信息速览

数据集名称Clinical Bacteria DataSet — 呼吸道标本革兰染色细菌显微检测分割数据集

数据类型显微图像,病理图像,细菌检测,革兰染色,呼吸道标本,多类别标注,边界框,分割掩码

规模1705

接入方式Clinical Bacteria DataSet（Zenodo 10.5281/zenodo.10526360） url: https://doi.org/10.5281/zenodo.10526360

AI 就绪度

Clinical Bacteria DataSet（clinical-bacteria-zn）

一句话：Clinical Bacteria DataSet 是一套面向 M-ROSE（Microbiological Rapid On-Site Evaluation，微生物快速现场评价） 的呼吸道标本革兰染色显微图像数据集，含 1705 张全幅原图与 11,824 个阴/阳性球菌与杆菌实例标注，配套 YOLOv5 检测与 U-Net 分割基准，CC-BY-4.0 开放获取。

本条目遵循 AI-Ready Wikipedia 数据集的写作规范，采用「三源互证」核验：① 数据托管源 Zenodo 10.5281/zenodo.10526360；② 代码源 GitHub Quanlab-Bioimage/Clinical-Bacteria-DataSet；③ 文献源 Scientific Data 2024;11:608（PMC11162412 / PMID 38851809）。所有硬数字均可在 FACTS.md 逐条溯源。

§0 摘要与速览

数据集名称：Clinical Bacteria DataSet
本条目 slug：clinical-bacteria-zn
数据本质：呼吸道标本革兰染色细菌显微图像的目标检测 + 语义分割数据集（非挑战赛，非影像组学特征集）
核心规模：1705 张全幅图像，分辨率 4,912 × 3,684 像素
标注实例：4,833 个球菌 + 6,991 个杆菌 = 11,824 个实例
分类体系：4 类——阴性球菌 / 阳性球菌 / 阴性杆菌 / 阳性杆菌
数据划分：训练 : 验证 : 测试 = 7 : 2 : 1
基准算法：检测 YOLOv5（验证集综合指标 0.87，mAP@0.5 > 0.73）；分割 U-Net（验证集 0.81）
许可协议：CC-BY-4.0（Zenodo 结构化字段）
获取方式：Zenodo 公开直下（无 DUA、无审批）
临床场景：肺部感染性疾病诊断与治疗的即时病原形态学参考

三秒判断该不该用这个数据集：

你的需求	是否匹配	理由
显微图像中细菌的检测/计数	✅ 强匹配	4 类细菌实例边界框标注
阴/阳性细菌的像素级分割	✅ 强匹配	提供分割掩码（SegmentationDataSet）
革兰染色形态学识别算法研发	✅ 强匹配	覆盖球菌/杆菌 × 阳性/阴性四态
跨显微镜型号的可迁移性研究	⚠️ 需谨慎	单一成像系统采集，未见跨机型验证
菌种鉴定 / 耐药性预测	❌ 不匹配	数据无物种与药敏标签
涂片整体阴性/阳性二分类筛查	⚠️ 部分匹配	需自行由实例标注聚合，论文未给整片级标签

§1 数据集是什么

1.1 一句话定义

Clinical Bacteria DataSet 是一套临床呼吸道标本革兰染色显微图像数据集，专为深度学习在微生物快速现场评价（M-ROSE）中的应用而构建，提供细菌的目标检测与语义分割两类任务的标注，并配套发布基准算法结果。

1.2 它解决什么问题

M-ROSE（Microbiological Rapid On-Site Evaluation）是临床微生物检验中的一条快速路径：对呼吸道标本（如痰液、支气管肺泡灌洗液）进行涂片、染色、镜检，在数十分钟内给出病原体形态学线索，从而为肺部感染性疾病（尤其重症肺炎）的早期抗感染决策提供即时参考。

传统 M-ROSE 的瓶颈在于：

人工判读依赖经验：涂片中细菌密度高、形态差异细，镜检医师的判读一致性受限。
通量受限：一张 4,912×3,684 全幅图像中可能散布数千个细菌实例，人工逐一计数不现实。
可量化性差：临床报告多以"可见大量/少量 G+ 球菌"等半定量描述呈现，难以形成可复算的数值指标。

该数据集将 M-ROSE 的关键视觉终点——细菌的种类形态（球菌/杆菌）与革兰染色属性（阳性/阴性）——转化为可被检测与分割网络学习的标注对象，从而使自动化镜检（自动计数、自动分类、自动分割）成为可训练、可评测的任务。

1.3 它不解决什么问题（边界声明）

为避免误用，明确本数据集的边界：

不做菌种鉴定：四分类仅到"球菌/杆菌 × 阴/阳性"的形态-染色层面，不含属/种标签（如金黄色葡萄球菌 vs 表皮葡萄球菌）。
不做药敏推断：数据中无抗生素敏感性信息。
不提供整片级诊断标签：论文未发布"该涂片提示何种感染"的片级金标准；片级结论需研究者自行从实例标注聚合而来。
不做培养/分子对照：数据为涂片镜检图像，未提供配套的培养结果或测序结果作为微生物学参考标准。
患者临床变量缺失：数据不含患者年龄、性别、基础疾病、用药史等可用作协变量的临床字段。

1.4 与相近数据集的区隔

维度	Clinical Bacteria DataSet	结核抗酸染色显微集（如 NLM-TB 类）	微生物组集（如 MGnify）
模态	革兰染色光学显微图像	抗酸染色（Ziehl-Neelsen）显微图像	测序 reads / 分类表
观测对象	细菌形态 + 染色属性	抗酸杆菌形态	菌群丰度与分类
任务	检测 + 分割	检测 / 计数	分类学注释、功能注释
输出层级	单细胞实例	单菌实例	群落组成

一句话：它看的是"菌长什么样"，不是"菌是谁"，也不是"菌群有哪些"。

1.5 核心概念速通（给非微生物学读者）

若你不熟悉临床微生物学，以下五个概念足以支撑读懂本条目：

革兰染色（Gram stain）：一种把细菌分为"阳性（紫）/阴性（粉红）"的染色法，依据是细胞壁结构差异。它不是按物种分，而是按染色反应分。
球菌（cocci）：球形细菌，图像上近似圆点或椭球。
杆菌（bacilli）：杆状细菌，图像上呈短棒或长条。
形态 × 染色 = 四类：球菌/杆菌（形态）× 阳性/阴性（染色）= 阴性球菌、阳性球菌、阴性杆菌、阳性杆菌。
M-ROSE：微生物快速现场评价，指在数十分钟内用涂片镜检给出病原形态学线索的快速流程。

最容易记错的一点：革兰阳性/阴性 ≠ 致病力强弱。它只是一个染色属性。把"阳性"理解成"阳性=有害"是常见误解（见 §5.15）。

1.6 读者导航：不同角色该读哪几节

你的角色	建议优先阅读
算法工程师（想直接上手训练）	§3 规模与结构 → §4 任务定义 → §7 基准 → §9 坑点 → 附录 A/F
微生物/临床研究者	§1 数据集是什么 → §5 标注体系深度解析 → §10 局限与伦理
数据集评估者/审稿人	§2 来源 → §6 许可与版本 → §7 指标口径 → §10 局限 → 附录 C 证据链
只想快速判断"能不能用"	§0 三秒判断表 → §1.3 边界声明 → §9.2 坑点清单

1.7 版本、时效与引用口径

数据版本：以 Zenodo V3（10.5281/zenodo.10526360）为引用基准（版本链见 §6.3）。
论文：Scientific Data 2024;11:608，接收于 2024-05-13，在线 2024-06-08。
本条目抓取时点：2026-10-07。所有硬数字以该时点可获取的论文正文与 Zenodo 记录为准。
引用建议：引用数据时用 V3 的 DOI；引用方法学时用论文 DOI；两者都要署名（CC-BY-4.0）。
时效提醒：数据集可能继续更新；若你的实验时间晚于本条目抓取时点，请重新核对 Zenodo 是否有新版本。

§2 数据来源与采集

2.1 机构与团队

数据集由**中国人民解放军总医院（Chinese PLA General Hospital）与华中科技大学（HUST）**联合构建：

College of Pulmonary and Critical Care Medicine, Chinese PLA General Hospital, Beijing（解放军总医院呼吸与危重症医学科）
Chinese PLA Medical School, Beijing（解放军医学院）
Britton Chance Center for Biomedical Photonics, Wuhan National Laboratory for Optoelectronics–HUST（华中科技大学武汉光电国家研究中心 Britton Chance 生物医学光子学研究中心）
MoE Key Laboratory for Biomedical Photonics, Collaborative Innovation Center for Biomedical Engineering, School of Engineering Sciences, HUST（华中科技大学生物医学光子学教育部重点实验室）

团队分工呈现典型的"临床 + 光学工程"协作格局：解放军总医院侧负责临床标本、镜检与标注；HUST 生物医学光子学侧负责显微成像系统与算法方法学。

2.2 作者列表

论文共 12 位作者，按署名序为：

Xiuli Wang、Yinghan Shi、Shasha Guo、Xuzhong Qu、Fei Xie、Zhimei Duan、Ye Hu、Han Fu、Xin Shi、Tingwei Quan、Kaifei Wang、Lixin Xie。

通讯/指导侧为 Lixin Xie（解立新） 与 Tingwei Quan（全廷伟，HUST，方法/工程侧）。

口径存照：论文缓存文本未明示"并列第一作者（co-first）"标注，本条目不对 co-first 作断言，仅按署名序陈述（见 FACTS.md §9 第 6 条）。

2.3 标本与采集时间窗

标本类型：肺部感染患者的下呼吸道标本（呼吸道来源临床标本）。
采集时间窗：2018–2022 年。
采集流程：标本经涂片、革兰染色后在显微成像系统下成像，得到全幅图像。
去标识化：发布的图像已作**去标识化（desensitized）**处理，不含可识别患者身份的元信息。

待核：M-ROSE 所用显微成像系统的具体设备型号未在论文中英文摘要中点明，本条目不臆造型号（见 FACTS.md §9 第 7 条）。

2.4 论文与引用

论文标题：A Clinical Bacterial Dataset for Deep Learning in Microbiological Rapid On-Site Evaluation
期刊：Scientific Data 2024;11:608（Nature Portfolio 数据期刊）
DOI：10.1038/s41597-024-03370-5
PMC：PMC11162412；PMID：38851809
投稿 / 接收：Received 2024-01-19；Accepted 2024-05-13；在线发表 2024-06-08

推荐引用格式：

Wang X, Shi Y, Guo S, et al. A Clinical Bacterial Dataset for Deep Learning in Microbiological Rapid On-Site Evaluation. Sci Data. 2024;11:608. doi:10.1038/s41597-024-03370-5

§3 数据规模与结构（硬数字）

3.1 核心硬数字总表

指标	数值	说明
图像总数	1705 张	全幅显微图像
单图分辨率	4,912 × 3,684 像素	同一显微成像系统
球菌实例数	4,833 个	cocci
杆菌实例数	6,991 个	bacilli
实例总数	11,824 个	4,833 + 6,991
划分比例	7 : 2 : 1	train : val : test
原始图包体积	18.7 GB	RawImageDataSet.zip（论文口径）

关键区分：1705 是图像数，11,824 是标注细菌实例数——两者非同一量纲，切勿混读为"1705 张都是单菌裁剪图"（见 FACTS.md §9 第 3 条）。

3.2 四分类实例计数（类不均衡全貌）

类别	英文	实例数	占比
阴性球菌	Gram-negative cocci	3,371	28.5%
阳性球菌	Gram-positive cocci	1,462	12.4%
阴性杆菌	Gram-negative bacilli	5,799	49.0%
阳性杆菌	Gram-positive bacilli	1,192	10.1%
合计	—	11,824	100%

读法提示（重要）：四类之和恰为 11,824，与"球菌 4,833 + 杆菌 6,991"闭合（3,371 + 1,462 = 4,833；5,799 + 1,192 = 6,991），说明统计口径一致。

类不均衡警示：最多类（阴性杆菌 5,799）与最少类（阳性杆菌 1,192）之比约为 4.9 : 1。这意味着——未加权的准确率（accuracy）会严重高估模型性能，评测应优先报告逐类 AP / 逐类 IoU，而非总体准确率（见 §7）。

3.3 数据包组织结构

数据集以 zip 包形式托管于 Zenodo，主要包含两大部分：

（1）RawImageDataSet.zip —— 原始全幅图像

内容：全部 1705 张 4,912×3,684 全幅原图
体积：18.7 GB（论文口径）
md5：17b08ffea2ffd1d95094e5f6022d7716

（2）DeepDataSet —— 深度学习就绪集

内部组织为 3 个文件夹：

文件夹	内容	用途
`640DataSet`	从全幅原图随机抽取的 640×640 裁剪块	检测/分割网络的输入
`DetectionDataSet`	边界框 + 四分类标签	目标检测训练
`SegmentationDataSet`	像素级掩码	语义分割训练

md5：04173c5da686f76fbceb118e78f1607b

体积口径存照：论文写 RawImageDataSet = 18.7 GB；Zenodo 文件列表两 zip 合计约 20.6 GB。两者不矛盾——18.7 GB 是原始图包单项，20.6 GB 是含 DeepDataSet 的全量（见 FACTS.md §9 第 2 条）。

3.4 目录结构示意

Clinical-Bacteria-DataSet/
├── RawImageDataSet.zip          # 1705 张全幅原图，18.7 GB
│     └── raw images (4912 × 3684)
└── DeepDataSet/                 # 深度学习就绪集
      ├── 640DataSet/            # 640×640 随机裁剪块
      ├── DetectionDataSet/      # bbox + 四分类标签
      └── SegmentationDataSet/   # 像素级 mask

目录示意基于论文与 Zenodo 文件列表描述绘制，非逐文件清单；实际文件名以 Zenodo 下载内容为准。

3.5 分辨率与存储的工程含义

单图 4,912 × 3,684 像素 ≈ 1,810 万像素。这一量级带来三个直接的工程后果：

显存压力：直接把全幅图送入检测/分割网络几乎不可行——一张 RGB 全幅图展开约为 4,912 × 3,684 × 3 ≈ 5,430 万个数值，远超常规 GPU 单批可容纳量级。这正是 640DataSet 存在的根本原因。
存储压力：1705 张全幅图合计 18.7 GB（原始图包），平均约 11 MB/张（含无损/高质量压缩），下载与解压都需规划磁盘与带宽。
尺度问题：全幅图中细菌实例仅占数像素至数十像素，属于典型的小目标检测问题。若先缩图再检测，小实例可能被缩到低于可辨识阈值。因此正确做法是"裁块而非缩图"——这与 640DataSet 的随机裁剪策略一致。

反直觉提示：面对 4,912×3,684 的大图，第一反应常是"缩小到 640×640"。但对细菌这种小目标，缩放会直接把目标缩没。数据集的 640DataSet 是裁剪出的 640×640 块，不是缩放——这个区别决定了任务是否可做。

3.6 类不均衡的定量刻画

四类实例分布见 §3.2。为便于评估，此处给出常用的不均衡度指标：

指标	计算	结果
最多类 / 最少类	5,799 / 1,192	≈ 4.9 : 1
最均类占比	5,799 / 11,824	≈ 49.0%
最稀类占比	1,192 / 11,824	≈ 10.1%
若全预测最多类	准确率上限	≈ 49.0%

解读：一个"永远预测阴性杆菌"的退化模型，在总体准确率上可拿到约 49%。因此——

不要用总体 accuracy 作为主指标。
要逐类报告 AP / IoU，并特别关注阳性杆菌（1,192）。
训练时可考虑类别加权损失或重采样，但须在方法学部分声明，避免与论文基线不可比。

为什么阳性杆菌最少？ 论文未明确解释。合理推测是临床标本中的实际分布（G− 杆菌是呼吸道感染中较常见的形态）以及标注难度（阳性杆菌染色特征可能更易与背景混淆）共同作用的结果。使用者不应把这一分布当作病原学流行率的估计——它只反映这批涂片的标注所见。

3.7 数据划分与可比性

划分	比例	用途
train	70%	训练
val	20%	验证 / 调参
test	10%	测试 / 报告

划分口径的三个不确定点（使用者须自行确认）：

划分粒度：是按图像划分，还是按 640 裁剪块划分？两者的可比性不同——按图像划分更严格（同一图像不跨集合），按块划分可能有信息泄漏风险。
是否分层（stratified）：是否按四类比例分层，还是随机划分？类不均衡下，随机划分可能使测试集某类极少。
是否固定（fixed split）：是否发布了固定的划分文件？若无，各团队自行划分将导致测试结果不可比。

复现建议：若论文未提供固定划分文件，复现时必须固定随机种子、公开划分清单，并在论文中说明划分粒度与是否分层。这是保证结果可比的最低要求（见 §5.6 拆分口径提醒）。

3.8 与"规模"相关的常见比较陷阱

在与其他数据集比较规模时，容易落入三个陷阱：

陷阱	说明
图像数 vs 实例数	本数据集 1705 图 / 11,824 实例。与"图像数据集"比图数、与"检测数据集"比实例数，口径不同，不可直接说"比谁大"。
全幅图 vs 裁剪块	1705 张全幅图 ≠ 1705 个训练样本；实际样本是裁剪块，数量级更大。
标注实例 vs 真实菌量	11,824 是抽样/靶向标注数，不是涂片中细菌总数，不能作为"数据密度"的绝对度量。

结论：本数据集的规模应在**"临床来源的微生物实例标注"这一领域语境中评价，其稀缺性来自领域**，而非单点数字。

§4 任务定义与标注规范

4.1 两类核心任务

数据集同时服务两类视觉任务：

目标检测（Object Detection）——在显微视野中定位每一个细菌实例，并给出四分类标签。输出为边界框（bounding box）+ 类别。
语义 / 实例分割（Segmentation）——对阴/阳性细菌做像素级前景分割。输出为掩码（mask）。

两者的分工是：检测回答"哪里有菌、是哪类菌"；分割回答"每个菌的精确轮廓在哪里"。在细菌密集、相互粘连的视野中，分割对下游的精确计数尤其重要。

4.2 分类体系（4 类，检测标签 0–3）

标签值	类别	英文	形态	染色
`0`	阴性球菌	Gram-negative cocci	球形	阴性（粉/红）
`1`	阳性球菌	Gram-positive cocci	球形	阳性（紫）
`2`	阴性杆菌	Gram-negative bacilli	杆状	阴性（粉/红）
`3`	阳性杆菌	Gram-positive bacilli	杆状	阳性（紫）

判别依据（双重正交维度）：

形态维度：球菌（cocci，球形/椭球）vs 杆菌（bacilli，杆状/长条）。
染色维度：革兰阳性（G+，细胞壁厚，结晶紫-碘复合物不易被脱色，呈紫色）vs 革兰阴性（G−，细胞壁薄，脱色后复染呈粉/红色）。

四类即"形态 × 染色"的笛卡尔积（2 × 2 = 4），这是该数据集标注体系的核心设计逻辑。

4.3 标注流程与质控

论文在 Technical Validation 一节描述了如下质控机制：

难点靶向复核：先用检测网络自动挑出**难标注细菌（hard-to-annotate）**样本，再交由人工重点复核，以提高标注效率并集中人力于高不确定区域。
"正确识别"的量化判据：预测框与标注框的 IoU > 0.45 且类别一致，方判定为正确识别。
IoU 0.45 的实用含义：相较常见检测阈值 0.5，0.45 略宽松。这反映细菌实例尺度小、边界模糊——在数像素级的实例上，0.5 的严格 IoU 门槛对人工标注本身也过于苛刻。

口径存照：论文未给出标注者间一致性（inter-annotator agreement）的量化 Kappa 值。因此本条目在引用"标注质量"时，仅陈述上述质控机制，不宣称标注一致性水平（见 FACTS.md §9 与 §5.4）。

4.4 标注格式约定

任务	标注产物	结构
检测	bounding box + 类别	每实例一条 `(x, y, w, h, class_id)`
分割	mask	每实例（或每类）一张像素级掩码

训练/验证/测试的划分按 7 : 2 : 1 施加于数据集层面。
640DataSet 的裁剪策略：从全幅原图随机抽取 640×640 块，作为网络的实际输入单元——这是为规避 4,912×3,684 全幅图直接输入带来的显存与尺度问题。

§5 标注体系深度解析

本节是理解本数据集"能做什么、不能做什么"的关键。数据集的价值与边界，几乎全部由标注体系的设计决定。理解标注体系，就等于理解了这套数据的适用域。

5.1 为什么用"形态 × 染色"而不是菌种

临床微生物学的常规路径是"培养 → 生化 → 鉴定 → 药敏"，最终给出菌种与耐药谱。但 M-ROSE 的场景约束完全不同：

时间约束：M-ROSE 要在数十分钟内出结果，不可能等培养。
信息约束：涂片镜检只能看到形态与染色属性，看不到菌种。
决策价值：对重症肺部感染的初始经验性用药而言，"看到大量 G+ 球菌"或"以 G− 杆菌为主"这一级别的信息，已足以显著影响抗菌谱的选择方向。

因此数据集把标注层级刻意定在形态-染色层——这是 M-ROSE 场景下"可获得且具临床价值"的信息上限。任何超出这一层级的信息（菌种、耐药、丰度），在本数据集中都不存在，也不应从数据中反推。

设计哲学一句话：标注的不是"这是什么菌"，而是"这看起来像哪一类菌的形态-染色组合"。前者需要培养，后者只需一张涂片。

5.2 四类的临床语义

类别	典型临床联想（仅作背景，非数据标签）	数据中是/不是
G+ 球菌	常与葡萄球菌、链球菌等革兰阳性球菌感染相关	数据只标形态+染色，不标菌属
G− 球菌	相对少见，如奈瑟菌属等	同上
G+ 杆菌	部分环境菌、棒状杆菌等	同上
G− 杆菌	常与肠杆菌科、铜绿假单胞菌等革兰阴性杆菌感染相关	同上

安全提醒：上表"临床联想"仅为帮助读者理解类别语义，数据集中并不包含菌种标签。任何基于本数据集的输出，不能直接用于临床菌种判断或抗感染决策。

为什么这张表必须加上"仅作背景"的免责？ 因为在真实临床语境中，"G− 杆菌"与"肠杆菌科"之间存在强烈的联想惯性。使用者在写论文或做演示时，很容易把数据标签与临床病原学结论无意识地等号化。数据集本身不提供这种等号——它提供的是像素与框，不是病原学。

5.3 阴性/阳性判读的视觉依据

革兰染色的显色原理决定了四类在图像上的视觉差异：

阳性（G+）：细胞壁肽聚糖层厚，结晶紫-碘复合物被保留，呈深紫色，形态轮廓通常因染色致密而显得饱满、边界清晰。
阴性（G−）：细胞壁脂质外膜被脱色剂破坏，初染染料流失，复染后呈粉红/红色，染色通常较浅。

从光学成像的角度看，这一差异最终体现为像素颜色通道的相对关系：紫色的典型特征是蓝/红通道高、绿通道低；粉红的典型特征是红通道高、蓝/绿相对低。理论上，一个颜色阈值分割器在理想涂片上就能给出粗分类——这也是为什么该任务看似"简单"。

但真实涂片中还存在大量干扰因素，这正是任务难点所在：

染色深浅受涂片厚度影响：厚区染色偏深，薄区偏浅，同一类的显色强度可能跨图漂移。
背景杂质：黏液、细胞碎片、结晶可能与细菌混淆。
杆菌的"褪色/退变"形态：部分杆菌染色不均，呈串珠状或两端浓染。

关键认知：正是这些干扰因素，把任务从"颜色二值分类"抬升为"需要在真实涂片分布上学习的视觉任务"。一个只在合成或理想图上训练的颜色阈值器，在真实涂片上会迅速失效。

5.4 形态维度的判别细则

形态维度（球菌 vs 杆菌）看似直观，实则存在灰区。数据集使用者应理解以下判读要点：

形态	判读要点	灰区来源
球菌（cocci）	球形或接近球形，长宽比接近 1	分裂中的球菌成对/成链，轮廓拉长
杆菌（bacilli）	杆状、长条状，长宽比明显大于 1	短杆菌接近球形，与球菌难分

灰区一：分裂中的球菌。球菌在分裂时呈双球（diplococci）或链状排列，单个"实例"的边界如何界定，直接影响框的数目与大小。这在标注上依赖约定，而非纯粹视觉。

灰区二：短粗杆菌 vs 大球菌。两者的长宽比可能落在同一区间。区分往往依赖染色强度、内部结构（芽胞、异染颗粒）与上下文，而非单一尺度。

灰区三：球菌成簇。葡萄球菌样成簇排列时，"一簇算一个实例还是多个实例"会显著改变标注计数。数据集的具体约定依赖原始标注规范（论文未逐条给出），因此跨数据集的实例计数不可直接比较。

实践含义：不要把本数据集的"11,824"看作一个绝对常数，它与标注者的实例边界约定强绑定。换一套约定，数字会变。

5.5 标注工作流与质控机制

论文在 Technical Validation 一节描述了如下质控机制：

人工初标：由具备微生物形态学知识的人员对细菌实例进行框选与四分类。
难点靶向复核：先用检测网络自动挑出**难标注细菌（hard-to-annotate）**样本，再交由人工重点复核，以提高标注效率并集中人力于高不确定区域。
"正确识别"的量化判据：预测框与标注框的 IoU > 0.45 且类别一致，方判定为正确识别。

关于第 2 步的工程价值：这是一种"模型在环（model-in-the-loop）"的主动标注策略——用模型的难例预测来引导人工注意力。它的收益是效率，代价是潜在的选择偏倚：模型认为"难"的区域被更多复核，模型认为"易"的区域可能复核不足。使用者在评估标注完备性时应意识到这一机制的存在。

关于第 3 步的阈值选择：IoU 0.45 相较常见检测阈值 0.5 略宽松。这反映细菌实例尺度小、边界模糊——在数像素级的实例上，0.5 的严格 IoU 门槛对人工标注本身也过于苛刻。这是一个由数据特性驱动的、合理的技术选择，而非标注质量的妥协。

口径存照（重要）：论文未给出标注者间一致性（inter-annotator agreement）的量化 Kappa 值。因此本条目在引用"标注质量"时，仅陈述上述质控机制，不宣称标注一致性水平（见 FACTS.md §9 与 §5.7）。

5.6 标注格式约定

任务	标注产物	结构
检测	bounding box + 类别	每实例一条 `(x, y, w, h, class_id)`
分割	mask	每实例（或每类）一张像素级掩码

训练/验证/测试的划分按 7 : 2 : 1 施加于数据集层面。
640DataSet 的裁剪策略：从全幅原图随机抽取 640×640 块，作为网络的实际输入单元——这是为规避 4,912×3,684 全幅图直接输入带来的显存与尺度问题。
坐标归一化：检测框坐标在提供时通常已归一化到 [0,1] 区间（YOLO 系列惯例），使用前应确认原始文件的约定，避免将像素坐标与归一化坐标混用。

拆分口径提醒：论文给出 7:2:1 的划分比例，但是否提供固定的划分文件（split file）未在摘要中点明。若未提供，复现时必须固定随机种子并公开划分方式，否则不同团队的"测试集"无可比性。这是复现工作中的高发坑（见 §9 坑 6 相关）。

5.7 标注的已知局限（务必阅读）

依据论文与常识推断，本数据集标注存在以下局限，使用者应在论文方法学部分如实披露：

无一致性量化报告：论文未给出 Kappa 或类似一致性指标，"标注质量"缺乏可引用的数值。
单一机构来源：全部标本来自同一家医院，存在中心偏倚（single-center bias）。
单一成像系统：全部图像来自同一显微成像系统，跨显微镜型号/染色批次的泛化性未知。
四类不平衡：见 §3.2，阳性杆菌样本量最少（1,192），少数类学习困难。
无片级金标准：缺乏"整张涂片的临床结论"作为上游对照。
实例边界约定未公开：如 §5.4 所述，实例计数的边界约定直接影响统计口径，但论文未逐条给出规范文本。
模型在环引入的选择偏倚：如 §5.5 所述，靶向复核机制可能使标注完备性在不同区域不均匀。

披露建议：以上七条可直接用作论文"Limitations"小节的骨架。如实披露不是"自曝其短"，而是让结论的置信边界与数据的能力边界匹配。

5.8 标注体系与"检测 vs 分割"的对应

同一套四分类标注，在两类任务中的信息密度不同：

维度	检测	分割
输出粒度	实例级矩形框	像素级掩码
关键信息	位置 + 类别	精确轮廓
对粘连细菌	框会重叠	可分离边界
计数能力	粗略（受 NMS 影响）	精确（受掩码边界影响）
主要指标	mAP / AP	IoU / Dice / mAP

为什么两类任务都要做？ 因为在细菌密集视野中，“有多少个菌"这一下游需求，对检测框是不友好的——两个紧挨的细菌，框必然重叠，NMS 会把其中一个抑制掉。而分割通过像素级边界，在原理上具备精确计数的能力。所以在 M-ROSE 的语境下，分割不是检测的"更精细版本”，而是解决计数问题的必要手段。

5.9 与相关标注体系的对比

为了帮助读者定位本数据集，下表把它与三类相关数据集做标注层级的对比（对比项为概念对照，非数值比较）：

对照物	标注层级	与本数据集的关系
菌种鉴定 / 药敏数据库	物种 + 耐药谱	更高层级，需培养；本数据集不覆盖
抗酸染色结核图像集	抗酸杆菌（形态+染色）	同层级、不同染色法（抗酸 vs 革兰），最贴近的邻居
病理 WSI 分割集	组织/细胞类型	同模态、不同域（组织切片 vs 微生物涂片）
通用自然图像检测集	日常物体类别	同任务范式、完全不同域

定位结论：本数据集的稀缺性在于"临床来源 + 革兰染色 + 微生物实例级标注"这一组合，而非单点的图像数量或类别数。它的价值应放在领域稀缺性而非规模上评价。

5.10 从"检出"到"报告"的语义链路

一个容易被忽视的问题是：从模型输出到临床可读的报告，中间隔着好几层语义转换。本数据集只覆盖第一层。把这条链路画清楚，有助于使用者明确自己的工作在链路的哪一段：

[图像] → [检测/分割模型] → [实例框 + 四分类] → [视野级汇总] → [涂片级结论] → [临床解读]
  ↑数据覆盖                         ↑数据覆盖到此为止

第 1 层（图像）：4,912×3,684 全幅涂片图像。
第 2 层（实例）：检测/分割模型输出每个细菌的框与类别——这是数据集的标注深度。
第 3 层（视野汇总）：把某视野内所有实例按类聚合成"球菌 X 个、杆菌 Y 个"的统计——数据未提供该层标注，但可由第 2 层推导。
第 4 层（涂片结论）：把多个视野汇总为"以 G− 杆菌为主"的涂片级判读——数据未提供，需自行定义聚合规则。
第 5 层（临床解读）：结合患者信息给出经验性用药建议——完全超出数据能力，属临床决策。

为什么要画这条链？ 因为很多"过度包装"的论文，会把第 2 层的能力声称为第 4 层甚至第 5 层的能力。明确标注覆盖边界，是负责任的用法。

5.11 微生物形态学的判读知识（背景补充）

为了让非微生物学背景的读者理解标注难度，这里补充几个与数据直接相关的形态学常识。注意：以下为背景知识，不是数据集标签。

球菌的典型排列：

单球：独立存在。
双球（diplococci）：成对，如肺炎链球菌的典型形态。
链状（streptococci）：成串排列。
葡萄状（staphylococci）：成簇聚集。

杆菌的典型特征：

两端形态：圆钝、平截或尖锐，是鉴别线索之一。
芽胞（spore）：部分杆菌（如芽胞杆菌属）可形成芽胞，染色后呈特殊空泡外观。
异染颗粒：如白喉棒状杆菌的异染颗粒，染色不均。
串珠状/褪变形态：染色不良的杆菌呈断续串珠，是标注中的难点。

为什么这些知识对数据使用者重要？ 因为它解释了"为什么同一类内也会长得不一样"——这本数据集的四分类是粗粒度的，每个类内部仍有显著的形态异质性。如果模型在类内某亚型上表现特别差，未必是模型的错，而可能是类内分布不均（某亚型样本少）。理解这一点，才能正确归因模型的失败案例。

5.12 成像链路对标注的影响

显微图像的质量由整条成像链路决定，而这条链路的每一环都可能影响标注一致性：

环节	变量	对标注的潜在影响
标本制备	涂片厚薄、均匀度	厚区菌重叠、薄区菌稀疏，染色强度漂移
染色	染色批次、脱色时间	阳性/阴性显色深浅波动，影响颜色判读
成像	照明、白平衡、对焦	色偏会系统性影响阳/阴判读
数字化	传感器、压缩	压缩伪影可能模糊小实例边界

关键推论：由于本数据集全部来自单一成像系统（见 §6、§10），上述链路变量在数据内部是相对一致的——这既降低了数据内部的标注噪声，也意味着跨系统泛化存在系统性风险。一块新的显微镜可能引入训练集中从未出现的色偏，使模型性能骤降。使用者若在不同设备上部署，必须做色彩归一化或域适应。

5.13 标注质量的可信度评估框架

由于论文未给出 Kappa，使用者需要自己建立可信度判断。以下是可操作的四步框架：

看判据的明确性：论文明确定义了"正确识别 = IoU > 0.45 且类别一致"，说明标注行为有清晰约束——这是一项正面证据。
看复核机制：模型在环的难点靶向复核，说明高不确定区域被额外关注——这也是一项正面证据。
看缺失的量化：无 Kappa、无一致性抽样报告——这是一项明确的负面缺口，使用者不应自行假定高一致性。
看可用性验证：论文报告了基线模型在该标注上取得可用性能（检测 index 0.87、分割 0.81），说明标注至少足以支撑监督学习——这是功能性证据。

综合结论：标注足以用于模型训练与基准对比，但不足以支撑"标注质量已达临床级"的论断。使用者在论文中应表述为"使用论文发布的标注"，而非"使用高质量临床标注"。

5.14 标注与"临床可解释性"的关系

四分类的临床可解释性，体现在它直接对应经验性抗感染用药的抗菌谱方向：

观察	经验性用药的方向性提示（背景说明，非数据结论）
以 G+ 球菌为主	抗菌谱需覆盖革兰阳性菌
以 G− 杆菌为主	抗菌谱需覆盖革兰阴性菌
混合感染	需广谱覆盖

三重红线：

上表是临床背景知识，不是本数据集或模型的输出结论。

实际用药须结合患者全部信息，由临床医师决策。

本数据集及其模型不得用于任何直接的临床用药建议。

为什么还是要讲这层关系？ 因为它解释了数据集"为什么值得做"——形态-染色层的判读，在时间受限的 M-ROSE 场景中确实具有方向性的临床价值。这正是标注层级被设定在此的动机。理解动机，才能理解数据的边界为何画在这里。

5.15 常见标注误解澄清

误解	事实
“标了四类 = 能识别四种菌”	四类是形态+染色的组合，不是物种
“阴性杆菌多 = 感染以阴性菌为主”	实例计数反映该视野涂片所见，不等同病原学
“11,824 就是细菌总数”	是已标注实例数，涂片中实际细菌数可能更多
“没标菌种是数据集不完整”	是场景驱动的刻意设计，M-ROSE 本就拿不到菌种
“阳性 = 有毒力”	阳/阴性指染色属性，与致病力无关
“分割能代替培养”	分割给形态信息，不能给菌种与药敏

一句话防线：形态 ≠ 物种，染色 ≠ 毒力，实例数 ≠ 菌量。

5.16 与其他"细菌图像"资源的边界

在检索相关工作时，常会遇到以下几类资源，它们与本数据集的边界应划清：

培养菌落图像集：拍摄的是平板上的菌落，标注为物种——与本数据集的涂片显微图像完全不同层级。
抗酸染色（Ziehl-Neelsen）图像集：同为涂片显微，但针对分枝杆菌，染色原理与革兰染色不同——同层级、不同染色。
荧光染色/活死染色图像集：染色机制不同，类别语义不同。
合成细菌图像：用于数据增强或预训练，不具备临床来源真实性——不能替代本数据集做临床场景结论。

定位重申：本数据集的不可替代性来自"真实临床呼吸道标本 + 革兰染色 + 形态染色四分类实例标注"这一精确组合。检索与引用时，应以此组合为锚点。

5.17 本节小结

标注层级是形态 × 染色的四分类，不含菌种、药敏、丰度。
四类 = 球菌/杆菌 × 阳性/阴性，判别存在形态灰区与染色漂移两类难点。
标注流程含模型在环的靶向复核，效率高但引入潜在选择偏倚。
正确识别判据为 IoU > 0.45 且类别一致，阈值由数据的小目标特性决定。
标注存在七条已知局限，使用者应在方法学部分如实披露。
实例计数与边界约定强绑定，跨数据集比较须谨慎。
从实例到临床结论之间存在多层语义缺口，数据只覆盖到实例层。
标注质量足以训练、不足以宣称临床级，引用时须措辞谨慎。

给使用者的最终叮嘱：本数据集教会模型的，是"在真实临床涂片分布上识别细菌的形态-染色属性"。它不教，也不可能教模型"这是什么菌、该用什么药"。把前者当后者用，是这套数据最危险的误用。

§6 许可、获取与版本

6.1 许可协议

项	内容
许可	CC-BY-4.0（Creative Commons Attribution 4.0 International）
来源	Zenodo 记录结构化字段；论文 title page 明确声明
允许	共享、改编、商用
义务	署名（Attribution）
DUA	无
申请审批	无

许可双口径存照：论文正文另有一句 “uploaded in Zenodo allows for use without any restriction”（无限制使用）。本条目以 CC-BY-4.0 为准——理由是 Zenodo 结构化字段与论文 title page 均为明确的 CC-BY-4.0 声明，而"no restriction"属行文表述。实践建议：按 CC-BY-4.0 执行，即务必署名（见 FACTS.md §9 第 1 条）。

6.2 获取方式

数据（Zenodo）：

https://doi.org/10.5281/zenodo.10526360

匿名公开下载，无需注册、无需 DUA。
含 RawImageDataSet.zip 与 DeepDataSet 两个包。

代码（GitHub）：

https://github.com/Quanlab-Bioimage/Clinical-Bacteria-DataSet

提供基准算法的训练/推理代码。

论文（开放获取）：

DOI: 10.1038/s41597-024-03370-5
PMC: PMC11162412

6.3 版本链

同一 Zenodo record 经历三代迭代：

版本	DOI	时间	说明
V1	`10.5281/zenodo.10474234`	2024-01-09	首发
V2	`10.5281/zenodo.10525721`	2024-01	修订
V3	`10.5281/zenodo.10526360`	2024-01-18	最新版（引用基准）

引用建议：引用 V3 的 DOI 10.5281/zenodo.10526360。Zenodo 的概念 DOI 会自动重定向至最新版，因此长期引用更稳健。

待核：本轮未实抓 GitHub star/commit 数与 Zenodo 累计下载/阅读数，故成稿不写具体数值，仅陈述"存在代码仓与持续版本迭代"（见 FACTS.md §9 第 5 条）。

6.4 下载体积提示

包	体积	备注
RawImageDataSet.zip	18.7 GB	论文口径，原始全幅图
全量（含 DeepDataSet）	约 20.6 GB	Zenodo 文件列表口径

工程提示：若仅做检测/分割训练，DeepDataSet 是更实用的起点（已裁好 640×640 块）；RawImageDataSet 适合需要全幅视野或自行设计裁剪策略的场景。

§7 基准评测与结果

7.1 检测基准：YOLOv5

指标	数值
模型	YOLOv5
IoU 判定阈值	0.45
验证集综合指标（index）	0.87
val / test mAP@0.5	> 0.73
逐类 AP（最低）	约 0.73

论文报告的检测指标包括 Precision、Recall、F1、mAP，并给出 val / test 的混淆矩阵。

7.2 分割基准：U-Net

指标	数值
模型	U-Net
损失函数	交叉熵 + Dice
验证集指标	0.81
阴/阳性细菌 mAP	> 0.8

7.3 结果解读（关键警示）

⚠️ 0.87 与 0.81 不可横比！

检测的 0.87 是"多类检测综合度量（index）“，分割的 0.81 是"分割验证指标”，两者度量定义不同。本条目明确禁止表述为"检测优于分割"或反之。任何跨任务的直接比较都是无效的（见 FACTS.md §9 第 4 条）。

类不均衡对指标的影响：鉴于阴性杆菌占近半（49.0%），总体 mAP 会被多数类主导。使用者在复现时应逐类报告 AP，并特别关注样本最少的阳性杆菌（1,192）。

7.4 指标口径逐条辨析

为避免引用时的误读，此处把论文报告的几个关键数字逐条辨析：

数字	所属任务	口径	可否横比
0.87	检测（YOLOv5）	验证集综合 index	仅与检测类指标比
> 0.73	检测（YOLOv5）	val/test mAP@0.5	仅与检测类指标比
≈ 0.73	检测（YOLOv5）	逐类 AP 最低值	与同类逐类 AP 比
0.45	检测（质控）	正确识别的 IoU 阈值	是阈值，非性能指标
0.81	分割（U-Net）	验证集指标	仅与分割类指标比
> 0.8	分割（U-Net）	阴/阳性细菌 mAP	仅与分割类指标比

高频误读：把 0.45（阈值） 误当成性能指标，或把 0.73（mAP） 与 0.81（分割） 并列比较。两者均属口径错配。引用前务必先确认"这个数字是哪一类量"。

7.5 基线复现的最低要求

若要在本数据集上报告可对比的结果，至少应满足：

对齐 IoU 阈值：检测评测使用 IoU = 0.45，否则数值不可与论文基线直接对比。
对齐划分：使用与论文相同的 7:2:1 划分；若无固定划分文件，公开自己的划分清单与随机种子。
逐类报告：给出四类各自的 AP / IoU，而非仅报总体值。
区分任务：明确报告的是检测指标还是分割指标，不混报。
注明基线性质：说明论文数字是自报基线，而非领域公认 SOTA。

诚实性原则：把基线数字当"需要超越的目标"是合理的；把它当"领域天花板"则是误读。论文的定位是"发布基准以鼓励贡献"，因此0.87 / 0.81 是起点。

7.6 检测基准的技术细节（YOLOv5）

YOLOv5 作为单阶段检测器，在本任务中的适配要点：

小目标敏感性：细菌实例仅数像素至数十像素，YOLOv5 的多尺度特征金字塔对小目标有一定支持，但输入分辨率仍是关键——这也是使用 640×640 裁剪块而非缩放全图的原因。
NMS 与粘连：细菌密集处，非极大值抑制（NMS）可能误抑制紧邻的真实实例，造成漏检。这是检测路线在"计数"任务上的固有短板（呼应 §5.8）。
类别不均衡：YOLOv5 的默认损失对各码本不显式平衡，少数类（阳性杆菌）可能欠拟合。复现时可通过类别权重或数据重采样缓解。

7.7 分割基准的技术细节（U-Net）

U-Net 作为编码器-解码器结构，在本任务中的适配要点：

损失函数：论文使用 交叉熵 + Dice 的组合损失。交叉熵提供逐像素的梯度信号，Dice 直接优化重叠度，二者结合在前景稀疏（细菌像素占比低）的场景中尤为常见——单纯交叉熵会被大量背景像素主导。
前景稀疏问题：全幅涂片中细菌像素占比很低，属极端前景-背景不均衡。Dice 损失正是为缓解这一问题而引入。
从分割到计数：分割掩码可通过连通域分析得到实例数，这在原理上比检测框更利于精确计数（呼应 §5.8）。但粘连细菌的掩码分离仍是难题。

7.8 基准的定位

论文明确表示：发布基准算法的目的是"鼓励开发者开发算法并贡献"。这意味着——该数据集欢迎后续刷榜与复现，其"基准"是起点而非终点。使用者在论文中引用 0.87 / 0.81 时，应说明这是论文自报的基线，而非领域公认 SOTA。

§8 生态与互链点

8.1 库内强互链（同域显微 / 微生物图像）

nlm-tuberculosis——NLM 结核抗酸染色显微图像集。同属"染色 + 显微镜"临床微生物图像，是本库内最贴近的邻居，建议强互链。

8.2 库内方法学互链（检测/分割范式同源）

细胞/细胞核显微实例分割类（如 dsb2018、cryonuseg、nuinsseg、consep、monuseg 等）——强方法互链：U-Net / Mask R-CNN 系方法同源，可对比实例分割在小目标上的表现。
panda-plus、hest-1k、cptac-imaging——病理 WSI 类，弱互链：同属医学图像分割但域不同（组织切片 vs 微生物涂片）。

8.3 库内临床场景互链

shenzhen-tb、montgomery-tb——结核 CXR。弱互链：同属呼吸道感染域，但模态不同（X 线 vs 显微图像）。
eicu-crd、mimic-iv-ed、sicdb——重症/急诊 EHR。弱互链：M-ROSE 的临床场景呼应（重症肺部感染），但非图像数据。

8.4 库外生态

生态位	代表	关系
微生物组	MGnify、American Gut、curatedMetagenomicData	概念呼应（菌群 vs 菌形态），弱
显微成像	HUST 生物医学光子学团队相关成像工作	方法学上游
检测框架	YOLOv5 / YOLO 生态	基准实现依赖
分割框架	U-Net / MONAI	基准实现依赖

rid 映射说明：以上条目 rid 需在发布前用 DB url_name 反查确认。本代理仅做只读 slug 记账，未命中则不强挂（见 FACTS.md §8）。

§9 使用指南与坑点

9.1 推荐使用路径

1. 想快速上手检测/分割  → 下载 DeepDataSet（含 640DataSet / DetectionDataSet / SegmentationDataSet）
2. 想全幅视野/自定裁剪  → 下载 RawImageDataSet.zip（18.7 GB）
3. 想复现基线          → 从 GitHub 取代码，跑 YOLOv5（检测）/ U-Net（分割）
4. 想公平评测          → 逐类报告 AP / IoU，注意 7:2:1 划分

9.2 坑点清单（九个真实陷阱）

坑 1：把 1705 当成"训练图像数量"。
1705 是原始全幅图像数，不是训练样本数。实际送入网络的样本来自 640DataSet 的 640×640 随机裁剪块，其数量远多于 1705。写论文时若写"用 1705 张图训练"，表述不准确。

坑 2：把 11,824 当成"细菌总数"。
11,824 是已标注实例数。一张 4,912×3,684 的全幅涂片中实际细菌数可能远超标注数——标注是抽样/靶向的，不是穷举的。不要用它反推"感染负荷"。

坑 3：混淆 RawImageDataSet 与 DeepDataSet 的体积。
18.7 GB 只是原始图包；全量约 20.6 GB。若论文写"数据集 18.7 GB"，需注明指的是原始图包（见 FACTS.md §9 第 2 条）。

坑 4：直接横比 0.87（检测）与 0.81（分割）。
两者度量定义不同，不可比。这是最容易犯的错，审稿人也常被抓（见 FACTS.md §9 第 4 条）。

坑 5：用总体 accuracy 评测不平衡数据。
四类比约 4.9 : 1，一个"全预测阴性杆菌"的哑模型就能拿到 ~49% 的准确率。必须逐类报告 AP / IoU。

坑 6：忽略 IoU 阈值 0.45 的特殊性。
论文质控用 IoU > 0.45（非 0.5）。若你的评测用 0.5，数值将不可与论文基线直接对比。复现时须对齐阈值。

坑 7：误以为能查菌种或药敏。
数据只有"形态+染色"四类，没有菌种、没有药敏、没有培养结果。任何涉及菌种/耐药的结论都超出数据边界。

坑 8：忽略单一中心/单一成像系统的泛化风险。
全部数据来自一家医院、一套成像系统。跨机构/跨机型部署前必须自建外部验证集，不要假设直接泛化。

坑 9：把"no restriction"当作可免署名。
论文有一句"use without restriction"，但 Zenodo 与 title page 均为 CC-BY-4.0。署名是硬义务，不要省略（见 FACTS.md §9 第 1 条）。

§10 局限、伦理与结论

10.1 科学局限

泛化性未验证：单一中心、单一成像系统，跨域迁移能力未知。
标注一致性未量化：无 Kappa 值，标注质量缺乏可引用的数值证据。
类别不均衡：阳性杆菌仅 1,192，少数类性能存疑。
无外部测试集：val/test 均来自同一分布，缺乏真正的域外测试。
无片级金标准：无法直接训练/评测"整片诊断"任务。
无患者级元数据：无法做患者分层或混杂控制。

10.2 伦理与合规

数据已去标识化：图像经 desensitized 处理，不含患者身份信息。
公开可获取：CC-BY-4.0，无 DUA，许可允许研究与商用。
临床使用红线：本数据集及其模型输出仅为研究用途，不得直接用于临床诊断、菌种鉴定或抗感染决策。任何临床落地须经独立验证与监管审批。
署名义务：按 CC-BY-4.0，使用须完整署名原始论文与数据集。

10.3 结论

Clinical Bacteria DataSet 是目前少见的、面向 M-ROSE 场景的公开细菌显微检测/分割数据集。它的核心价值在于：

场景真实：来自真实临床呼吸道标本，而非合成或培养纯菌。
任务明确：检测 + 分割双任务，四分类体系有清晰的临床语义。
开放友好：CC-BY-4.0 直下，无审批门槛，配套基线代码。
有明确的提升空间：单一中心、类不均衡、无一致性量化——这些局限恰是后续研究的切入点。

对研究者而言，它是一个低门槛进入临床微生物显微图像分析领域的良好起点；对临床落地而言，它尚需外部验证与合规评估才能走向应用。

FAQ（高频问答 30 问）

Q1：这个数据集有多少张图？
1705 张全幅图像，每张 4,912×3,684 像素。

Q2：有多少个细菌标注？
11,824 个实例，其中球菌 4,833、杆菌 6,991。

Q3：分几类？
4 类：阴性球菌、阳性球菌、阴性杆菌、阳性杆菌。

Q4：标签编号是什么？
0=阴性球菌，1=阳性球菌，2=阴性杆菌，3=阳性杆菌。

Q5：支持哪些任务？
目标检测（bounding box + 类别）与语义/实例分割（mask）。

Q6：怎么划分数据？
训练:验证:测试 = 7:2:1。

Q7：许可是什么？能商用吗？
CC-BY-4.0，可商用，但必须署名。

Q8：需要申请吗？
不需要，Zenodo 匿名公开直下。

Q9：数据有多大？
原始图包 18.7 GB；含 DeepDataSet 的全量约 20.6 GB。

Q10：基线模型是什么？性能如何？
检测 YOLOv5（验证集 index 0.87，mAP@0.5 > 0.73）；分割 U-Net（验证集 0.81）。两者不可横比。

Q11：能用来鉴定菌种吗？
不能。数据只到形态+染色层面，无物种标签。

Q12：能做药敏预测吗？
不能。无抗生素敏感性信息。

Q13：图像是患者隐私数据吗？
已去标识化处理，不含可识别身份信息。

Q14：为什么 IoU 阈值是 0.45 而不是 0.5？
因为细菌实例尺度小、边界模糊，0.5 对人工标注本身也过严。

Q15：Data 从哪一年采集的？
2018–2022 年，来自肺部感染患者的下呼吸道标本。

Q16：有哪些文件夹？
640DataSet（640×640 裁剪块）、DetectionDataSet（检测）、SegmentationDataSet（分割）。

Q17：代码在哪？
GitHub：Quanlab-Bioimage/Clinical-Bacteria-DataSet。

Q18：论文发在哪？
Scientific Data 2024;11:608，DOI 10.1038/s41597-024-03370-5。

Q19：类不平衡严重吗？
是。最多类（阴性杆菌 5,799）与最少类（阳性杆菌 1,192）约 4.9:1。

Q20：最大的使用风险是什么？
单一中心/单一成像系统带来的泛化风险，以及容易被误用的临床结论外推。

Q21：可以直接用总体准确率报告结果吗？
不建议。四类不平衡（约 4.9:1），总体准确率会被多数类主导。应逐类报告 AP / IoU。

Q22：论文的 0.87 和 0.81 哪个更好？
无法比较。0.87 是检测综合指标，0.81 是分割指标，度量定义不同，任何横比都无效。

Q23：数据里有没有患者级信息（年龄/性别/病史）？
没有。数据只含去标识化图像与标注，无患者临床字段。

Q24：能做这个数据集的"二分类版"（阴/阳性整片筛查）吗？
可以，但需要自行从实例标注聚合出片级标签，论文未提供整片级金标准。

Q25：复现论文基线时最容易出错的地方是什么？
IoU 阈值未对齐（论文用 0.45，而非 0.5）、划分未固定、指标混报——这三点最常见。

Q26：如果我的显微镜和论文不同，能用吗？
可以用于研究，但跨机型泛化未经验证，建议先做色彩归一化或域适应，并自建外部验证集。

Q27：数据是中文还是英文标注？
标签为类别编号 0–3（对应四类英文名），无语言依赖。

Q28：可以用于商业产品吗？
CC-BY-4.0 允许商用，但必须署名；且用于医疗产品须另行通过监管审批。

Q29：这个数据集现在还是"最新版"吗？
本条目抓取时点（2026-10-07）以 Zenodo V3 为准；使用前请重新核对是否有更新版本。

Q30：一句话总结它适合谁？
适合想在真实临床微生物涂片上做检测/分割研究的团队，是进入该领域的良好起点；不适合任何直接临床诊断用途。

事实清单（硬事实 30 条）

数据集全称 Clinical Bacteria DataSet。
论文标题为 A Clinical Bacterial Dataset for Deep Learning in Microbiological Rapid On-Site Evaluation。
论文发表于 Scientific Data 2024;11:608。
论文 DOI 为 10.1038/s41597-024-03370-5。
PMC 编号 PMC11162412，PMID 38851809。
论文 Received 2024-01-19。
论文 Accepted 2024-05-13。
论文在线发表 2024-06-08。
Zenodo V3 DOI 为 10.5281/zenodo.10526360。
Zenodo V2 DOI 为 10.5281/zenodo.10525721。
Zenodo V1 DOI 为 10.5281/zenodo.10474234。
数据托管于 Zenodo，GitHub 代码仓为 Quanlab-Bioimage/Clinical-Bacteria-DataSet。
构建单位为解放军总医院与华中科技大学。
作者共 12 人。
通讯/指导侧为 Lixin Xie 与 Tingwei Quan。
图像总数 1705 张。
图像分辨率 4,912 × 3,684 像素。
球菌实例 4,833 个。
杆菌实例 6,991 个。
实例总数 11,824 个。
阴性球菌 3,371 个。
阳性球菌 1,462 个。
阴性杆菌 5,799 个。
阳性杆菌 1,192 个。
训练:验证:测试 = 7:2:1。
RawImageDataSet 体积 18.7 GB。
640DataSet 为 640×640 随机裁剪块。
检测基准 YOLOv5，IoU 阈值 0.45，验证集 index 0.87。
分割基准 U-Net，损失为交叉熵 + Dice，验证集 0.81。
数据许可为 CC-BY-4.0。

术语表（24 条）

术语	释义
M-ROSE	Microbiological Rapid On-Site Evaluation，微生物快速现场评价
革兰染色	Gram stain，据细胞壁结构差异区分细菌为阳性/阴性的染色法
球菌	cocci，球形细菌
杆菌	bacilli，杆状细菌
革兰阳性	Gram-positive，染色呈紫色
革兰阴性	Gram-negative，染色呈粉/红色
检测	Object Detection，定位并分类目标实例
分割	Segmentation，像素级前景划分
边界框	bounding box，目标的外接矩形
掩码	mask，像素级标注图
IoU	Intersection over Union，交并比，衡量框重叠度
mAP	mean Average Precision，平均精度均值
AP	Average Precision，单类平均精度
YOLOv5	单阶段目标检测网络
U-Net	编码器-解码器分割网络
Dice	Dice 系数，分割重叠度量
交叉熵	Cross Entropy，分类损失
去标识化	desensitization，去除身份信息
类不均衡	class imbalance，各类样本量差异大
中心偏倚	single-center bias，单一机构来源带来的偏差
混淆矩阵	Confusion Matrix，预测与真值的交叉计数
泛化性	generalization，跨域/跨机型表现能力
CC-BY-4.0	知识共享署名 4.0 国际许可
DOI	Digital Object Identifier，数字对象标识符

附录 A：加载与训练骨架

# 伪代码：检测任务加载骨架
# 1. 解压 DeepDataSet，定位 DetectionDataSet
# 2. 解析 bbox 标注，标签 0-3
# 3. 按 7:2:1 划分 train/val/test
# 4. 用 YOLOv5 配置训练，IoU 阈值设为 0.45 以对齐论文

from pathlib import Path

root = Path("DeepDataSet")
det_dir = root / "DetectionDataSet"
seg_dir = root / "SegmentationDataSet"
crop_dir = root / "640DataSet"

# 四分类映射
CLASS_MAP = {
    0: "Gram-negative cocci",
    1: "Gram-positive cocci",
    2: "Gram-negative bacilli",
    3: "Gram-positive bacilli",
}

附录 B：DAIMS 全表（可发现性 / 可获取性 / 可互操作 / 元数据质量 / 可持续性）

维度	评估	说明
D 可发现性	高	Zenodo + GitHub + Scientific Data 三源可检索，DOI 稳定
A 可获取性	高	CC-BY-4.0 匿名直下，无 DUA、无审批
I 可互操作	中	提供标准 bbox/mask 格式；无统一元数据 schema（如 DICOM/OME）
M 元数据质量	中高	论文对规模、类别、划分描述清晰；缺一致性量化与患者级元数据
S 可持续性	高	Zenodo 版本链 V1/V2/V3，DOI 长期可解析，代码仓持续维护

附录 C：逐项证据链自证

断言	证据来源
1705 张 / 4,912×3,684	论文正文（PMC11162412）
4,833 球菌 + 6,991 杆菌	论文正文
3,371 / 1,462 / 5,799 / 1,192	论文正文四类计数
7:2:1 划分	论文正文
YOLOv5 0.87 / mAP>0.73 / IoU 0.45	论文 Technical Validation
U-Net 0.81	论文 Technical Validation
18.7 GB / md5	Zenodo 文件列表
CC-BY-4.0 / 版本链 DOI	Zenodo 记录 + 论文 title page

附录 D：数据获取决策树

需要检测/分割训练数据？
├── 是 → 只需网络输入 → DeepDataSet / 640DataSet
│         └── 需全幅视野 → RawImageDataSet.zip (18.7 GB)
└── 否 → 需要菌种/药敏？ → 本数据集不适用，另寻培养/药敏集

附录 E：类别映射速查

0 → 阴性球菌 Gram-negative cocci  (3,371)
1 → 阳性球菌 Gram-positive cocci  (1,462)
2 → 阴性杆菌 Gram-negative bacilli (5,799)
3 → 阳性杆菌 Gram-positive bacilli (1,192)

附录 F：复现检查清单

[ ] 下载 V3 DOI（10.5281/zenodo.10526360）内容
[ ] 校验 zip md5（RawImageDataSet: 17b08ffea2ffd1d95094e5f6022d7716）
[ ] 按 7:2:1 复现划分（若论文未给固定划分文件，须固定随机种子）
[ ] 检测评测对齐 IoU 阈值 0.45
[ ] 逐类报告 AP，不报总体 accuracy
[ ] 引用时署名论文 + 数据集（CC-BY-4.0）

附录 G：互链强度矩阵（库内）

候选条目	关联维度	建议强度	备注
`nlm-tuberculosis`	染色 + 显微镜 + 临床微生物	强	库内最贴近邻居
细胞/细胞核显微分割类（如 `dsb2018` 等）	实例分割范式同源	强（方法）	可对比小目标表现
`panda-plus` / `hest-1k` / `cptac-imaging`	医学图像分割（病理域）	弱	域不同
`shenzhen-tb` / `montgomery-tb`	呼吸道感染（CXR 模态）	弱	模态不同
`eicu-crd` / `mimic-iv-ed` / `sicdb`	重症/急诊临床场景	弱	非图像

互链纪律：以上 rid 须在发布前用 DB url_name 反查确认；未命中则不强挂（只读记账，见 FACTS.md §8）。

附录 H：一页速查卡

名称      : Clinical Bacteria DataSet
规模      : 1705 张全幅图 (4,912×3,684) / 11,824 个实例
四类      : 0 阴性球菌 3371 | 1 阳性球菌 1462 | 2 阴性杆菌 5799 | 3 阳性杆菌 1192
划分      : 7 : 2 : 1
检测基线  : YOLOv5, IoU 0.45, index 0.87, mAP@0.5 > 0.73
分割基线  : U-Net (CE + Dice), val 0.81, mAP > 0.8
许可      : CC-BY-4.0（须署名）
数据      : https://doi.org/10.5281/zenodo.10526360  (V3)
代码      : https://github.com/Quanlab-Bioimage/Clinical-Bacteria-DataSet
论文      : Sci Data 2024;11:608  doi:10.1038/s41597-024-03370-5
红线      : 非临床诊断工具；不含菌种/药敏/患者信息

尾注

本条目 slug：clinical-bacteria-zn
事实底座：writing/clinical-bacteria-zn/FACTS.md（九节结构，抓取时点 2026-10-07）
三源互证：Zenodo 10.5281/zenodo.10526360 / GitHub Quanlab-Bioimage/Clinical-Bacteria-DataSet / Scientific Data 2024;11:608
双口径存照：共 7 条，逐条见 FACTS.md §9
待核事项：GitHub star/commit 数、Zenodo 下载量、并列一作标注、M-ROSE 设备型号——本轮均未实抓，成稿不作数值断言
免责声明：本条目为数据集知识整理，不构成任何临床诊疗建议；任何临床用途须经独立验证与监管审批

DAIMS: D 可发现性 / A 可获取性 / I 可互操作性 / M 元数据质量 / S 可持续性 —— 本数据集整体评级：高可用、中高元数据质量。