比时，Cervix93 是唯一的细胞学域 + 点级真值组合，与组织学 mask 系基准不直接可比；
• 若论文同时报 Cervix93 与组织学基准，务必声明域差异与真值形态差异，避免「核检测都一样」的口径混同；
• 需要 mask 提点的场合，组织学基准可从 mask 质心生成点真值，但那已经是另一个评估协议，不能引用 Cervix93 榜单。

深读五：Bethesda 三分类与判读背景

TBS（The Bethesda System）是宫颈细胞学的标准报告语言。本数据集压缩到三级：

• Negative (N)：未见上皮内病变或恶性细胞（NILM），16 张——正常涂片，背景以中层/副基底鳞状上皮细胞为主；
• LSIL (L)：低级别鳞状上皮内病变，46 张——核增大、深染、胞浆成熟，常伴挖空细胞；核面积约为正常中层细胞核的 3 倍量级；
• HSIL (H)：高级别鳞状上皮内病变，31 张——核质比显著升高、核膜不规则、成熟度下降；核可接近甚至超过 LSIL 但胞浆更少。

对算法侧的三点含义：

• 类别是帧级标签（整张图一个标签），不是逐核标签——一帧内可能混合正常与异常细胞，但 labels.csv 只给主导判读；
• N/L/H 的形态学梯度正好解释了核点密度的类间差异（L 类 1536 点最多——异常涂片细胞量与核异常可见度都高）；
• 帧级分类作为次要任务时，不应声称「细胞级诊断性能」——判读单位是帧不是细胞。

判读由同一 cytotechnologist 完成。TBS 判读本身的观察者变异在文献中已有大量研究（LSIL/HSIL 边界带尤其模糊），本数据集未提供该维度的一致性数据，跨类别边界样本（如 LSIL 晚期 vs HSIL 早期）使用时保持谨慎。

深读六：常见误用与滥用场景

1. 把点当中心真值做实例分割评估：点真值无法评估分割边界质量——用 IoU/Dice 报 Cervix93 成绩属协议误用。
2. 把帧级标签当细胞级标签：训练「细胞分类器」时把整帧标签赋给每个检测到的核，会引入大量假负样本（N 帧里的异常细胞不存在，但 L/H 帧里的正常细胞被误标）。
3. 在 test 上调参：基线的网格搜索在 train 上完成（§5.2），复现时任何在 test 上的调参都会让成绩不可比。
4. 用 ≥10px 或四舍五入半径：评估协议是严格 <10px，半径口径一变，与榜单对比作废。
5. 声称患者级泛化：玻片数/患者数未披露，任何「按患者划分」的表述都是无据的。
6. 引用 331 PNG 或编造会议名：二手清单错误与虚构出版物，均为引用纪律问题（见 §10 第 4、8 条）。
7. 把 HF 上的 cervix 镜像当本数据集：via-cervix 等条目与 Cervix93 无关，数据血缘完全不同。

深读七：数据卡（Data Card）

• 数据集名称：Cervix93（官方未命名，仓库名 cytology_dataset）。
• 版本：无版本号；唯一发布状态 = 2018-11-27 Initial commit（0df8c8f1）。
• 发布日期：2018-11（arXiv 11-23，仓库 11-27）。
• 创作者：Hady Ahmady Phoulady（University of Southern Maine）、Peter R. Mouton（University of South Florida；SRC Biosciences）。
• 资助/机构声明：论文致谢 Moffitt Cancer Center（Dr. Siegel 提供玻片）；SRC Biosciences 为 Mouton 所属公司——利益关系以论文声明为准。
• 数据来源：Moffitt Cancer Center 档案 ThinPrep 巴氏染色涂片（人体宫颈脱落细胞）。
• 采集设备：Stereologer（SRC Biosciences），40×，systematic-random 采样。
• 构成：93 视野；每视野 10-20 帧焦平面（共 1602）+ 1 张 EDF（1280×960）+ 1 份核点 CSV（共 2705 点）+ 1 条 labels.csv 记录。
• 标签：帧级 TBS 三分类（N 16/L 46/H 31）+ train/test（69/24）。
• 标注方式：人工逐核点标（单一标注者）；规则见 §4.2。
• 已知缺口：无 mask、无玻片/患者元数据、无 μm/px、无标注重复性实验、无多判读者一致性。
• 许可：未声明（license null）。
• 获取：GitHub 整仓约 757MB/1794 文件；无官方镜像；下载难有 Issue 实锤。
• 维护状态：主分支 8 年零更新；作者社区响应（Issue/PR）为零。
• 引用格式：引 arXiv:1811.09651（A dataset of cervical cytology images for nucleus detection）；不得编造正式出版物。
• 预期用途：核检测算法基准、真实涂片域方法评测、点标注协议研究。
• 不适用：分割边界研究、细胞级诊断、患者级泛化声明、任何商用场景。

深读八：历史语境——从 ISBI 挑战赛到真实涂片基准

2014 年前后的核/细胞图像基准由 ISBI 挑战赛主导。其合成路线（在干净背景上按参数贴放分割好的细胞）保证了密集重叠场景的可控性，却也造成两个系统性偏差：标注核数量少（每图几十个）、图像变异性低（染色均匀、无真实制片噪声）。在这样的数据上，方法间的差距容易被放大或压缩到失真。

Cervix93 的作者（Phoulady 本身就是 ISBI 2014 系方法的原作者之一）在 2018 年给出了一张真实世界成绩单：同一套方法（Phoulady et al. 2017 原版）在 ISBI 2014 合成 test 上 P 0.874 / R 0.930，在真实 ThinPrep 涂片上跌到 F 0.734。这组对照发表在数据集论文的 Table 4 里，成为此后核检测论文论证「真实数据必要性」的常引证据。

谱系上，Cervix93 之后这条线分两支延伸：一支是组织学 mask 系基准的繁荣（MoNuSeg 2018、CoNSeP 2019、MoNuSAC 2020）；另一支回到 Pap 细胞学本域，由 GravityNet 系（ICPR 2024 Workshops、AIM 2024）在 Cervix93 上继续刷新点检测。前者拿走了「实例分割」的话语权，后者保住了「真实细胞学点检测」这块阵地——Cervix93 至今仍是库内唯一占据该生态位的数据集。

深读九：给三类读者的行动指南

算法研究者（想在 Cervix93 出数字）：

• 先复刻评估器（深读一）并用论文基线数字（F 0.820 / 0.878）校准；
• 数字汇报采用「均值 ± 逐图 STD」三连（P/R/F）；
• 与后续文献对比时先核对评估器口径（<10px、每区域 1 TP）与四舍五入口径（87% ≠ 0.878 的混淆）。

工程/落地团队（想把数据集用进产品）：

• 商用先解决 license（无授权 = 不可用）；
• 只要 EDF + 标注就 sparse-checkout，别整仓 757MB；
• 预算 MATLAB 环境（评估对齐）或安排 Python 重写（约 1-2 天工作量）；
• 模型对外发布时在模型卡声明训练数据含无 license 数据集。

数据集建设者（想借鉴它造自己的数据集）：

• 学它：堆叠 + EDF 双发布、点标注 + 匹配半径协议、逐图 STD 汇报、跨数据集退化对照表；
• 戒它：license 第一天就定好、玻片/患者级元数据必须留存并披露、标注至少双人子集算一致性、物理分辨率（μm/px）写进文档。

深读十：逐类别数据画像（N/L/H）

N（Negative，16 张：train 12 / test 4；核点 238：train 179 / test 59）

正常判读帧，背景以成熟鳞状上皮细胞为主，核较小、间距规则、染色均匀。平均每帧约 14.9 点（238/16），是三类中密度最低的——正常涂片视野内核目标少且背景干净。作为 test 子集（4 帧 59 点）时，N 帧主要考验算法的假阳性控制：干净背景上任何伪影误检都会显著拉低 precision。

L（LSIL，46 张：train 34 / test 12；核点 1536：train 1125 / test 411）

数据集的多数类（46/93 帧、1536/2705 点）。低级别病变帧的典型形态：核增大伴深染、胞浆成熟、常见挖空细胞周缘。平均每帧约 33.4 点，密度居中。LSIL 帧里核的可辨识度较好，但细胞聚集区仍会出现核重叠——这是形态学基线漏检的集中区（§5.2 失败模式）。

H（HSIL，31 张：train 23 / test 8；核点 931：train 679 / test 252）

高级别病变帧，核质比高、核膜不规则、细胞拥挤成片。平均每帧约 30.0 点。HSIL 帧的难点不在「找不到核」而在「分不清彼此」：拥挤成片的异常核让点匹配与区域合并都更容易出错，逐图 STD 的大值多来自这一类。

三类的工程启示：类别不只是分类标签，也大致预言了检测难度谱（N 易、L 中、H 难）；分层报告成绩（按类别拆 P/R/F）虽非论文原生口径，但对诊断类应用是更诚实的汇报方式——前提是声明这不是官方榜单口径。

深读十一：失败模式诊断手册

复现或迁移模型时，按此手册定位问题（失败模式描述源自论文对基线的分析，其余为方法论建议）：

症状	高概率原因	对策
FN 集中在图像四边	标注规则排除了边缘 10px 环带内的核；检测器却在边缘输出	评估前裁掉边缘带或与论文口径对齐说明
高聚集低对比区域整片漏检	形态学基线的已知失败模式；CNN 也常在此失手	多尺度推理或重叠类域微调
FP 为伪影与血细胞	论文明示的 FP 构成	负样本挖掘：把伪影 patch 显式加入训练
precision 高 recall 低	后处理阈值过紧（0.5 偏高）或去小区域过狠	调阈值 0.5 与 <100px 开运算，注意这属于 test 调参禁区的灰色地带——用 train/val 交叉验证选
recall 高 precision 低	每 patch 分类过松或膨胀过度	缩小膨胀核、收紧阈值
逐图 STD 巨大	少数 H 类拥挤帧拖垮	检查这些帧的失败模式是否为域内已知难题，分层汇报
成绩好得反常（F>0.89）	评估器口径错误（≤10px、无每区域 1 TP、先聚合再计分）	回到深读一三条自检

深读十二：从检测点到计数与密度的统计推断

点检测的真值天然支持计数类研究，但有三条统计纪律：

• 边缘修正：标注规则排除了边缘约 10px 环带，全图计数会系统性低估。做密度估计时应在内缩 10px 的有效区域内计算（有效面积 1260×940 px），或使用边缘修正系数并声明口径。
• 帧不等于样本独立单元：93 帧来自未披露张数的玻片，同玻片帧之间存在材料相关性（同一制片、同一患者）。把 93 帧当独立样本做显著性检验会虚高自由度——论文用逐图 STD 规避了跨帧推断，复现者也应止步于描述统计。
• 类别与密度混淆：N/L/H 与核密度高度相关（14.9/33.4/30.0 点每帧），任何「密度→病变」的推断都是类别信息的重复使用，不是独立发现。

附录 H：复现实验报告模板

引用 Cervix93 出数字时，建议在论文附录提供如下信息块（便于他人核对口径）：

数据：Cervix93（arXiv:1811.09651；commit 0df8c8f1）
输入：dataset/EDF/frameXXX.png（1280×960）；堆叠帧未使用/已使用（写明）
划分：labels.csv 原生 train 69 / test 24（未重划/重划需说明理由与口径）
评估器：<自研 or MATLAB EvaluateDetection.m 或深读一实现>
匹配半径：<10px（严格小于）>
mask 提交：<是/否；若否跳过每区域 1 TP 条款>
汇总口径：逐图 P/R/F → 均值 ± STD（N=93 或 N=24，写明分母）
超参选择：仅 train（网格搜索/交叉验证），test 未参与
结果：P = x.xxx ± x.xxx；R = x.xxx ± x.xxx；F = x.xxx ± x.xxx
对比声明：与榜单对比时数字未做四舍五入混用（87% 口径已换算回原值）
许可声明：Cervix93 无 license 声明，本工作仅作学术评测用途

附录 I：常见审稿问题与标准回答

Q：为什么不用更新的、更大的宫颈数据集？

A：Cervix93 至今是唯一公开的整帧 Pap 细胞学核点检测数据集；Kaggle 宫颈照相（intel-mobileodt）与 CRIC 是照相域，组织学 mask 系（MoNuSeg 等）是组织学域——域与真值形态均不可替代（深读四对比表）。

Q：只有 93 张图，结论可信吗？

A：本数据集的汇报口径是逐图均值 ± STD（93 个统计单元），且 train/test 划分稳定多年、被 50+ 篇工作沿用——横向可比性比绝对规模更重要；但 93 帧的置信区间确实宽，跨类别细分结论（深读十）应作探索性解读。

Q：评估协议这么简单，会不会低估任务难度？

A：<10px 点匹配确实宽容于实例分割指标，但该协议与 ISBI 系检测传统一致，且基线间差距（F 0.399 → 0.878）证明其区分度；质疑者可同时报 mask 系指标，但数据集无 mask 真值，需自行补标。

Q：标签只有帧级，能说明细胞学诊断性能吗？

A：不能。判读单位是帧；细胞级/病例级诊断声明缺乏真值支撑（深读六第 2 条）。

Q：为什么引用 arXiv 而不是会议/期刊？

A：该论文未正式发表——arXiv comments 写 conference 但无对应出版物，50+ 篇引用全部引 arXiv 版；编造出版物名称属于引用错误。

Q：无 license 数据集能用于训练吗？

A：学术评测与论文引用是学界通行做法；商用、再分发、公开镜像缺授权依据。若为敏感场景，建议联系作者取得书面许可后再使用（§6.2）。

深读十三：MATLAB → Python 迁移要点

若放弃 MATLAB 生态，按此表把仓库三个 .m 文件的语义迁到 Python：

MATLAB 侧	语义	Python 侧对应
EvaluateDetection.m	§4.3 评估协议	深读一参考实现（自检三条后冻结版本）
NucleusSegmentation.m	自适应滤波 + 迭代阈值 + 区域生长合并	scikit-image：cv2.adaptiveThreshold / filters.threshold 阶梯 + measure.label + regionprops（solidity 字段现成）
Test.m	读 CNN 输出 hit map → 膨胀 → 阈值 → 开运算	scipy.ndimage.gaussian_filter + binary_dilation + binary_opening（<100px 用 area 过滤）

迁移时最容易踩的三个数值细节：

• MATLAB 的灰度转换（rgb2gray）权重与 OpenCV 不一致——会轻微改变 patch 灰度分布，训练结果有漂移，报告时注明用的哪套权重；
• MATLAB 区域合并的 solidity 计算基于其凸包实现，与 skimage 的 solidity 在边界像素计数上有细微差别，min solidity 0.88 的阈值语义需在小样本上对拍；
• 膨胀/开运算的结构元形状（disk vs square）没有跨语言默认等价物——这是深读二提到的三大自由度之一。

深读十四：点标注数据的增强与训练技巧

针对 1.71% 正样本率与点级真值，工程上被反复验证的技巧集（论文未使用，属社区通用经验）：

• 以点为中心重采样：训练时按正样本为中心裁 patch、负样本随机裁，天然缓解 15px 网格采样下的类不平衡；
• 增强不碰几何语义：翻转与小幅旋转安全；弹性形变与亮度大幅抖动会破坏 Pap 染色域，慎用；
• Focal loss 或加权 BCE：应对 58:1 的负正比，比朴素过采样稳定；
• 推理聚合：3px 滑窗的 hit map 先高斯平滑再取局部极大值，比纯阈值化少产生相邻重复检测点；
• 验证集从 train 切：从 69 张 train 内分出验证子集调后处理（阈值/膨胀/开运算），test 全程封存——这是与榜单可比性的生命线。

附录 J：数据获取操作记录模板

团队内部下载与验收 Cervix93 时，建议留存如下记录（便于审计与复现）：

获取日期：<YYYY-MM-DD>
来源：https://github.com/parham-ap/cytology_dataset
方式：git clone --depth 1 / sparse-checkout（dataset/EDF + labels.csv）/ ZIP
commit：0df8c8f1（2018-11-27 Initial commit）
体积：<实测 MB>；文件数：<实测数量，整仓口径 1794>
校验：PNG 总数 1695（93 EDF + 1602 帧）？labels.csv 93 行？
      核点合计 2705？类别 16/46/31？划分 69/24？
许可核对：无 LICENSE 文件（license null）——用途限定学术评测，已留档
已知缺口确认：无玻片级元数据、无 mask、μm/px 未披露——已向使用方同步

验收通过后建议整包做一次 md5 存档并只读挂载——上游 8 年零更新，本地副本事实上就是最终版。

FAQ：高频问题 28 问

F1：Cervix93 是宫颈照相数据集吗？

不是。它是显微镜下的 Pap 涂片细胞学数据集（40×、1280×960），玻片来自 Moffitt Cancer Center 的 ThinPrep 涂片。与 Kaggle 宫颈照相（intel-mobileodt）、CRIC 等「宫颈外观」数据集完全不同域。

F2：名字 Cervix93 是谁起的？

官方论文没有给数据集命名。Cervix93 是社区通称（93 张图得名），ICPR 2024 等后续文献沿用；GitHub 仓库名一直是 parham-ap/cytology_dataset。

F3：一共多少张图、多少个点？

93 张 EDF 图 + 1602 张堆叠帧（93 堆叠 × 10-20 帧）+ 2705 个核中心点。PNG 总数实测 1695。

F4：为什么要把 93 堆叠帧都发出来？

多焦点研究需要原始帧（每堆叠 10-20 帧覆盖玻片顶底间全部焦面）；EDF 图只是小波法合成的副产品形态。堆叠 + EDF 双发布让一份数据服务两类任务。

F5：EDF 是怎么合成的？

Bradley & Bamford 2004（IVCNZ）的 one-pass EDF 算法，基于 over-complete discrete wavelet transform。方法公开可复现。

F6：类别标签是谁定的、可信吗？

同一 cytotechnologist 在显微镜下逐片按 TBS 分级。单一判读者避免了判读者间变异，但没有多判读者一致性（kappa）数据，判读者内信度也未报告。

F7：train/test 是怎么切的？

69/24，每类别约 25% 入 test，依据是帧所来源的玻片 + 视觉难度。同玻片的帧不会跨集分布。

F8：93 帧来自几张玻片？

未披露。论文只说 test 划分基于来源玻片，暗示一玻片多帧，但玻片总数与患者数都未公开——防泄漏只能信其声明，无法独立验证。

F9：标注精度如何？

无标注重复性实验。规则是逐核一点、>50% 入帧且中心距边界约 10px 才标。评估匹配半径 10px 与该标注精度同量级。

F10：有边界框或分割 mask 吗？

没有。只有中心点。论文承诺的细胞质 + 核边界标注 8 年未兑现，PR #2 仍未合并。

F11：如何评估我的检测方法？

按 4.3 节规则：检测点距真值点 <10px 记 TP；每分割区域至多 1 TP；FN/FP 口径照抄；报 P/R/F 并附逐图 STD。权威实现是仓库 EvaluateDetection.m（MATLAB）。

F12：可以只报 F 均值不报 STD 吗？

不建议。93 张图难度离散大，STD 是该基准惯例；漏报会被审稿人视为评估不规范。

F13：榜单最优是多少？

论文 CNN：test P 0.861±0.095 / R 0.895±0.086 / F 0.878。形态学基线 F 0.820。

F14：CNN 结构复杂吗？

不复杂：2 卷积层 + 2 全连接层，75×75 灰度 patch 分类，654,948 个训练 patch（正样本仅 1.71%），推理时 3px 滑窗 + hit map 膨胀 + 阈值 0.5。真正的难点是极端类不平衡与推理后处理。

F15：CNN 训练代码在哪？

没有开源。仓库只有 Test.m 测试入口，训练代码与权重均未发布，需按论文 §3 自行复现。

F16：License 是什么？

无（license null，无 LICENSE 文件）。默认版权保留：学术研究照常引用，商用与再分发无授权依据。

F17：能上传到我的 HF 仓库做镜像吗？

无 license 情况下构建公开镜像属再分发，缺授权依据，不建议。引用官方 GitHub 链接即可。

F18：怎么下载最快？

git clone --depth 1；只要 EDF + 标注就用 sparse-checkout 只取 dataset/EDF/ 与 labels.csv。Issue #1 证实整仓 clone/ZIP 都慢，作者未回应。

F19：757MB 都是什么？

1602 张堆叠帧占绝对大头；93 张 EDF 与 CSV 很小。只要做点检测基准，堆叠帧可以不下载。

F20：代码是什么语言？

MATLAB。3 个文件：评估、基线分割、CNN 测试入口。无 Python 入口，Python 复现需重写。

F21：PLOS ONE 2023 引的 86%/89%/87% 和 0.895/0.861/0.878 冲突吗？

不冲突，是四舍五入口径（recall/precision/F 的顺序还互换了）。引用原始值以论文 Table 为准。

F22：GravityNet 在上面成绩多少？

GravityNet（ICPR 2024 Workshops + AIM 2024 期刊版）用像素锚点方案在 Cervix93 上继续刷新核检测，具体数字见其原文；本条目榜单只收录数据集论文自带成绩。

F23：和 monuseg/consep 什么关系？

同为核检测/分割基准，但 monuseg/consep 是组织学 H&E 切片且有实例 mask；Cervix93 是 Pap 细胞学涂片、仅点标注。跨域对比时注意染色与形态差异。

F24：和 herlev-pap 什么关系？

Herlev Pap 是单细胞实例分类（已分割细胞图），Cervix93 是整帧核点检测（原始视野）。构成 Pap 谱系的两代任务形态。

F25：库里的 papila 是同类吗？

不是。papila（765）是眼底数据集（PAPILA），与 Pap 涂片无关，属重名陷阱，已避链。

F26：μm/px 是多少？

未披露。40× 是唯一光学参数，跨数据集物理尺度换算没有依据。

F27：可以用它做细胞计数吗？

可以做核点计数（检测即计数），但注意：帧边缘约 10px 环带内核被系统性排除；点标注无面积信息，无法做体积/密度定量。

F28：想补标注（mask/边界）该怎么办？

仓库 PR #2 是作者的 WIP 标注（+7606 行，未合并），可关注其进展；自行补标时建议沿用 <10px 评估口径以便与榜单可比。

事实清单：36 条核对项

1. 仓库名 parham-ap/cytology_dataset，公开。
2. 社区通称 Cervix93，官方论文未命名。
3. 作者仅 2 人：Hady Ahmady Phoulady（Univ. of Southern Maine）与 Peter R. Mouton（Univ. of South Florida、SRC Biosciences）。
4. 论文 arXiv:1811.09651，2018-11-23 提交，5 页 6 图。
5. arXiv comments 写 conference，但无正式出版物；50+ 引用全部引 arXiv 版。
6. 仓库 2018-11-27 单一 Initial commit（0df8c8f1），主分支 8 年零更新。
7. 93 个焦平面堆叠（frame000-frame092）。
8. 每堆叠 10-20 帧，实测共 1602 帧，均值 17.2。
9. 93 张 EDF 图，1280×960，40×。
10. 2705 个核中心点（逐图 CSV 两列 x,y 无表头）。
11. PNG 总数实测 1695 = 93 + 1602。
12. openmedlab 写 331 PNG，不实。
13. Bethesda 三分类：N 16 / L 46 / H 31。
14. train/test = 69/24，每类别约 25% 入 test。
15. Table 1 堆叠分布（train/test/total）：N 12/4/16、L 34/12/46、H 23/8/31。
16. Table 2 核点分布（同口径）：N 179/59/238、L 1125/411/1536、H 679/252/931，总 1983/722/2705。
17. labels.csv 表头 frame,label,set；set 0=train/1=test。
18. 论文正文写 label.csv，仓库实际 labels.csv（复数）。
19. README 把 Negative 拼成 Nagative。
20. 玻片来自 Moffitt Cancer Center 档案 ThinPrep 涂片（Dr. Siegel 提供）。
21. 采集系统 Stereologer（SRC Biosciences），systematic-random，自动 XYZ 步进。
22. EDF 合成用 Bradley & Bamford 2004 小波法（论文引文 [12]）。
23. 标注规则：>50% 入帧且中心距边界约 10px 才标注。
24. 无边界框、无 mask；论文承诺的边界标注未兑现。
25. PR #2（Annotations WIP，15 commits、+7606 行）未合并，open 至今。
26. 评估：检测点距 GT <10px 记 TP；每分割区域至多 1 TP；报逐图 STD。
27. 形态学基线 test：P 0.803±0.137 / R 0.838±0.128 / F 0.820。
28. 基线网格搜索最优参数：min size 150 / min intensity 10 / max intensity 120 / min solidity 0.88。
29. CNN：2 卷积 + 2 全连接，75×75 patch，654,948 patches，正样本 1.71%，lr 0.001，100 epochs。
30. CNN test：P 0.861±0.095 / R 0.895±0.086 / F 0.878（榜单最优）。
31. 对比：Lu F 0.399、Ushizima F 0.541、Phoulady 2017 原版 F 0.734。
32. 原版方法在 ISBI 2014 合成 test 曾达 P 0.874 / R 0.930——跨数据集退化存照。
33. 仓库约 757MB、1794 文件、40 stars / 16 forks（2026-10-04）。
34. license null，无 LICENSE 文件。
35. Issue #1 hard to download（2020-05-12，0 回复，open）；无官方 HF 镜像。
36. 后续接力：GravityNet（ICPR 2024 Workshops DOI 10.1007/978-3-031-87660-8_20；AIM 2024 DOI 10.1016/j.artmed.2024.102842）；PLOS ONE 2023（DOI 10.1371/journal.pone.0283568）四舍五入转引。

术语表：26 条

术语	英文	一句话解释
巴氏涂片	Pap smear	宫颈脱落细胞染色涂片，宫颈癌筛查标准手段
细胞学	Cytology	显微镜下观察单个细胞形态的诊断学科（区别于组织学切片）
液基制片	ThinPrep	液基细胞学制片工艺，背景较手工涂片干净
Bethesda 系统	The Bethesda System (TBS)	宫颈细胞学报告系统，本数据集取 Negative/LSIL/HSIL 三级
低级别鳞状上皮内病变	LSIL	TBS 中的轻度异常级别
高级别鳞状上皮内病变	HSIL	TBS 中的重度异常级别，癌前病变
核点检测	Nucleus detection	输入整图、输出核中心点坐标列表的任务
扩展景深	EDF (Extended Depth of Field)	把焦平面堆叠融合成单张全清晰图的技术
焦平面堆叠	Focal stack	同一视野不同焦面的一组图像（本数据集每堆 10-20 帧）
视野	Field of view	显微镜下一次观察的矩形区域（一个 frameXXX 记录）
小波 EDF	Wavelet-based EDF	Bradley & Bamford 2004 基于过完备离散小波的一次性融合算法
立体学采样	Stereological sampling	系统随机（systematic-random）的定量形态学采样规范
Stereologer	Stereologer	SRC Biosciences 的软硬件一体显微采集系统
实度	Solidity	区域面积与其凸包面积之比，基线里的区域合并准则
自适应滤波	Adaptive filtering	局部统计去噪，基线管线第一步
递增阈值二值化	Iterative thresholding	逐级抬阈值找种子点的形态学手段
区域生长	Region growing	从种子扩张连通区域的分割方法
patch 分类	Patch classification	滑窗切块逐块二分类，CNN 基准的检测实现方式
hit map	Hit map	逐 patch 分类得分堆成的热图，膨胀后取峰得检测点
TP 匹配半径	Matching radius	检测点与真值点距离小于 10px 记 TP 的评估阈值
逐图标准差	Per-image STD	93 张图各自计分再取 STD，衡量跨帧稳定性
类不平衡	Class imbalance	CNN 训练正样本仅 1.71% 的极端比例
宫颈照相	Cervicography	拍摄宫颈外观的照相检查——与细胞学不同域，本条目重点澄清对象
阴道镜	Colposcopy	宫颈光学放大检查，同样不属于本数据集范畴
跨数据集退化	Cross-dataset degradation	ISBI 2014 合成图方法在真实涂片上大幅掉分的现象
AI-Ready	AI-Ready	数据可被发现、获取、互操作并支撑机器学习就绪程度的评估框架

附录 A：仓库文件清单速查

路径	内容	数量/规格
dataset/EDF/frameXXX.png	EDF 合成图	93 张，1280×960，40×
dataset/EDF/frameXXX.csv	核点坐标	93 个，两列 x,y 无表头，共 2705 点
dataset/frameXXX_stack/	焦平面堆叠帧	93 目录，各 10-20 帧，共 1602 张
labels.csv	帧级标签与划分	表头 frame,label,set
codes/EvaluateDetection.m	评估协议	MATLAB
codes/NucleusSegmentation.m	形态学基线	MATLAB
codes/Test.m	CNN 测试入口	MATLAB（无训练代码）
README.md	仓库说明	含 Nagative 拼写错误

附录 B：DAIMS 评分表

维度	分（10）	依据
D 可发现性	6	arXiv 预印本 + GitHub 可检索、50+ 引用；但无正式出版、无 HF/Zenodo 镜像，发现渠道窄
A 可获取性	4	GitHub 公开整仓可下；但 757MB 单仓下载难（Issue #1 实锤）、无镜像分流、license null 抬高获取法律门槛
I 互操作性	5	PNG + CSV 极简格式、编号体系清晰；但 MATLAB 专用评估代码、labels.csv/label.csv 命名陷阱、无 mask 使跨基准口径不一
M 元数据质量	4	论文+README+labels.csv 三源可对账；但无玻片级/患者级元数据、μm/px 未披露、README 拼写错误、标注无重复性实验
S 可持续性	3	主分支 8 年零更新、Issue 0 回复、PR 未合并、无机构托管、未正式发表——长期可用性依赖第三方备份

综合 22/50：学术基准价值高（真实涂片 + 点标注协议 + 跨数据集对照），AI-Ready 工程化程度低（无 license、无镜像、MATLAB 依赖）是主要失分点。

附录 C：基准数字速查卡

数字	值	出处
堆叠/帧/EDF/点	93 / 1602 / 93 / 2705	论文+实测三源互证
类别分布（N/L/H）	16 / 46 / 31 张	labels.csv 实测
核点分布（N/L/H）	238 / 1536 / 931	Table 2 + 实测
train/test	69 / 24	labels.csv
基线 test	P 0.803 / R 0.838 / F 0.820	Table 3
CNN test	P 0.861 / R 0.895 / F 0.878	Table 3，榜单最优
Lu / Ushizima / 2017 原版	F 0.399 / 0.541 / 0.734	Table 4
原版 ISBI 2014 成绩	P 0.874 / R 0.930	跨数据集退化对照
CNN 训练规模	654,948 patches，正样本 1.71%	论文 §3
仓库体积	约 757MB / 1794 文件	GitHub 实测

附录 D：使用决策树

拿到 Cervix93 想做什么？
│
├── 只做核点检测基准
│     ├── 有 MATLAB → 直接用 EvaluateDetection.m，数字可与榜单对齐
│     └── 只有 Python → 按 §4.3 重写评估器（<10px、每区域 1 TP、逐图 STD 三条自检）
│
├── 需要核形状/实例 mask
│     └── 本数据集不适用 → 转 monuseg / consep / monusac
│
├── 想做多焦点/景深建模
│     └── 用 frameXXX_stack 原始帧（堆叠 10-20 帧），EDF 仅作对照真值
│
├── 想商用或再分发
│     └── license null → 先联系作者取得书面许可，否则不做
│
└── 只想引用数字进论文
      └── 引 arXiv:1811.09651；规模引 93/1602/2705；勿引 openmedlab 的 331 PNG

附录 E：时间线

时间	事件
2004	Bradley & Bamford 发表小波 EDF 算法（IVCNZ），后被本数据集采用
2014-2015	ISBI 重叠细胞分割挑战赛；Phoulady 等 ISBI 系方法发布
2017	Phoulady et al. 核分割方法发表（vol.59, pp.38-49；期刊名 CMIB/CMIG 待核）
2018-11-23	arXiv:1811.09651 提交（19:41:47 UTC）
2018-11-27	GitHub 仓库单一 Initial commit（0df8c8f1）
2020-05-12	Issue #1 hard to download 提出，此后 0 回复
2023	PLOS ONE（DOI 10.1371/journal.pone.0283568）四舍五入转引 CNN 成绩
2024	GravityNet：ICPR 2024 Workshops（pp.268-278）+ AIM 期刊版（102842）在 Cervix93 上刷新核检测
2026-10-04	本条目抓取时点：主分支仍 8 年零更新、PR #2 open、license null

附录 F：命名与拼写陷阱汇总

陷阱	正确写法	说明
Nagative	Negative	README 拼写错误
label.csv	labels.csv	论文正文 vs 仓库实际文件名
cytology_dataset	—	仓库名，与通称 Cervix93 并存
cervicography	cytology	检索词陷阱：本数据集是细胞学不是宫颈照相
papila	避链	库内 765 是眼底数据集（PAPILA），仅与 Pap 同形
331 PNG	1695 PNG	openmedlab 清单数字不实
87% vs 0.878	0.878	PLOS ONE 四舍五入口径，非不同结果

附录 G：存照与待核事项

• μm/px 未披露：40× 是唯一光学参数，物理分辨率待核/待向作者求证。
• PR #2 最终状态：抓取时点 open（15 commits、+7606 行 WIP 标注），是否合并待核。
• 前作期刊名：Phoulady et al. 2017 的期刊名 CMIB 与 CMIG 两说待核；vol.59、pp.38-49、2017 三源一致。
• 玻片总数/患者数：未披露，patient_count 只能写未披露。
• 身份双口径存照：任务头 dispatch 写 cervicography，三源证据（论文采集描述、仓库名、ICPR 2024 称谓）一致证明为 Pap 细胞学，正文已按 cytology/Pap 撰写并在 §0.2 澄清。
• 数字三源互证记录：93/2705/1280×960/40×（论文 ↔ README ↔ labels.csv 实测）；Table 1/2 分布（论文 ↔ labels.csv 逐行统计）；1602 帧（论文 10-20 帧口径 ↔ filelist 实测）。

编后记

本条目由接管写手 agent-c-cervix93-v2 基于 README 阶段留存的 FACTS.md（三源互证事实档案）成稿，抓取时点 2026-10-04。成稿过程中新增的全部推断性内容（深读一至十四、附录 H-J）均标注了「论文设定 / 社区经验 / 方法论建议」的口径边界，凡论文原文未支持的表述一律降格为建议，不与官方榜单数字混排。

三条最值得再次强调的结论，作为全文收束：

• Cervix93 是库内唯一的 Pap 细胞学整帧核点检测数据集，其点标注协议与跨数据集退化对照是可复用的方法论资产；
• 它的 AI-Ready 短板（无 license、无镜像、757MB 单仓、MATLAB 依赖、玻片级信息缺失）每一项都写进了 §10 与 DAIMS 评分，使用前先过清单；
• 引用纪律只有一条主线：arXiv:1811.09651、labels.csv、Negative、1695 PNG、F 0.878——五个基准点别抄错来源。

发现事实错误或新证据（如 PR #2 合并、正式发表、license 补充）时，请以仓库与 arXiv 页的最新状态为准更新本条目，并沿用本条目的存照格式注明改订时点。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• bonemarrow-wsi — 共享标签：医学影像 / 病理图像 / 目标检测 / 图像分类 / 肿瘤学
• midog — 共享标签：医学影像 / 病理图像 / 目标检测 / 肿瘤学
• panda — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• oral-cavity-opmd — 共享标签：医学影像 / 目标检测 / 图像分类 / 肿瘤学
• orchid — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• aml-cytomorphology — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• ptic-thyroid — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• cdetector — 共享标签：医学影像 / 病理图像 / 目标检测 / 肿瘤学
• multi-oscc-histopath — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• camelyon16 — 共享标签：医学影像 / 病理图像 / 目标检测 / 图像分类

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。