LISC — 白细胞分割与分类数据库

INFOBOX — LISC 一屏速览

维度	内容
本质	外周血涂片白细胞显微图像分割与分类基准（2010-2011 年，非新采集）
团队	伊朗德黑兰大学电气与计算机工程系；Rezatofighi & Soltanian-Zadeh
论文	CMIG 2011, 35(4):333-343（doi:10.1016/j.compmedimag.2011.01.003；PMID 21300521）
数据	400 张样本 / 100 张载玻片 / 8 名健康受试者；BMP 彩色，720×576 px
五分类	basophil / eosinophil / lymphocyte / monocyte / neutrophil
第六类	mixt（混合/多细胞视野，非五分类之一）
任务	①核/胞浆分割 ②五种正常白细胞识别
标注者	血液学家给分类标签；专家手工勾画分割 GT
主方法（原论文）	Gram-Schmidt 正交化 + snake 算法；SFS 特征选择；ANN vs SVM
主基准	原论文 SVM 96.00%；后续 Shape-Aware 98.51% 等
获取	官方 ZIP，须从第一作者站点索取；URL 含空格常返 400
许可	非标准：研究/教育免费，禁止复制再分发，须致谢引用
库内互链	acevedo-blood（722）、bbbc（34）、bbbc051（725）、medmnist（716）、lightmycells2（631）

LISC 是白细胞图像分析领域"被引用得比被下载得多"的经典基准：它只有 400 张样本、720×576 像素、2010 年采集，却在其上积累了近十五年的分割与分类方法横评——从 2011 年的蛇形算法与 SVM，到 2019 年的 W-Net、2020 年的胶囊网络、2022 年的形状感知双分支网络，一代代白细胞识别方法都把 LISC 当作起跑线。它的价值不在数据量，而在"标注稀缺性"：专家手工勾画的核/胞浆分割掩码 + 血液学家给出的五分类标签，在一个只有数百张图的小集合上同时提供分割与分类两种监督，这在公开白细胞数据集中并不常见。

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——注意官方禁止再分发，务必从第一作者站点索取，别用第三方镜像。
2. 关心方法演进：直奔 §5 评估与基准——第五章把 2011-2022 年 LISC 上的分类准确率横评整理成表。
3. 搞清楚"到底几张图"：直奔 §4 与 §9 存照——400/376/250/242 四个数字各有所指，误读是初学者最常见翻车点。

条目导航

本条目含 14 个正文章节（§0-§14）与附录 A-Z、补编 AA-JJ。按任务直达：

你想做什么	直达章节
5 分钟了解 LISC	INFOBOX、§0 导读、§1 十问十答
下载数据并确认合规	§6 获取与许可、附录 R 实操步骤、附录 H 合规检查表
核对"到底几张图"	§2.4 类分布、附录 J 口径速查、§9 存照
复现分类/分割基准	§5 评估与基准、附录 I 复现要点、附录 BB/CC 实验设计手册
设计跨域实验	§5.3 泛化性警示、附录 K、附录 DD 跨域设计手册
查白细胞形态学背景	§3.3 五类体系、附录 A 速认卡、附录 O 医学背景
找互链条目	§7 生态与互链、附录 L 互链方案
避坑	§10 坑点清单、附录 G 误用清单、附录 GG 坑点补遗
AI-Ready 元数据审计	§10.5 DAIMS、附录 U 数据质量三重视角、附录 AA 元数据审计
引用与致谢	§12 关键事实、附录 EE 引用格式汇编

条目结构主线：§0-§1 导读与速览 → §2-§3 数据与标注 → §4 论文与时间线 → §5 评估与基准 → §6 获取与许可 → §7-§9 生态、方法学与库内定位 → §10-§14 坑点、DAIMS、FAQ、事实清单、术语与来源 → 附录 A-Z → 补编 AA-JJ → 尾注。

§0 导读：这个数据集解决什么问题

白细胞（white blood cell, WBC）是外周血里数量最少、形态最杂的一类细胞，也是血液系统疾病诊断的关键线索。正常外周血白细胞分五类：中性粒细胞（neutrophil）、淋巴细胞（lymphocyte）、单核细胞（monocyte）、嗜酸性粒细胞（eosinophil）、嗜碱性粒细胞（basophil）。它们的相对比例与形态异常，是感染、炎症、白血病等疾病的重要提示。传统上，这份工作由检验技师在显微镜下逐视野分类计数完成——耗时、主观、且高度依赖经验。

上世纪九十年代起，自动白细胞识别成为医学图像处理的一个经典子领域，但长期缺少一个公开、带专家标注、同时含分割掩码与分类标签的基准集。文献里各团队各采各的图、各标各的类，结果根本无法横向比较。LISC 就是为填这个空缺而生的：2010 年，德黑兰大学团队从 Imam Khomeini 医院血液肿瘤与骨髓移植研究中心采集了 8 名健康受试者的外周血涂片，截取 400 张白细胞显微图像，请一位专家逐张手工勾画核（nucleus）与胞浆（cytoplasm）区域作为分割金标准，请一位血液学家给出五分类标签，随后在 2011 年的《Computerized Medical Imaging and Graphics》论文里用它评测自己提出的算法。

§0 读法三则：

1. 这个条目是"数据集+方法论文"二合一：本体是 400 张带标注图像，论文里同时给出了分割方法（Gram-Schmidt+snake）与分类方法（纹理/形态特征+SVM/ANN），两者共同构成 LISC 的双任务设定。
2. 全文所有规模数字都存在多口径，正文按"主口径+逐条存照"书写，读到任何数字请先确认它指的是哪一层（原始样本/有 GT/五分类主集）。
3. 检索时若用 “Leukocyte Images for Segmentation in Circulating blood” 或"伊朗 Razi 大学"会一无所获——这是常见误传，官方全称是 “Leukocyte Images for Segmentation and Classification”，机构是德黑兰大学（§9 存照、坑 1）。

§1 数据集速览：十问十答

Q1：LISC 到底是什么的缩写？
LISC = Leukocyte Images for Segmentation and Classification，即"用于分割与分类的白细胞图像"。注意第二个词是 Classification（分类），不是某些资料误写的 Circulating blood（循环血）。

Q2：谁做的、什么时候？
伊朗德黑兰大学电气与计算机工程系，Seyed Hamid Rezatofighi 与 Hamid Soltanian-Zadeh 两位作者。数据库 2010 年开发，配套论文 2011 年发表于《Computerized Medical Imaging and Graphics》第 35 卷第 4 期。

Q3：图像从哪来、多少张？
采集自德黑兰 Imam Khomeini 医院血液肿瘤与骨髓移植（BMT）研究中心，来自 8 名健康受试者的外周血涂片。官方口径为 400 张样本，取自 100 张显微镜载玻片——这个"400"是原始的样本总口径。

Q4：图像什么规格？
BMP 格式、彩色 RGB、720×576 像素。这是绝大多数文献采用的口径；个别论文（PMC10160737）记为 720×720，属孤例，疑笔误（§9 存照）。

Q5：分几类？
正常白细胞五类：basophil（嗜碱性粒细胞）、eosinophil（嗜酸性粒细胞）、lymphocyte（淋巴细胞）、monocyte（单核细胞）、neutrophil（中性粒细胞）。此外数据集还包含一个 **mixt（混合/多细胞视野）**子目录，它是第六个目录，但不属于五分类体系。

Q6：两个任务分别是什么？
①分割（Segmentation）：把白细胞分割成核与胞浆两个区域，金标准是专家手工勾画的掩码；②分类（Classification）：识别图像中白细胞属于五类中的哪一类。

Q7：标注谁做的、可靠吗？
分类标签由一位血液学家（hematologist）给出；核/胞浆分割金标准由一位专家手工勾画。两者都是领域专家人工标注，是该数据集相对其他自动派生集的核心价值。

Q8：原论文用了什么方法？
分割用 Gram-Schmidt 正交化 + snake 算法提取核与胞浆；分类提取纹理与形态特征、用 **SFS（Sequential Forward Selection）**做特征选择，对比 **ANN（人工神经网络）与 SVM（支持向量机）**两类分类器。结论是方法准确且足够快，可用于血液实验室。

Q9：我现在能拿到什么、怎么拿？
官方提供 ZIP 下载，含 Main Dataset、Ground Truth Segmentation、More Dataset without Ground Truth 三部分。但必须先看许可条款：官方要求"直接从第一作者站点获取"，且禁止复制再分发（§6）。

Q10：为什么它对 AI-Ready 重要？
它是"小而精、专家标注、双任务"的典型：图像数量不多，但分割掩码与分类标签同时由专家提供，使其成为白细胞分割/分类算法横评的公共基准；同时它也是一堂"license 与获取方式"的课——非标准许可 + 不稳定官方 URL，正是 AI-Ready 元数据必须如实披露的那类数据集。

§2 数据构成与规格

2.1 规模、来源与采集背景

LISC 的图像全部采集自伊朗德黑兰 Imam Khomeini 医院血液肿瘤与骨髓移植（BMT）研究中心的外周血涂片。8 名健康受试者提供血样，涂片经染色后置于显微镜下拍摄，团队从视野中截取单个或多个白细胞的区域，共得到官方口径的 400 张样本、取自 100 张显微镜载玻片。

采集"健康受试者"这一设计决定了数据集的疾病谱零覆盖：LISC 里没有白血病、没有贫血、没有感染相关形态异常，它只回答"正常外周血的五类白细胞长什么样、怎么分"这个问题。任何需要异常形态（如原始细胞、异型淋巴细胞）的研究，都不应指望在 LISC 上找到样本。

属性	规格
采集地	Imam Khomeini 医院血液肿瘤与 BMT 研究中心（德黑兰）
供体	8 名健康受试者
原始规模	400 张样本 / 100 张载玻片（官方口径）
图像格式	BMP，彩色 RGB
图像分辨率	720 × 576 像素（主口径）
采集性质	外周血涂片显微图像（非扫描数字化、非流式）

关于"400 张"要建立的第一个正确直觉是：这是一个样本计数，不是一个单一子集的计数。LISC 在后来的分发与使用中被切成若干子集——带手工分割 GT 的 250 张、构成五分类主集的 242 张、无 GT 的附加图 126 张——这些数字之间的关系并不闭合（250+126=376≠400），其成因是官方发放的目录结构与第三方版本切分差异叠加的结果（§9 逐条存照）。

2.2 目录结构与三大部分

官方 ZIP 解包后是三大块（依据官方页面描述与第三方转载核对）：

1. Main Dataset/：六个子目录——Baso、eosi、lymp、mixt、mono、neut。前五者对应五分类，mixt 是混合/多细胞视野。图像为 BMP 彩色文件。
2. Ground Truth Segmentation/：同样六个子目录（Baso/eosi/lymp/mixt/mono/neut），各含一个 areaforexpert1/ 子目录，存放专家手工勾画的核/胞浆分割掩码。
3. More Dataset without Ground Truth/alll/：无分割 GT 的附加图像，用于扩展分类训练样本。

三个部分对应三种使用场景：只做分类 → 用 Main Dataset；做分割或分割+分类 → 用 Ground Truth Segmentation；需要更多分类样本 → 叠加 More Dataset。areaforexpert1 这个目录名点明了标注来源——“expert 1 勾画的区域”，暗示分割 GT 由单一专家完成、未做多专家仲裁。

2.3 图像规格与格式细节

维度	值
格式	BMP（位图）
色彩	彩色 RGB
分辨率	720 × 576 px（宽 × 高）
图像内容	单个白细胞为主，含少量多细胞/混合视野（mixt）
压缩	BMP 无压缩或简单压缩（视版本）

720×576 这个尺寸对应的是 4:3.2 的非标准宽高比，属于早期显微相机（如模拟视频采集卡）的常见输出分辨率，而非现代科研相机的方形输出——这也侧面印证了数据集 2010 年前后的采集年代。

2.4 类分布：五类样本的实际构成

五分类主集的类别分布（242 张主口径，三源一致）：

类别	英文	中文	张数
Basophil	basophil	嗜碱性粒细胞	53
Eosinophil	eosinophil	嗜酸性粒细胞	39
Lymphocyte	lymphocyte	淋巴细胞	52
Monocyte	monocyte	单核细胞	48
Neutrophil	neutrophil	中性粒细胞	50
合计	—	—	242

这个 242 张的分布口径被三份独立来源一致记录（ACM ToCH 2026 综述、d-nb.info 的 GAN 论文、Ghost-ResNeXt MDPI 论文），因此作为主口径采用。差异口径见 §9：W-Net 论文记 254 张（Baso 55/Eos 39/Lym 56/Mono 48/Neut 56），属其自切图统计；另有 biorxiv 表记类分布中 basophil 疑似仅 5 等小类口径。

从分布本身读三点：

1. 样本极不均衡：Eosinophil 39 张与 Basophil 53 张都偏少，而五类中任一类都不到样本的一半——这是白细胞自然比例的反映（中性粒细胞在外周血中本就最多，嗜碱性粒细胞最少），但会带来小类训练偏差。
2. 242 是"五分类可用数"：它比"有 GT 的 250 张"少，差异来自 250 里有部分属于 mixt 或未纳入五分类切分的样本。
3. mixt 是独立一类：混合视野图既不属于五分类，也不是噪声，而是刻意保留的多细胞场景——它考验模型在多个白细胞同框时的定位与识别能力。

2.5 分辨率与计数口径的存照必要性

LISC 的分发不是一条干净的流水线：官方页面、第三方转载、论文引用三方对"多少张、什么尺寸"的说法各异。这不是数据集"混乱"，而是一个 2010 年的小型学术数据集在十余年传播中被反复转述、切分、重新打包的典型痕迹。条目正文按主口径书写，并在 §9 把所有冲突逐条落源存照——这是 AI-Ready 元数据诚实性的要求：不掩盖矛盾，只标注矛盾。

§3 任务与标注体系

3.1 双任务设定

LISC 的独特之处在于它同时支撑两个任务，且两者的金标准来自同一批图像但不同标注动作：

任务	输入	输出	金标准来源
分割	白细胞显微图	核区域 + 胞浆区域掩码	一位专家手工勾画（areaforexpert1）
分类	白细胞显微图	五类之一	一位血液学家给出标签

分割与分类的组合正是原论文标题 “Segmentation and Classification” 的由来——先分割出核与胞浆，再从分割结果提取区域特征用于分类，是一条"分割驱动分类"的方法链。

3.2 分割标注：核与胞浆

分割任务的目标是把白细胞分解为**核（nucleus）与胞浆（cytoplasm）**两部分：

• 核：白细胞的深染色区域，形态多样——中性粒细胞核分叶、淋巴细胞核圆而致密、单核细胞核肾形/马蹄形、嗜碱性/嗜酸性粒细胞核形态各异。核的形态本身是分类的重要特征。
• 胞浆：核周围的浅染色区域，内含颗粒。颗粒的颜色与数量是区分嗜酸性（橘红颗粒）、嗜碱性（深蓝/紫黑颗粒）与其他类型的关键。

专家勾画的掩码按类别存放在 Ground Truth Segmentation/<类名>/areaforexpert1/ 下，官方对其具体编码格式（二值图/标签图/彩色区域）未在公开页面详述——这是 §9 中一个明确的遗留疑点。

3.3 分类标注：五类体系

五类白细胞的形态学要点（这也是分类模型需要学到的判别特征）：

类别	核特征	胞浆/颗粒特征	相对比例
Neutrophil 中性粒细胞	分叶核（2-5 叶）	淡染、细颗粒	最多
Lymphocyte 淋巴细胞	大而圆的致密核	少、呈窄环状	次多
Monocyte 单核细胞	肾形/马蹄形/折叠核	较丰富、灰蓝、可有空泡	中等
Eosinophil 嗜酸性粒细胞	常双叶	含粗大橘红色颗粒	较少
Basophil 嗜碱性粒细胞	分叶/不规则	含粗大深紫黑色颗粒（常遮盖核）	最少

标注由一位血液学家完成——即标签是"血液学专家判读"而非"众包"或"自动派生"，这使 LISC 的类别标签质量在同类公开数据集中处于较高档位。

3.4 原始论文的方法链（作为标注可用性的证明）

原论文展示了一条完整的方法链，也顺带证明了这套标注足以支撑分割与分类：

1. 分割：对白细胞图像做 Gram-Schmidt 正交化（一种色彩空间正交变换，用于增强核与胞浆的对比）后，用 snake 算法（主动轮廓模型）迭代收敛到核与胞浆边界，得到分割掩码。
2. 特征提取：从分割出的区域提取纹理特征（如共生矩阵相关量）与形态特征（核面积、核形状因子、胞浆/核面积比等）。
3. 特征选择：用 SFS（Sequential Forward Selection，逐步前向选择） 从候选特征中选出最具判别力的一组。
4. 分类：在选定特征上训练并对比 ANN 与 SVM 两分类器。
5. 结论：所提方法准确且足够快，可用于血液实验室的自动分类场景。

这条链的意义在于：它首次在 LISC 上把"专家分割标注"与"专家分类标签"串成了可分步骤复现的基线流程，后续所有在 LISC 上的方法都可以与之对照。

3.5 标注体系的局限

三点必须在使用前明确：

1. 单标注者：无论分割还是分类，都只由一位专家完成，没有多专家一致性（inter-rater agreement）数据。这意味着 LISC 的"金标准"实际是"某一位专家的判断"，标注不确定性未被量化。
2. 健康供体：8 名受试者均为健康人，形态谱系窄，无法覆盖病理形态。
3. 规模小：数百张的量级决定了 LISC 更适合做方法对照基准而非模型训练主集——把它当训练集容易过拟合，把它当评测集则能横向比较方法。

§4 论文、时间线与版本链

4.1 主论文

LISC 的权威定义来自这篇论文：

• 标题：Automatic recognition of five types of white blood cells in peripheral blood
• 作者：Seyed Hamid Rezatofighi, Hamid Soltanian-Zadeh
• 期刊：Computerized Medical Imaging and Graphics（Elsevier）
• 卷期：2011, 35(4): 333-343
• DOI：10.1016/j.compmedimag.2011.01.003
• PMID：21300521
• 许可：© 2011 Elsevier Ltd. All rights reserved（论文本身非开放获取；PDF 由作者站点自托管）

论文的标题精确概括了数据集用途：识别外周血中"五种类型的白细胞"。数据集名称 LISC 里的 Segmentation（分割）与 Classification（分类）正对应论文的两大任务。

4.2 时间线

节点	时间	说明
数据库开发	2010 年	官方页面记为 2010 年开发
论文投稿	2010-09-07	Received
论文修回	2011-01-01	Revised
论文接收	2011-01-10	Accepted
论文出版	2011 年 6 月（35 卷 4 期）	Published
ICIAR 会议版	2010 年	前身会议论文
CNN 复评（Kadry）	2021 年	在 LISC 上建立深度学习分割基线
派生掩码集（ImageMask-LISC）	2024 年	GitHub 第三方预增强分割集

年际双口径存照：官方数据集页面标注数据库 2010 年开发（正文多处称 “developed in the year 2010”），而正式论文卷期是 2011 年。ACM ToCH 2026 综述记 “LISC … 2011 年”，PMC10160737 表 1 记 Year=2011，Kadry CNN 论文记 “developed in the year 2010”。因此条目采用"2010 年采集/发布雏形、2011 年正式论文"的双口径写法。

4.3 前身会议论文

在主论文之前，团队于 ICIAR 2010（International Conference on Image Analysis and Recognition）发表了会议版工作，PDF 由作者站点自托管（Rezatofighi_ICIAR_2010.pdf）。另有 ISSPIT 2009 系列工作。这说明 LISC 的方法与数据经历了"会议版→期刊版"的迭代，期刊版是最终定稿口径（250 张手工 GT）。

4.4 引用与影响

截至 2026 年抓取时点，主论文在 Google Scholar 的引用数约 479+。对于一个 2011 年的小型图像数据集论文，这个引用量说明 LISC 已成为白细胞图像分析领域的常用对照基准——大量后续工作不重新采集数据，而是直接在 LISC 上报告新方法的准确率。

4.5 版本链

LISC 的传播形成了四段版本链：

1. 2010 原始数据库：官方 ZIP 首次发布，含 Main Dataset + Ground Truth + More Dataset。
2. 2011 CMIG 论文定稿口径：以 250 张手工 GT 为分割基准，五分类 242 张为分类基准。
3. 2021 Kadry CNN 复评：在 LISC 上用 SegNet/U-Net/VGG-UNet 建立深度学习基线（§5）。
4. 2024 ImageMask-LISC 派生掩码集：GitHub 第三方将 LISC 重新打包为预增强的分割掩码数据集。

链上后两段都不是官方发布，使用时须注意其 license 与官方条款的冲突（§6、§9）。

§5 评估与基准

5.1 分类基准横评

LISC 上五分类（个别方法为 4 类或 6 类）准确率的文献横向对比（Shape-Aware 2022 综述 arXiv:2212.13695 表 6 汇总，逐条落源）：

研究	方法	类数	准确率
Rezatofighi 2011	ANN/SVM	5	96.00%（SVM 口径）
Jung 2019 (W-Net)	CNN	5	97.00%
Baydilli 2020	Capsule Networks（胶囊网络）	5	96.86%
Harshanand 2020	CNN	5	97.64%
Tavakoli 2021	Segmentation + Traditional	5	92.21%
Muhammad/Khan 2021	Feature Selection + ELM	4	96.60%
Shape-Aware 2022	Dual Branch + Shape Attention	6	98.51%

这张表的读法：

1. 天花板不高：从 2011 年的 96.00% 到 2022 年的 98.51%，十余年方法演进只把准确率推高约 2.5 个百分点。这说明 LISC 的五分类任务难度适中——样本量小、类别清晰、健康供体形态标准，大多数方法都能上 96%。
2. 类数不同不可直接比：Muhammad/Khan 是 4 类（去掉了某一类），Shape-Aware 是 6 类（含 mixt），不同类数下的准确率不能直接对标，必须连同"类数"一列一起读。
3. 传统方法仍有竞争力：Baydilli 的胶囊网络（96.86%）与 2011 年 SVM（96.00%）差距很小，说明了这个数据集上"深度模型碾压传统方法"的叙事并不成立。

5.2 分割基准

Kadry 等 2021（Journal of Supercomputing, doi:10.1007/s11227-021-04125-4）在 LISC 上建立深度学习分割基线，使用 SegNet / U-Net / VGG-UNet，报告的指标为：

指标	值
Accuracy	97.96
Precision	94.68
Sensitivity	91.42
Specificity	98.41
F1	97.28

此外，Modified Watershed（2023, PMC10160737）在 LISC 上做分割实验，报告在 HSV 色彩空间下精度/召回/DSC 表现最优——这提示色彩空间选择对白细胞分割有实质影响，因为白细胞核/胞浆的区分高度依赖染色色相。

5.3 泛化性警示：跨数据集评测的悬崖

LISC 最重要的一条使用警示来自 biorxiv 2021.05.12.443717（“Generalizability in WBC Classification”）：当模型在 Raabin-WBC 数据集上训练、在 LISC 上测试时，准确率出现大幅下降（原文措辞 “dramatic drop in accuracy for the LISC dataset”）。Raabin 训练 + LISC 评测的准确率仅 92.21%，显著低于同域评测。

原因在于跨显微镜/跨染色/跨相机的域偏移（domain shift）：LISC 的图像来自德黑兰某医院 2010 年的设备，Raabin 来自不同的采集条件，两者的颜色分布、背景亮度、细胞着色风格都不同。结论：在 LISC 上刷出的高准确率，不能直接外推到其他显微镜采集的白细胞图像；任何声称"LISC 上 98% 所以实用"的论断都要先过一遍跨域测试。

5.4 评测基准小结

任务	代表基线	参考水平	主要陷阱
五分类	Shape-Aware 2022（6 类）	98.51%	类数口径不一
五分类	Rezatofighi 2011（5 类）	96.00%	原始基线，传统方法
核/胞浆分割	Kadry U-Net	Acc 97.96 / F1 97.28	色彩空间敏感
跨域泛化	Raabin→LISC	92.21%（大跌）	域偏移致命

§6 获取与许可

6.1 官方许可条款（逐条原文）

LISC 使用的是作者自定义的非标准许可，不是任何 Creative Commons 变体。官方页面给出的三条核心条款：

1. “The data included in this database can be used, free of charge, for research and educational purposes.” —— 研究/教育用途免费。
2. “Copying, redistribution, and any unauthorized commercial use are prohibited.” —— 禁止复制、再分发，禁止未授权商业使用。
3. “The use of this database is restricted to those individuals or organizations that obtained the database directly from the first author website.” —— 使用仅限于"直接从第一作者站点获取"数据的个人或机构。

此外，条款要求使用者致谢（acknowledge）并引用 Rezatofighi & Soltanian-Zadeh 2011 论文。

6.2 官方获取方式

• 官方数据页：http://users.cecs.anu.edu.au/~hrezatofighi/Data/Leukocyte%20Data.htm
• 官方 ZIP：http://users.cecs.anu.edu.au/~hrezatofighi/Data/LISC%20Database.zip
• ZIP 内含：Main Dataset + Ground Truth Segmentation + More Dataset without Ground Truth

6.3 URL 获取坑

官方页面与文件 URL 含空格（Leukocyte Data.htm）与波浪号（~hrezatofighi），直接 curl 常返回 HTTP 400 Bad Request（服务器 Apache/2.4.62 拒绝请求行中的裸空格）。应对方式：

• 用 %20 编码空格、用 %7E 编码波浪号；
• 或直接在浏览器中打开（浏览器会自动编码）；
• 服务器偶发超时，需要重试。

重要判断：URL 返 400 属于服务器端问题，不是数据集失效——2021-2026 年仍有多篇论文引用官方 URL 并称其可用。

6.4 第三方镜像与派生集（license 存疑）

网络上存在若干 LISC 的镜像与派生版本，它们都不是官方授权渠道，其 license 与官方"禁止再分发"的条款存在冲突：

来源	说明	许可
GitHub sarah-antillia/ImageMask-Dataset-LISC	预增强分割掩码派生集（2024-07-24）	含自有 LICENSE，非官方
GitHub Johnnny-Du/LISC-dataset	五分类 train/valid 划分（2025-09-08）	来源自述 Monash 页，非官方
GitHub OzgurTugan/Leukocyte-Classify	MATLAB 分割+分类示例	GPL-3.0
HuggingFace 派生集	若干 LISC 派生集（主站受限未逐一核验）	各异

使用建议：合规做法是从官方站点获取。若因官方 URL 不可达而不得不使用第三方版本，应在论文中明确说明来源并注意其 license 无法等同于官方授权——这是 AI-Ready 元数据必须诚实披露的一条：别把 GitHub 镜像当成"公开数据集"来引用。

6.5 获取决策树

需要 LISC
├─ 研究/教育用途？
│   ├─ 是 → 官方 ZIP（注意 URL 编码），致谢+引用论文
│   └─ 否（商业） → 官方禁止未授权商业使用，需另行联系作者
└─ 官方 URL 不可达？
    ├─ 先重试 / 浏览器打开 / 换网络
    └─ 仍不可达 → 谨慎评估第三方镜像，注明非官方来源

§7 生态与互链：白细胞图像数据集坐标系

7.1 白细胞/血细胞数据集谱系

LISC 不是孤岛，它处在一个"外周血细胞图像数据集"的谱系中。理解它在谱系中的位置，比单独记住它的数字更有用：

数据集	规模	任务	与 LISC 的关系
LISC	400 张（242 五分类）	分割 + 五分类	本条目，2010 年，专家手工 GT
acevedo-blood	外周血单细胞显微图	五分类	同域最强互链，类别体系相近
Raabin-WBC	万级	五分类	常用跨域评测对象（§5.3）
BCCD	数百张	检测+分类	Kaggle 常见入门集
ALL-IDB1/2	数百张	白血病（淋巴母细胞）识别	病理方向（非健康）
CellaVision DM96	商业系统数据	五分类	工业界对照
C-NMC 2019（TCIA）	万级	白血病分类（ISBI 挑战）	病理方向挑战赛

LISC 在这个谱系里的定位是**“小而精的元老基准”**：它比 BCCD 标注更专业（有分割 GT），比 Raabin/C-NMC 规模小得多，但正因规模小、标注精，它适合做"方法对不对"的快速验证，而不是"模型强不强"的规模竞赛。

7.2 外部生态：白细胞识别的挑战赛与竞赛

• Raabin-WBC：伊朗团队近年发布的更大规模白细胞集，常与 LISC 配对做跨域实验。
• BCCD（Blood Cell Count and Detection）：Kaggle 上流行的入门数据集，标注质量参差。
• C-NMC 2019：ISBI 挑战赛，聚焦儿童急性淋巴细胞白血病（ALL）的原始细胞识别。
• ALL-IDB1/2：米兰大学发布的 ALL 图像数据集，含分割与分类两个子集。

7.3 库内互链点

LISC 与本库以下条目构成互链网络：

• acevedo-blood（rid 722）：最强互链——同为外周血白细胞单细胞显微图像数据集，同类五分类任务，染色域相近，可直接做"训练 LISC → 测试 acevedo"或反之的跨域实验。
• bbbc（rid 34，Broad Bioimage Benchmark Collection）：同属显微图像公共基准集，BBBC 是通用生物图像基准，LISC 是其血细胞方向的专门化对应。
• bbbc051（rid 725）：Broad 显微基准中标注细胞类型的子集，与 LISC 的细胞分类任务同构。
• medmnist（rid 716）：含 BloodMNIST 血细胞子集的标准化轻量基准，适合与 LISC 对照"轻量基准 vs 专家标注基准"。
• lightmycells2（rid 631）：显微图像（无标记→荧光）挑战赛，同属显微图像域。
• nct-crc-he-100k（rid 148）：H&E patch 组织分类金标准，同为"医学显微图像分类"，域相关但任务/分辨率不同。
• human-cell-atlas（rid 319）/ single-cell-portal（rid 359）/ cellxgene（rid 38）：单细胞数据生态，任务不同（组学而非图像），弱相关。

§8 方法学启示

8.1 "小数据 + 专家标注"的价值边界

LISC 证明了一件事：在标注稀缺的领域，几百张专家标注的图像足以支撑十余年的方法横评。它的价值不来自规模，而来自标注的质量与双任务（分割+分类）的完整性。对今天的启示是——不是所有基准都需要万级样本，关键任务上的高保真小基准反而更容易积累长期可比性。

8.2 域偏移是小数据集的阿喀琉斯之踵

LISC 的规模决定了它对域偏移极其敏感：400 张图全部来自同一医院、同一时期、同一批设备。§5.3 的 Raabin→LISC 实验显示跨域准确率大跌。“domain shift” 这个词在这里不是抽象概念，而是"换一台显微镜就掉点"的具体事实。使用 LISC 的研究必须把跨域测试纳入报告，否则准确率数字没有外部效度。

8.3 数据集的公共寿命长于其论文

LISC 主论文 2011 年发表，但数据集本身被引用到 2026 年。这意味着一个数据集一旦成为"公共基准"，它的寿命就脱离了论文的寿命——团队发布时的一个小决策（分辨率、许可、目录结构）会被后续十几年的使用者反复遇到。LISC 的 URL 400 问题、许可非标准问题、计数口径不统一问题，都是当年发布细节在今天放大的后果。这正是 AI-Ready 元数据存在的理由。

8.4 分类方法的"收敛假象"

LISC 五分类准确率从 96% 到 98.5% 的缓慢爬升（§5.1）容易被误读为"任务已解决"。实际上 242 张样本、5 类均衡性差、健康供体形态标准，使得高准确率是数据本身简单的结果，而非方法强大。在更难的病理白细胞（如白血病原始细胞）上，准确率会显著更低。别把 LISC 的高分当成白细胞识别的通用能力证明。

§9 库内关系与元数据定位

9.1 分类标签

维度	取值
L1 域	医学影像
L2 域	病理图像
任务	图像分类、医学图像分割
性质	评测基准

9.2 slug 与查重

• slug：lisc
• 查重 SQL：SELECT record_id,url_name FROM ai_ready_dataset WHERE status=1 AND url_name ILIKE '%lisc%'; → 返回 0 行（无撞库）
• 目录查重：ls writing/ 无 lisc 同名目录
• 锁结论：开工时 writing/lisc/.lock 不存在，由 agent-c-lisc 创建，内容 agent-c-lisc 2026-10-04T09:36

9.3 与库内条目的元数据对照

对比项	LISC	acevedo-blood	medmnist
规模	400（242 五分类）	外周血单细胞	多子集
任务	分割 + 五分类	五分类	分类为主
标注	专家手工 + 血液学家	专家	派生/整理
许可	非标准（禁再分发）	见其条目	CC 类
采集地	伊朗德黑兰	见其条目	多源

§10 坑点清单

坑 1：名称与机构传错了会白搜
常见误传有两个：把 LISC 展开成 “Leukocyte Images for Segmentation in Circulating blood”（正确是 Classification），以及把发布机构说成"伊朗 Razi 大学"（正确是 德黑兰大学 University of Tehran）。用错误名称/机构检索往往一无所获，还可能导向错误来源。核对时认准官方页与 CMIG 2011 论文。

坑 2："到底多少张图"有四个数字，各有所指
400（官方原始样本）/ 376（250 有 GT + 126 无 GT）/ 250（有手工 GT）/ 242（五分类主集）在文献中交替出现，初学者极易误读。正确读法：说"数据集有 400 张"要补一句"其中五分类主集 242 张、有 GT 250 张"。别把某个子集数当成全集数。

坑 3：分辨率 720×576 vs 720×720
绝大多数来源记 720×576，但 PMC10160737 表 1 记为 720×720。后者是孤例，疑笔误，但被个别二次源转载后可能误导。以 720×576 为准。

坑 4：官方 URL 返 400 不代表数据集没了
官方页面/ZIP 含空格与波浪号，curl 直取常返 HTTP 400 Bad Request。这是服务器端拒绝未编码请求行，不是数据集失效。用 %20/%7E 编码，或浏览器打开。多篇 2021-2026 论文仍在正常引用官方 URL。

坑 5：第三方镜像 ≠ 公开数据集，license 有雷
GitHub/HuggingFace 上存在多个 LISC 镜像与派生集，但官方明确"禁止复制再分发"。引用这些镜像可能违反官方条款。合规做法：从官方站点获取；若必须用镜像，明确标注来源非官方且 license 存疑。

坑 6：mixt 不是五分类的一类
官方 Main Dataset/ 里有六个子目录，第六个 mixt 是混合/多细胞视野，不是六分类。做五分类时务必排除 mixt；做检测/多细胞任务时才用得上它。

坑 7：跨域评测不掉点是不可能的
LISC 全部来自单一医院单一批设备，跨显微镜/染色/相机域偏移显著（§5.3）。在 LISC 上报 98% 不代表在其他白细胞图像上可用。报告结果必须附跨域测试。

§10.5 DAIMS 数据就绪度评估

DAIMS（Data and Analytics Infrastructure Maturity Score）24 项评估，针对 LISC：

#	维度	评估	说明
1	数据可获得性	中	官方 ZIP 可下，但 URL 400/超时不稳定
2	许可明确性	中	自定义条款明确但非标准 CC，再分发受限
3	元数据完整度	中	官方页有基本描述，缺详细字段字典
4	数据字典	低	无逐字段说明文档
5	标注质量	高	专家手工分割 + 血液学家分类标签
6	标注一致性	低	单标注者，无 inter-rater 数据
7	版本管理	低	无正式版本号，第三方切分混乱
8	数据规模	低	数百张，规模有限
9	类别均衡性	低	五类样本量差异大
10	覆盖代表性	低	仅健康供体，无病理形态
11	分辨率一致性	高	统一 720×576（孤例除外）
12	格式规范性	中	BMP 简单，但非现代标准
13	图像质量	中	早期显微相机采集，受年代限制
14	文档可及性	中	官方页描述有限
15	获取门槛	中	需从官方站点，URL 有坑
16	引用规范	高	明确要求致谢+引用论文
17	任务定义清晰度	高	分割+分类两任务清晰
18	基准可比性	高	十余年方法横评，可比性强
19	跨域标注	低	无多中心验证
20	隐私合规	高	健康受试者去标识，无隐私风险
21	复用社区活跃度	高	479+ 引用，持续被使用
22	与标准体系对齐	低	非 CC、非 DICOM、无 schema
23	更新维护	低	2011 后无官方更新
24	可复现性	中	方法链清晰但需自行实现

综合判断：LISC 是典型的"标注质量高、元数据治理弱"的数据集。它作为方法对照基准成熟度高（任务清晰、可比性强、社区活跃），但作为生产级训练数据就绪度低（规模小、无版本管理、许可受限）。AI-Ready 化的核心动作是补齐字段字典、明确版本、标注单标注者局限——这些恰恰是官方元数据缺失的部分。

§11 常见问题 FAQ

Q：LISC 和 leukocyte dataset 是同一个东西吗？
是。LISC = Leukocyte Images for Segmentation and Classification，文献中也简称 LISC database、LISC dataset、Leukocyte Data。注意不要与意大利语/项目名里无关的 “LISC” 混淆。

Q：我可以把 LISC 发布到 HuggingFace 上吗？
不可以直接再分发。官方条款明确"Copying, redistribution, and any unauthorized commercial use are prohibited"。HuggingFace 上现有的 LISC 派生集都是第三方上传，其合法性与官方条款存在冲突。合规做法是从官方站点获取。

Q：LISC 能用来训练白血病诊断模型吗？
不能直接用于白血病诊断。LISC 的 8 名供体全是健康人，五类均为正常白细胞，没有原始细胞、没有异型淋巴细胞。做白血病应看 ALL-IDB、C-NMC 2019 等病理数据集。

Q：为什么 LISC 只有几百张还能用十几年？
因为它提供的是"专家手工分割 GT + 专家分类标签"这一稀缺组合。在白细胞领域，带分割金标准的公开集很少，而分割+分类双任务正是方法论文最需要的对照平台。规模小反而是它作为"快速验证基准"的优势。

Q：LISC 上 98% 的准确率可信吗？
在 LISC 自身分布内可信，但外推不可信。§5.3 的 Raabin→LISC 跨域实验显示换域后准确率大幅下降。任何 LISC 结果都应标注"同域"，跨域表现另行测试。

Q：怎么引用 LISC？
同时引用论文与数据页：Rezatofighi, S.H., Soltanian-Zadeh, H. “Automatic recognition of five types of white blood cells in peripheral blood.” Computerized Medical Imaging and Graphics, 2011, 35(4): 333-343，并致谢官方数据页。

Q：mixt 目录怎么用？
mixt 是混合/多细胞视野，不属于五分类。做单细胞五分类时排除它；做多目标检测或鲁棒性测试时可以利用它模拟"一图多细胞"的场景。

§12 关键事实清单

1. 全称：Leukocyte Images for Segmentation and Classification（白细胞分割与分类图像数据库）。
2. 发布机构：伊朗德黑兰大学电气与计算机工程系（University of Tehran）。
3. 作者：Seyed Hamid Rezatofighi、Hamid Soltanian-Zadeh。
4. 采集地：德黑兰 Imam Khomeini 医院血液肿瘤与 BMT 研究中心。
5. 供体：8 名健康受试者。
6. 官方规模：400 张样本 / 100 张载玻片。
7. 五分类主集：242 张（Baso 53 / Eos 39 / Lym 52 / Mono 48 / Neut 50）。
8. 有手工分割 GT：250 张。
9. 无 GT 附加图：126 张。
10. 图像格式：BMP，彩色 RGB。
11. 分辨率：720 × 576 像素。
12. 五类：basophil / eosinophil / lymphocyte / monocyte / neutrophil。
13. 第六目录：mixt（混合视野，非五分类）。
14. 三大组成部分：Main Dataset、Ground Truth Segmentation、More Dataset without Ground Truth。
15. 分割标注目录：areaforexpert1（专家手工勾画核/胞浆）。
16. 论文：CMIG 2011, 35(4):333-343，doi:10.1016/j.compmedimag.2011.01.003，PMID 21300521。
17. 时间线：2010 开发 / 2011 论文 / Received 2010-09-07 / Accepted 2011-01-10。
18. 原始方法：Gram-Schmidt 正交化 + snake 分割；SFS 特征选择；ANN vs SVM 分类。
19. 原论文分类准确率：SVM 96.00%。
20. 后续最佳（Shape-Aware 2022）：98.51%（6 类）。
21. 分割基线（Kadry 2021）：Acc 97.96 / F1 97.28。
22. 跨域警示：Raabin→LISC 92.21%（准确率大幅下降）。
23. 许可：研究/教育免费，禁止复制再分发，须从官方站点获取并致谢引用。
24. 官方页：http://users.cecs.anu.edu.au/~hrezatofighi/Data/Leukocyte Data.htm
25. 官方 ZIP：http://users.cecs.anu.edu.au/~hrezatofighi/Data/LISC Database.zip
26. 引用量：Google Scholar 479+（2026 抓取时点）。
27. 库内查重：0 行（无撞库）。
28. 最强互链：acevedo-blood（rid 722）。

§13 术语表

术语	英文	释义
白细胞	white blood cell / leukocyte	免疫细胞，外周血五类
中性粒细胞	neutrophil	分叶核，外周血最多
淋巴细胞	lymphocyte	致密圆核，次多
单核细胞	monocyte	肾形核，中等
嗜酸性粒细胞	eosinophil	橘红颗粒
嗜碱性粒细胞	basophil	深紫黑颗粒，最少
核	nucleus	白细胞深染区域
胞浆	cytoplasm	核周围浅染区域
外周血涂片	peripheral blood smear	血样涂片镜检
分割	segmentation	像素级区域划分
五分类	five-class classification	五种正常白细胞识别
混合视野	mixt	多细胞同框图像
主动轮廓	snake / active contour	迭代收敛边界的分割算法
Gram-Schmidt 正交化	Gram-Schmidt orthogonalization	色彩空间正交变换
逐步前向选择	SFS (Sequential Forward Selection)	特征选择方法
支持向量机	SVM	经典分类器
人工神经网络	ANN	经典分类器
域偏移	domain shift	跨设备/染色/相机的分布差异
金标准	ground truth (GT)	专家标注的正确答案
H&E	hematoxylin and eosin	苏木精-伊红染色

§14 来源 URL 清单（一手优先）

1. 官方数据页：http://users.cecs.anu.edu.au/~hrezatofighi/Data/Leukocyte Data.htm
2. 官方 ZIP：http://users.cecs.anu.edu.au/~hrezatofighi/Data/LISC Database.zip
3. 主论文 DOI：https://doi.org/10.1016/j.compmedimag.2011.01.003
4. 论文 PDF（作者站）：https://users.cecs.anu.edu.au/~hrezatofighi/Papers/Rezatofighi_CMIG_2011.pdf
5. ICIAR 2010 会议版：http://users.cecs.anu.edu.au/~hrezatofighi/Papers/Rezatofighi_ICIAR_2010.pdf
6. PubMed：https://www.ncbi.nlm.nih.gov/pubmed/21300521
7. PeerJ cs-460 综述：https://peerj.com/articles/cs-460/
8. PMC10160737（Modified Watershed 2023）：https://pmc.ncbi.nlm.nih.gov/articles/PMC10160737/
9. Kadry 2021 J Supercomputing：https://link.springer.com/content/pdf/10.1007/s11227-021-04125-4.pdf
10. W-Net arXiv：https://ar5iv.arxiv.org/html/1910.01091
11. Shape-Aware arXiv 2212.13695：https://ar5iv.arxiv.org/html/2212.13695
12. Ghost-ResNeXt MDPI：https://www.mdpi.com/2076-3417/13/6/4054/html
13. biorxiv 泛化性：https://www.biorxiv.org/content/biorxiv/early/2021/05/14/2021.05.12.443717.full.pdf
14. d-nb.info GAN 论文：https://d-nb.info/1244151459/34
15. ACM ToCH 2026 综述：https://dl-acm-org.acm-stag.literatumonline.com/doi/10.1145/3822598
16. ImageMask-LISC GitHub：https://github.com/sarah-antillia/ImageMask-Dataset-LISC
17. biorxiv 2021.04.29.441751：https://www.biorxiv.org/content/10.1101/2021.04.29.441751v4.full
18. PMC12033354（Multiscale Deformed Attention）：https://pmc.ncbi.nlm.nih.gov/articles/PMC12033354/

附录 A：五类白细胞速认卡

类别	一看就懂的判别点
Neutrophil	核分 2-5 叶，像串珠
Lymphocyte	核又大又圆又深，胞浆窄
Monocyte	核像肾/马蹄，胞浆多而灰蓝
Eosinophil	胞浆里一撮橘红色粗颗粒
Basophil	深紫黑粗颗粒堆满，常盖住核

附录 B：LISC 目录树（官方 ZIP 解包）

LISC Database/
├── Main Dataset/
│   ├── Baso/      （嗜碱性粒细胞 BMP）
│   ├── eosi/      （嗜酸性粒细胞 BMP）
│   ├── lymp/      （淋巴细胞 BMP）
│   ├── mixt/      （混合视野 BMP，第六类）
│   ├── mono/      （单核细胞 BMP）
│   └── neut/      （中性粒细胞 BMP）
├── Ground Truth Segmentation/
│   ├── Baso/areaforexpert1/
│   ├── eosi/areaforexpert1/
│   ├── lymp/areaforexpert1/
│   ├── mixt/areaforexpert1/
│   ├── mono/areaforexpert1/
│   └── neut/areaforexpert1/
└── More Dataset without Ground Truth/
    └── alll/      （无 GT 附加图）

附录 C：分割方法演进

年代	代表方法	特点
2011	Gram-Schmidt + snake	原论文，主动轮廓
2019	W-Net	深度编解码分割
2021	SegNet/U-Net/VGG-UNet	Kadry 深度学习基线
2023	Modified Watershed	HSV 色彩空间改进
2024	多尺度变形注意力	PMC12033354

附录 D：分类方法演进

年代	代表方法	准确率
2011	SVM	96.00%
2019	W-Net CNN	97.00%
2020	Capsule Networks	96.86%
2020	CNN（Harshanand）	97.64%
2021	Feature Selection + ELM	96.60%（4 类）
2022	Shape-Aware	98.51%（6 类）

附录 E：与 Raabin-WBC 的对照

维度	LISC	Raabin-WBC
规模	400（242 五分类）	万级
年代	2010	近年
采集地	德黑兰单中心	伊朗多中心
分割 GT	有（250 张）	视版本
常被用作	评测基准	训练源
跨域	Raabin→LISC 掉点到 92.21%	—

附录 F：类别不均衡的量化

类别	张数	占 242 比例
Basophil	53	21.9%
Eosinophil	39	16.1%
Lymphocyte	52	21.5%
Monocyte	48	19.8%
Neutrophil	50	20.7%

最大/最小类比约 53/39 ≈ 1.36，实际不均衡程度在五类中属温和——这与"外周血五类自然比例差异大"的直觉不同，说明数据集作者在采样时做了某种平衡。

附录 G：常见误用清单

1. 把 242 当作数据集总张数（应为五分类主集数）。
2. 把 mixt 当作第六分类别做六分类训练（意图不符）。
3. 用第三方镜像并在论文里引用为"LISC 官方数据"。
4. 在 LISC 上报高准确率却不做跨域测试。
5. 把 720×720（孤例）当标准分辨率。
6. 用 400 张直接训练深度大模型（过拟合）。

附录 H：许可合规检查表

• [ ] 用途为研究/教育（非商业）
• [ ] 数据来自官方站点（非第三方镜像）
• [ ] 已引用 Rezatofighi & Soltanian-Zadeh 2011
• [ ] 已致谢官方数据页
• [ ] 未再分发（未上传到公共平台）
• [ ] 未用于未授权商业产品

附录 I：复现原论文方法的要点

1. 色彩空间：对图像做 Gram-Schmidt 正交化增强核/胞浆对比。
2. 分割：以 snake 主动轮廓迭代收敛到区域边界。
3. 特征：提取纹理（共生矩阵）+ 形态（面积/形状因子/胞浆核比）。
4. 选择：SFS 逐步前向选择。
5. 分类：分别训练 ANN 与 SVM，报告对比。
6. 评估：五分类准确率（预期 ~96%）。

附录 J：数据规模口径速查

数字	含义	来源
400	官方原始样本	官方页
376	250 GT + 126 无 GT	Kadry 论文推导
250	有手工 GT	官方 P.S.
242	五分类主集	ACM/GAN/Ghost 三源
254	W-Net 自切	W-Net arXiv

附录 K：跨数据集评测建议

1. 同域评测：LISC 内部 5 折交叉验证。
2. 跨域评测：Raabin-WBC 训练 → LISC 测试。
3. 反向跨域：LISC 训练 → Raabin-WBC 测试。
4. 报告要求：注明设备/染色/分辨率差异。
5. 预期：跨域准确率通常低于同域 3-6 个百分点。

附录 L：与库内血细胞条目的互链方案

库内条目	互链理由	建议关联方向
acevedo-blood（722）	同域五分类	跨域训练/测试配对
medmnist（716）	BloodMNIST 子集	轻量基准对照
bbbc（34）/ bbbc051（725）	显微基准	生态归类
lightmycells2（631）	显微图像域	宽泛归类
nct-crc-he-100k（148）	医学显微分类	域相关

附录 M：LISC 的历史地位小结

LISC 代表了白细胞图像分析"第一代公开基准"的样貌：小规模、单中心、专家手工标注、非标准许可、URL 不稳定。它的局限（规模、单标注者、无版本管理）与它的贡献（双任务、专家 GT、长期可比性）是同一枚硬币的两面。理解 LISC，就理解了一个数据集如何在缺乏现代数据治理的条件下，靠标注稀缺性撑起一个领域的十余年对照基准。

附录 N：延伸阅读

• Bulten 等，PANDA 挑战赛（前列腺 WSI 基准的方法论对照）。
• Kadry 等 2021（LISC 上的深度学习分割基线）。
• biorxiv 2021.05.12.443717（WBC 分类泛化性研究）。
• Shape-Aware 2019-2022 系列（LISC 分类准确率天花板）。
• Raabin-WBC 数据集论文（跨域评测的另一端）。

附录 O：LISC 数据采集的医学背景

O.1 为什么用外周血涂片

外周血涂片（peripheral blood smear, PBS）是血液学最基础、最廉价的检查手段之一：一滴外周血推成薄层、染色后在显微镜下观察，就能对三大血细胞系（红系、白系、巨核系）做形态评估。白细胞分类计数（differential count）是其中的核心项目——它给出五类白细胞的相对百分比，任何偏离参考范围的比例都可能提示感染、炎症、过敏、免疫缺陷或血液肿瘤。

LISC 选择的正是这一环节的自动化：让机器代替或辅助技师完成白细胞的定位（分割）与分类。选择外周血涂片而非骨髓涂片、而非流式细胞术，是因为涂片检查最普及——从三甲医院到基层诊室都用得起，自动化收益最大。

O.2 染色与形态

外周血涂片常用 Wright-Giemsa（瑞氏-吉姆萨）染色，或 H&E 类似的组合染色。染色使不同细胞结构的着色产生差异：

• 核染色质（深紫/蓝）→ 区分核；
• 胞浆颗粒 → 区分嗜酸性（橘红）、嗜碱性（深紫黑）、中性（淡）；
• 红细胞背景（淡橙粉）→ 提供对比背景。

LISC 的图像正是这些染色涂片的显微照片，因此颜色是分类的核心信号——这也是为什么分割方法对色彩空间（RGB/HSV/正交变换）如此敏感（§5.2）。

O.3 五类白细胞的临床意义

类别	参考占比	升高提示
Neutrophil	40-75%	细菌感染、炎症、应激
Lymphocyte	20-45%	病毒感染、慢性炎症
Monocyte	2-10%	慢性感染、某些血液病
Eosinophil	1-6%	过敏、寄生虫感染
Basophil	0-1%	罕见，某些骨髓增殖性疾病

LISC 的五类分布（附录 F）与临床参考占比方向一致但更均衡——中性粒细胞在自然血中最多，LISC 采样时人为增加小类样本，这是分类数据集常见的平衡策略。

附录 P：分割任务的技术细节

P.1 核与胞浆分割为什么难

白细胞分割看似"把细胞圈出来"很简单，实际有三类难点：

1. 核与胞浆对比不足：某些类别（如中性粒细胞的浅染胞浆）与背景的边界模糊，主动轮廓容易"漏气"。
2. 颗粒干扰：嗜碱性/嗜酸性粒细胞的粗颗粒会打断胞浆边界，导致轮廓被颗粒"拉扯"。
3. 相邻细胞粘连：混合视野（mixt）中多个白细胞相接，简单阈值法会把它们连成一片。

P.2 经典方法的处理策略

• Gram-Schmidt 正交化：把 RGB 三通道做正交变换，构造出核/胞浆/背景对比更强的新通道，为后续分割提供更"干净"的输入。
• snake 主动轮廓：以一条初始闭合曲线为起点，在内外力（图像力 + 平滑力）作用下迭代，最终收敛到目标边界。相比阈值法，它天然适合不规则细胞边界。
• 形态学后处理：填补小孔、平滑锯齿，得到最终掩码。

P.3 深度方法的改变

2019 年后，W-Net、U-Net 等把分割从"手工设计能量函数"变成"端到端学习"。它们不再需要 Gram-Schmidt 这类手工色彩增强，但代价是需要更多标注——在只有 250 张 GT 的 LISC 上，深度模型的数据饥渴与数据稀缺直接冲突，这也是 LISC 更适合做评测而非训练的原因（§3.5）。

附录 Q：分类特征工程详解

Q.1 纹理特征

原论文从分割区域提取纹理特征，典型如**灰度共生矩阵（GLCM）**派生的对比度、相关性、能量、同质性。纹理特征捕捉的是"颗粒的疏密与方向"——这正是区分嗜酸性/嗜碱性（颗粒粗）与淋巴细胞（胞浆少、几乎无颗粒）的关键。

Q.2 形态特征

• 核面积 / 胞浆面积 / 核浆比：单核细胞胞浆多、核浆比低；淋巴细胞核浆比高。
• 核形状因子（如圆度、凸度）：淋巴细胞核圆、单核细胞核不规则。
• 核分叶数：中性粒细胞多叶，是强判别特征。

Q.3 特征选择与分类器

SFS 从候选特征集中逐步加入"最能提升判别力"的特征，避免冗余。选定特征后，原论文对比 ANN（多层感知机）与 SVM：

• SVM：在小样本高维特征上表现稳健，原论文报告 96.00%。
• ANN：需要更多样本调参，在 242 张小集上不如 SVM 稳定。

这一对比本身就说明了一个规律：小样本场景下，SVM 这类间隔最大化方法常优于数据饥渴的神经网络——直到 2019 年深度学习借助更强的归纳偏置与数据增强才反超。

附录 R：数据集获取实操步骤

1. 打开官方数据页（浏览器会自动编码空格）：
   http://users.cecs.anu.edu.au/~hrezatofighi/Data/Leukocyte%20Data.htm
2. 阅读页面上方的许可条款与致谢要求。
3. 下载官方 ZIP：
   http://users.cecs.anu.edu.au/~hrezatofighi/Data/LISC%20Database.zip
4. 若返回 400：把空格换成 %20、~ 换成 %7E，或用 wget 配合 --user-agent。
5. 解压后确认三大部分目录结构（附录 B）。
6. 使用前建立引用记录，准备好致谢文本。

附录 S：与 Kinetics/ImageNet 式的"大规模基准"对比

维度	LISC	ImageNet 式大规模基准
规模	数百张	百万级
标注成本	专家逐张	众包
领域	白细胞显微	通用自然图像
用途	领域方法对照	通用表征学习
过拟合风险	高	低
域偏移敏感性	高	中
复用方式	评测/小规模实验	预训练

LISC 的存在证明：不是所有基准都要追求规模。在标注昂贵的专业领域，一个几百张、标注精良、任务定义清晰的基准，其方法论价值可能超过一个规模大但标注粗糙的集合。

附录 T：白细胞自动化的产业背景

白细胞自动分类的商业化系统（如 CellaVision DM96、西门子 ADVIA、Abbott CELL-DYN）早已在医院检验科部署。它们通常结合流式（五分类计数）与数字图像（形态复检）。LISC 这类学术基准与商业系统的关系是：

• 互补：商业系统封闭、数据不公开；学术基准开放、可复用，用于验证新算法。
• 对照：商业系统是"这台机器做到什么程度"的现实上界；LISC 上的方法准确率是"算法理论上能做到什么"。
• 差距：商业系统在真实临床分布（含病理形态）上更稳，LISC 上的高分不能直接等同于临床可用（§5.3）。

附录 U：数据质量的三重视角

1. 采集质量：2010 年的显微相机，720×576，比现代科研相机低，但足以看清核/胞浆。
2. 标注质量：专家手工，单标注者，无一致性数据——质量高但不确定性未量化。
3. 元数据质量：弱。无字段字典、无版本号、计数口径不统一、URL 不稳定。

AI-Ready 化的关键正是补齐第三重——前两重 LISC 已经做得很好，第三重是它作为"老数据集"的通病。

附录 V：常见评测陷阱

1. 类别不平衡导致的虚高：若测试集分布与训练集不同，准确率会被大类主导，应同时报告 macro-F1。
2. 数据泄漏：同一供体/同一载玻片的图像若跨训练测试集，会高估性能——LISC 未提供供体 ID，无法按供体划分。
3. 分辨率预处理不一致：有人 resize 到 224×224，有人保持 720×576，导致结果不可比。
4. mixt 混入五分类：把 mixt 当第五/第六类计入，会拉低或虚高准确率。
5. 单次划分无交叉验证：小数据集必须做 k 折，否则结果方差大。

附录 W：给数据集维护者的建议（以 LISC 为鉴）

1. 加版本号：即使数据集不再更新，也应标记 “v1.0 / 2011”，避免第三方切分造成口径混乱。
2. 统一 URL：避免空格与特殊字符，或提供稳定的重定向。
3. 明确许可：自定义条款要写清"能否再分发"“能否用于竞赛”。
4. 给字段字典：每张图、每个掩码的含义写进 README。
5. 记录标注者：几位专家、是否交叉、一致性如何。
6. 提供官方划分：训练/验证/测试的官方切分，便于公平比较。

附录 X：与本库其他"非标准许可"数据集的处理对照

LISC 的许可条款（研究教育免费、禁再分发、须官方获取）在库内并非孤例。这类数据集的元数据统一处理原则是：

1. license 字段如实抄录条款要义，不简化为 “CC BY” 等错误标签。
2. 获取方式写明"须官方渠道"，不提供非官方直链。
3. 在 rai:dataLimitations 中标注第三方镜像的 license 冲突。
4. 在坑点中提示合规路径。

这与库内 PANDA-PLUS（掩码请求制）、以及其他"request-based / restricted"数据集的处理逻辑一致：AI-Ready 不等于"随便用"，而是"把使用条件写清楚"。

附录 Y：跨域实验设计模板

以 LISC 为被试设计一个规范的跨域实验：

1. 源域：Raabin-WBC（或其他白细胞集）训练集训练模型。
2. 目标域：LISC 五分类 242 张作测试集。
3. 预处理统一：两域图像统一 resize 到同一尺寸、统一归一化。
4. 报告：同域（源域内测试）准确率 vs 跨域（LISC 测试）准确率，列出落差。
5. 分析：可视化两域的颜色直方图差异，解释落差来源。
6. 结论：明确指出 LISC 结果的域内适用性边界。

附录 Z：名词对照总表（中英速查）

中文	英文	缩写
白细胞	white blood cell	WBC
外周血涂片	peripheral blood smear	PBS
分割	segmentation	—
分类	classification	—
金标准	ground truth	GT
灰度共生矩阵	gray level co-occurrence matrix	GLCM
逐步前向选择	sequential forward selection	SFS
支持向量机	support vector machine	SVM
人工神经网络	artificial neural network	ANN
卷积神经网络	convolutional neural network	CNN
域偏移	domain shift	—
交叉验证	cross validation	CV

补编 AA：AI-Ready 元数据审计（LISC 档案卡）

DAIMS 表（§10.5）给出的是分数，本附录给出的是"档案卡"——把 LISC 的元数据逐项摆开，标注每项的完备程度与缺口。这是把一个 2010 年老数据集接入现代 AI 工作流时的逐项盘点。

元数据项	LISC 现状	完备度	缺口说明
正式名称	LISC — Leukocyte Images for Segmentation and Classification	完备	官方页与论文一致
常用别名	LISC database / LISC dataset / Leukocyte Data	完备	文献混用，无歧义
发布机构	University of Tehran ECE（控制与智能处理卓越中心）	完备	官方页署名
责任人	Rezatofighi（第一作者/官方托管）+ Soltanian-Zadeh	完备	含联系邮箱（论文署名页）
采集地点	Imam Khomeini 医院 BMT 研究中心（德黑兰）	完备	论文正文
采集时间	2010 年（官方页口径）	完备	与论文 2011 卷期构成年际双口径
供体信息	8 名健康受试者	完备	无年龄/性别分层（缺口）
图像规格	BMP 彩色 RGB，720×576 px	完备	分辨率有 720×720 孤例口径（存照）
规模口径	400 样本 / 242 五分类 / 250 有 GT / 126 无 GT	部分完备	四口径关系不闭合，官方未给统一说明
目录结构	Main/Ground Truth/More 三大块	完备	官方 ZIP 实测可查
类别定义	五类白细胞 + mixt 混合视野	完备	mixt 张数未给分项（缺口）
分割标注	专家手工（areaforexpert1）	部分完备	掩码编码格式官方未说明（遗留疑点）
分类标注	血液学家五分类标签	完备	单标注者，无一致性数据
划分协议	无官方 train/test 划分	缺失	各论文自行切分，可比性受损
版本号	无正式版本体系	缺失	第三方切分加剧混乱
许可条款	研究/教育免费，禁再分发	完备	非标准 CC，三条原文齐备（§6.1）
获取渠道	官方 ZIP（ANU 托管）	部分完备	URL 含空格常返 400，偶发超时
字段字典	无	缺失	无逐文件说明文档
引用要求	致谢 + 引用 CMIG 2011 论文	完备	官方页明示
更新维护	2011 年后无官方更新	缺失	数据集已"冻结"十余年

审计结论：LISC 的元数据呈"两端分布"——身份、许可、标注来源等发布时一次性写清的项目完备度高；而版本管理、划分协议、字段字典等需要持续维护的项目全部缺失。这不是 LISC 独有的缺陷，而是 2010 年代初学术数据集的通病：发布即终态。AI-Ready 化时应对策略不是要求官方补齐（不现实），而是在下游元数据中把这些缺口如实记录——本条目正是这一策略的实施样本。

补编 BB：五分类实验设计手册

面向"第一次在 LISC 上跑五分类"的实验者。以下步骤全部基于已核实事实（§2、§5），不含臆测数字。

B.1 数据准备

1. 主集选择：五分类主集 242 张（Baso 53 / Eos 39 / Lym 52 / Mono 48 / Neut 50，三源一致口径，§2.4）。
2. 排除 mixt：Main Dataset/mixt/ 是混合视野，不属五分类（坑 6）。若你的任务含"多细胞检测"，再单独把它请回来。
3. 扩展样本：More Dataset without Ground Truth/alll/ 的无 GT 附加图可用于扩充训练集，但只能用于训练、不能用于测试（无标签可用）。注意官方口径 400 张与各子集之和不完全闭合（坑 2），用前先自行盘点实际到手张数。

B.2 划分策略

• 没有官方划分。文献中各论文自行切分，这直接导致不同论文的准确率不可直接对标（§5.1 读法第 2 条的根源之一）。
• 常见做法是 k 折交叉验证（5 折或 10 折）。242 张的量级下，单次固定划分的方差不可忽略。
• 供体泄漏风险：LISC 未公开图像与供体的对应关系（8 名供体、100 张载玻片的映射未知），无法按供体划分训练/测试集。同一供体、同一载玻片的图像若同时出现在训练与测试集中，性能会被高估——这是 LISC 评测的系统性隐患（附录 V 第 2 条），报告结果时应如实注明"未按供体划分"。

B.3 预处理与增强

• BMP 无需解码陷阱，直接读入 RGB。
• resize 到 224×224（现代 backbone 常见输入）会丢弃 720×576 的原始细节；若方法对分辨率敏感，保留原尺寸或 resize 到 640×512。无论选哪种，必须在论文中注明，否则与他人的分数不可比（附录 V 第 3 条）。
• 颜色增强慎用：LISC 的五分类高度依赖染色色相（嗜酸性橘红颗粒 vs 嗜碱性紫黑颗粒），激进的色调抖动/通道交换可能破坏判别信号。染色归一化（如 Macenko 类方法）宜作为受控实验变量而非默认开启。

B.4 基线对标

基线	分数	出处	用途
SVM（原论文方法链）	96.00%	Rezatofighi 2011（§4.1）	传统方法下界参考
Capsule Networks	96.86%	Baydilli 2020（§5.1）	中等复杂度参照
CNN	97.64%	Harshanand 2020（§5.1）	深度方法参照
Shape-Aware（6 类）	98.51%	2022（§5.1）	当前最高（注意类数口径不同）

对标纪律：报分数必须同时报类数（5/6/4）与划分方式，否则表没有意义。

B.5 报告规范（最低要求）

1. 图像总数（应为 242 或注明你的切分）；
2. 类别分布（53/39/52/48/50 是否保持）；
3. 划分方式（k 折参数、是否分层）；
4. 分辨率处理（原尺寸/resize 目标）；
5. 指标（accuracy 之外建议补 macro-F1——小类样本量差异下 accuracy 会被大类主导，附录 V 第 1 条）；
6. 是否跨域（同域结果不外推，§5.3）。

补编 CC：分割实验设计手册

C.1 任务定义与金标准

分割任务的输出是**核（nucleus）与胞浆（cytoplasm）**两个区域。金标准是专家手工勾画的掩码，按类别存放于 Ground Truth Segmentation/<类名>/areaforexpert1/。有 GT 的图像共 250 张（官方 P.S. 原文口径）。

第一坑：官方未说明掩码的编码格式（二值图/标签图/彩色区域三者皆有可能）。解包后第一步先目视检查掩码文件，确定像素值语义，再写读取代码。这是本条目明确的遗留疑点（§9），不要想当然。

C.2 基线与指标

Kadry 等 2021 在 LISC 上建立的深度分割基线（SegNet/U-Net/VGG-UNet，doi:10.1007/s11227-021-04125-4）报告：Accuracy 97.96 / Precision 94.68 / Sensitivity 91.42 / Specificity 98.41 / F1 97.28。这是目前被引最多的 LISC 分割数字组，可直接对标。

2023 年 Modified Watershed 工作（PMC10160737）显示 HSV 色彩空间下精度/召回/DSC 最优——色彩空间选择是 LISC 分割的第一变量，根源在于核/胞浆判别依赖染色色相（附录 O.2）。

C.3 实验要点

1. 250 GT 与 242 分类集的关系：两者高度重叠但不完全等同（250 含部分 mixt 相关图），做"分割+分类"联合实验时先取交集并说明。
2. 核与胞浆分开报告：核边界清晰、分割易；胞浆边界模糊、分割难。合并报一个 Dice 会掩盖问题，分开报才能与文献对齐。
3. 小数据训练：250 张对深度分割网络偏少，迁移学习/预训练 encoder 是常规选择；数据增强首选几何类（翻转/旋转），颜色类增强的理由同补编 B.3。
4. 传统方法不可跳过：原论文的 Gram-Schmidt + snake（§3.4）是该数据集的"出生基线"，任何深度方法都应与之对照——十余年横评传统（§5.1 读法第 3 条）在这个数据集上尤其明显。

补编 DD：跨域实验设计手册

D.1 为什么必须做跨域

§5.3 已给结论：Raabin-WBC 训练 → LISC 测试，准确率大跌至 92.21%（biorxiv 2021.05.12.443717 原文措辞 “dramatic drop”）。本手册把"怎么做跨域"落成步骤。

D.2 域偏移的四个来源（LISC 视角）

来源	LISC 的具体情况	可控性
显微镜/相机	2010 年代早期设备，720×576 模拟采集风格输出	不可控（数据已定）
染色协议	Imam Khomeini 医院实验室的 Wright-Giemsa 变体	不可控
供体人群	8 名伊朗健康受试者	不可控
时代	2010 年采集，与现代数字扫描仪差异大	不可控

四个来源全部锁死——这正是 LISC 作为"域偏移测试靶"的价值：它是一个稳定的异域分布。

D.3 设计模板

1. 方向一（外域 → LISC）：在 Raabin-WBC / acevedo-blood（rid 722）/ BCCD 上训练，LISC 242 张测试。预期：低于同域 3-6 个百分点（附录 K），若掉点更多需检查预处理是否统一。
2. 方向二（LISC → 外域）：LISC 训练、外域测试。LISC 仅 242 张，预期掉点更狠——这个方向本身是"小数据集外推极限"的实验。
3. 预处理统一：分辨率、归一化、染色标准化三件事在两域间必须一致，否则测的是预处理差异不是域偏移。
4. 报告：同域分数与跨域分数并列、列出落差，并附两域颜色直方图对比（解释落差来源）。

D.4 库内落点

最强互链是 acevedo-blood（rid 722）：同为外周血单细胞显微图像、同类五分类，是最自然的跨域配对（§7.3）。次选 medmnist（rid 716）的 BloodMNIST 子集做轻量跨域。

补编 EE：引用格式汇编

E.1 主论文（BibTeX）

@article{rezatofighi2011automatic,
  title   = {Automatic recognition of five types of white blood cells in peripheral blood},
  author  = {Rezatofighi, Seyed Hamid and Soltanian-Zadeh, Hamid},
  journal = {Computerized Medical Imaging and Graphics},
  volume  = {35},
  number  = {4},
  pages   = {333--343},
  year    = {2011},
  doi     = {10.1016/j.compmedimag.2011.01.003}
}

E.2 数据集引用（正文致谢样例）

The LISC database (Leukocyte Images for Segmentation and Classification) was obtained directly from the first author’s website (users.cecs.anu.edu.au/~hrezatofighi), as required by the database terms. We acknowledge S.H. Rezatofighi and H. Soltanian-Zadeh (University of Tehran), and cite Rezatofighi & Soltanian-Zadeh (2011).

E.3 中文文献（GB/T 7714 风格）

REZATOFIGHI S H, SOLTANIAN-ZADEH H. Automatic recognition of five types of white blood cells in peripheral blood[J]. Computerized Medical Imaging and Graphics, 2011, 35(4): 333-343.

E.4 引用纪律

1. 数据与论文同时引：论文是方法与口径的权威，数据页是获取与许可的权威。
2. 若用了第三方镜像（不推荐，坑 5），必须如实标注镜像来源，且不能写成"官方 LISC"。
3. 年份写法：涉数据库本身写 2010，涉论文写 2011（§4.2 双口径存照），或写 “2010-2011”。

补编 FF：FAQ 补遗（Q11-Q20）

接续 §11 的 FAQ，本组问题来自 LISC 使用中最常被问到的"第二梯队"疑难点。

Q11：LISC 的官方页面为什么挂在澳大利亚国立大学（ANU）的服务器上？
因为第一作者 Seyed Hamid Rezatofighi 后来迁往 ANU/Monash 体系，官方数据页保留在他个人的 ANU 空间（users.cecs.anu.edu.au/~hrezatofighi）。数据本身出自德黑兰大学时期的工作（§3）。这也是为什么机构检索时"德黑兰大学"与"ANU"都能命中。

Q12：242/250/400 三个数字的差异到底怎么形成的？
最诚实的回答：官方从未给出统一对账。可确认的分层是——400 为官方原始样本口径（100 张载玻片）；250 为提供手工 GT 的张数（官方 P.S. 原文）；242 为五分类主集（三源一致：Baso 53/Eos 39/Lym 52/Mono 48/Neut 50）。Kadry 论文的"126 张无 GT"与 250 相加得 376，仍与 400 有出入（§9 存照）。成因是官方目录结构（Main/Ground Truth/More 三块）与第三方切分叠加，不要强行统一，分层引用即可。

Q13：在 LISC 上训练的模型能直接上临床吗？
不能。三重理由：①全部为健康供体，无病理形态（§2.1）；②2010 年单中心单设备，域偏移致命（§5.3）；③242 张的训练量级远低于临床系统所需。LISC 的定位是方法对照基准（§8.1），不是产品数据集。

Q14：mixt 目录里到底有多少张图？
未在已核实来源中找到明确分项——官方页与主论文均未给出 mixt 的张数，多数论文统计五分类 242 张时也不单列 mixt。这是本条目遗留疑点之一（§9）。解包官方 ZIP 后可自行统计。

Q15：Ground Truth 掩码是什么格式（二值图/标签图/彩色区域）？
官方未说明，已核实来源中未见解包实证（§9 遗留疑点）。目录名 areaforexpert1 表明是"专家 1 勾画的区域"。实操建议见补编 C.1：先目视检查再写读取代码。

Q16：LISC 有官方的 train/valid/test 划分吗？
没有。文献中所有划分都是作者自定，这也是 §5.1 各论文分数不可直接对标的原因之一。自行实验请至少做 k 折并注明（补编 B.2）。

Q17：一篇 2011 年的论文为什么被引到 2026 年还在涨？
因为 LISC 作为公共基准的寿命独立于论文寿命（§8.3）：只要还有团队在白细胞分割/分类上提出新方法，就需要一个共同数据集做对照，LISC 恰好是带专家双标注的最方便选择之一。Google Scholar 479+（2026 抓取时点）主要是这种"基准引用"。

Q18：想做白细胞检测（localization/检测框）任务，LISC 合适吗？
勉强。mixt 混合视野（多细胞同框）可用于多目标场景，但其规模与框标注缺失（LISC 无检测框标注，只有分割掩码与类别标签）使其不是检测任务的首选；BCCD 等带框数据集更对口。用分割掩码重心生成伪检测框是可行折衷，但须注明。

Q19：入门白细胞分类，选 LISC 还是 BloodMNIST（medmnist，rid 716）？
看目的。要"快速跑通 pipeline"：BloodMNIST 更规整、规模更大、获取更容易；要"理解白细胞形态学与专家标注"：LISC 的专家手工 GT 与真实显微视野更贴近。两者可组成"轻量对照 vs 专家基准"的互链实验（§7.3）。

Q20：主论文 PDF 从哪里拿？
论文本体非开放获取（© 2011 Elsevier），但作者在其站点自托管了 PDF（users.cecs.anu.edu.au/~hrezatofighi/Papers/Rezatofighi_CMIG_2011.pdf，URL 编码规则同坑 4）。ICIAR 2010 会议版 PDF 也在同一站点（§4.3）。

补编 GG：坑点补遗（坑 8-坑 10）

接续 §10 的坑点清单（坑 1-坑 7），以下三条在使用 LISC 的工程实践中同样高频。

坑 8：供体维度泄漏，高分可能注水
8 名供体、100 张载玻片与 242 张图像的对应关系未公开，按图随机划分训练/测试集时，同载玻片甚至同供体的近邻图像会同时落入两侧，模型实际在"背人"而非"辨型"。这是 LISC 评测的系统性隐患（补编 B.2、附录 V）。对策：报告时注明"未按供体划分"；对分数的解释保守一档；不要把 LISC 高分当作泛化能力证据。

坑 9：把"研究教育免费"误读成"CC BY 随便用"
官方条款是三条原文（§6.1）：免费仅限研究/教育；复制、再分发、未授权商用被明确禁止；且限于从第一作者站点获取者。把 LISC 打包进课件分发、上传到团队公开网盘、或用于竞赛公开数据包，都可能越线。对策：过一遍附录 H 合规检查表再动手；引用时用致谢+论文引用，不用再分发代替引用。

坑 10：跨类数口径直接对标分数
文献里同时存在 5 类（主流）、6 类（Shape-Aware 2022 含 mixt 类口径）、4 类（Muhammad/Khan 2021）三种实验设定。98.51%（6 类）与 96.00%（5 类）不在同一标尺上（§5.1 读法第 2 条）。对策：引用任何 LISC 分数时同步标注类数；自己实验固定类数后再对标同口径文献。

补编 HH：使用前检查清单（工程版）

附录 H 是合规检查表，本清单是工程执行版——从拿到 ZIP 到跑通第一个实验的全流程自检：

• [ ] ZIP 从官方站点下载（URL 已做 %20/%7E 编码，坑 4）
• [ ] 解包后三大部分齐全（Main Dataset / Ground Truth Segmentation / More Dataset，附录 B）
• [ ] 五分类子目录张数盘点完毕，与 53/39/52/48/50 参考口径比对（出入大则检查是否混入 mixt）
• [ ] mixt 子目录已从五分类实验中排除（坑 6）
• [ ] Ground Truth 掩码格式已目视确认（补编 C.1 遗留疑点）
• [ ] 分辨率确认 720×576（若读到 720×720 需检查来源，坑 3）
• [ ] 预处理策略（resize/归一化/染色处理）已固定并记录（补编 B.3）
• [ ] 划分策略已定（k 折参数、是否分层）并记录（补编 B.2）
• [ ] 已知晓供体泄漏风险（坑 8）
• [ ] 用途确认研究/教育（附录 H 六项合规全勾）
• [ ] 引用与致谢文本已备好（补编 EE）
• [ ] 跨域测试已排期（坑 7、补编 DD）

补编 II：数据集体检报告卡（一页总结）

检查项	结论	一句话依据
身份真实性	通过	官方页+CMIG 2011 论文+多方二次源三源互证
数据可得性	有条件通过	官方 ZIP 存在但 URL 400/超时不稳（坑 4）
许可清晰度	通过（附义务）	三条原文明确，非标准 CC（§6.1）
标注质量	通过	专家手工分割+血液学家分类（§3）
标注一致性	不通过	单标注者，无一致性数据（§3.5）
规模充分性	不通过	数百张，仅够方法对照（§8.1）
类别均衡性	温和不均衡	53/39/52/48/50，极差比 1.36（附录 F）
覆盖代表性	不通过	仅健康供体、单中心、单时代（§2.1）
基准可比性	通过	十余年横评谱系完整（§5.1）
跨域效度	不通过	Raabin→LISC 大跌至 92.21%（§5.3）
版本治理	不通过	无版本号、口径多解（§9）
长期维护	不通过	2011 年后冻结（§10.5 第 23 项）

总评：4 项通过、1 项有条件通过、7 项不通过——但"不通过"项集中在治理与规模，而非数据本身质量。作为方法对照基准使用（其设计初衷），LISC 依然称职；作为生产训练数据，须先补齐标注一致性、跨域验证与版本治理三课。

补编 JJ：条目维护记录

事项	记录
起稿	agent-c-lisc（2026-10-04T09:36 认锁开工，完成 §0-§14 正文与附录 A-N，797 行）
接管	agent-c-lisc-v2（2026-10-04T09:56 覆写认锁）：吸收前实例私有区未拼接 part6（附录 O-Z），补写补编 AA-JJ 与条目导航，增补 frontmatter relatedLink
事实基准	writing/lisc/FACTS.md（2026-10-04，九节结构，含双口径存照与遗留疑点）
存照体系	分辨率/总数/类分布/年份四组双口径见 §9 与附录 J；遗留疑点：areaforexpert1 掩码编码格式、mixt 与无 GT 附加图分项张数
更新时间	2026-10-04

补编 KK：LISC 文献谱系年表（2010-2026）

把 FACTS 与 §5 中散落的研究按时间排成一条线，可读出白细胞识别方法的世代更替。每条均注在 LISC 上的角色与来源（URL 全清单见 §14）。

年份	工作	在 LISC 上的角色	来源锚点
2009	ISSPIT 系列工作	方法前身（数据集正式发布前的探索）	§4.3
2010	ICIAR 会议版（Rezatofighi & Soltanian-Zadeh）	数据库与方法的首个公开版本，作者站自托管 PDF	§4.3
2011	CMIG 主论文（35(4):333-343，doi:10.1016/j.compmedimag.2011.01.003）	权威定义：Gram-Schmidt+snake 分割、SFS 特征选择、ANN vs SVM，SVM 96.00%	§4.1
2019	W-Net（Jung，arXiv:1910.01091）	深度编解码分割进入 LISC；分类 CNN 97.00%；类分布自切口径 254（存照）	§5.1、§9
2020	Baydilli 胶囊网络	96.86%，传统与深度交界的参照点	§5.1
2020	Harshanand CNN	97.64%	§5.1
2021	Kadry 等（J Supercomputing，doi:10.1007/s11227-021-04125-4）	SegNet/U-Net/VGG-UNet 分割基线：Acc 97.96/F1 97.28；并记载无 GT 126 张口径	§5.2
2021	Tavakoli 分割+传统方法	92.21%	§5.1
2021	Muhammad/Khan 特征选择+ELM	96.60%（4 类口径，存照）	§5.1
2021	biorxiv 2021.05.12.443717 泛化性研究	Raabin→LISC 跨域大跌至 92.21%，域偏移警示的出处	§5.3
2021	biorxiv 2021.04.29.441751	白细胞分类泛化性系列工作	§14
2022	Shape-Aware（arXiv:2212.13695）	表 6 汇总 LISC 分类谱系；自报 98.51%（6 类）为最高	§5.1
2023	Modified Watershed（PMC10160737）	HSV 色彩空间分割最优；表 1 记 720×720 孤例口径（存照）	§5.2、§9
2023	Ghost-ResNeXt（MDPI Appl. Sci. 13(6):4054）	类分布 242 口径第三源互证	§2.4
2023	Multiscale Deformed Attention（PMC12033354）	分割方法演进延续	附录 C
2024	ImageMask-Dataset-LISC（GitHub sarah-antillia）	第三方预增强分割派生集（license 存疑，坑 5）	§6.4
2025	LISC-dataset 五分类划分（GitHub Johnnny-Du）	第三方 train/valid 划分（非官方）	§6.4
2026	ACM ToCH 综述（doi:10.1145/3822598）	242 类分布与 2011 年口径的近期综述互证	§2.4、§9

读表三则：

1. 2011-2019 的八年空档后深度学习才进场——这段空档期 LISC 主要被传统方法引用，W-Net 是分水岭。
2. 2021 年是引用峰值年（至少五项工作）——恰逢医学图像深度学习综述潮，LISC 被反复用作"小数据集代表"。
3. 2024 年后出现第三方再分发——数据集本身冻结，但生态开始"分叉"，这正是坑 5 与补编 X 关注的治理问题。

补编 LL：错误用法判例集

把坑点改写成"判例"格式——每个判例给出错误做法、典型后果与正确姿势，便于 code review 时对照。

判例 1：把 242 写成"数据集共 242 张图"

• 错误做法：论文方法节写 “LISC contains 242 images”。
• 后果：审稿人核对官方页发现 400 样本口径，判定对数据集不熟悉。
• 正确姿势：分层表述——“400 samples from 100 slides (official); the five-class subset used here is 242 images; 250 images have manual segmentation GT”（坑 2）。

判例 2：六目录当六分类

• 错误做法：把 mixt/ 与五类并列做 6-way softmax。
• 后果：与文献口径脱钩，分数无法对标；且 mixt 内部类别混杂，标签语义不明（坑 6）。
• 正确姿势：五分类排除 mixt；如做多细胞任务，单独定义任务并说明与五分类不可比。

判例 3：GitHub 镜像当官方引用

• 错误做法：数据来源写 “github.com/xxx/LISC-dataset” 并称 official。
• 后果：官方明确禁止再分发，引用链不合规（坑 5）。
• 正确姿势：从官方站获取并引官方页；确需说明镜像时写明 “third-party redistribution, not officially licensed”。

判例 4：同域高分直接宣称 SOTA 可用性

• 错误做法：“LISC 上 98.5%，故系统可用于临床血常规。”
• 后果：健康供体+单中心+2010 设备三重局限（判例与 §2.1、§5.3），外部效度为零支撑。
• 正确姿势：补跨域实验（补编 DD），报告域内外落差。

判例 5：无预处理说明的分数对比

• 错误做法：自己 resize 到 224×224 得分 A，与保原尺寸的文献分数 B 直接比大小。
• 后果：分辨率处理不同，分数不可比（附录 V 第 3 条）。
• 正确姿势：论文里固定并写明预处理；对标时只比同预处理口径。

判例 6：掩码格式想当然

• 错误做法：假定 areaforexpert1 下是二值掩码直接按 0/255 读。
• 后果：若实为标签图或彩色区域图，读取错位，训练静默失败或指标虚低。
• 正确姿势：先目视+直方图确认像素值语义（补编 C.1），再写 reader。

判例 7：单次随机划分报分

• 错误做法：242 张一次 80/20 划分，报单次分数。
• 后果：小数据单次划分方差大，分数不可复现（补编 B.2）。
• 正确姿势：k 折交叉验证并报均值±标准差。

判例 8：课件/竞赛包里打包 LISC

• 错误做法：把 LISC ZIP 塞进课程公共网盘或竞赛 starter kit。
• 后果：构成再分发，违反官方条款（坑 9）。
• 正确姿势：发放获取指引（官方页 URL+编码说明），让使用者自行下载。

补编 MM：三类读者的行动路线图

路线 A：机器学习工程师（目标是跑通并在 LISC 上对标）

步骤	动作	对应章节
1	官方站下载 ZIP（URL 编码）	§6.3、附录 R
2	目录树与张数盘点	附录 B、补编 HH
3	掩码格式确认	补编 C.1
4	跑通五分类 k 折基线（SVM 或轻量 CNN）	补编 BB
5	对标 96.00%-98.51% 谱系并注明口径	§5.1、补编 KK
6	补一组跨域实验	补编 DD
7	按报告规范成文	补编 B.5

路线 B：血液学/检验医学研究者（目标是理解自动化边界）

步骤	动作	对应章节
1	理解五类形态判别点	§3.3、附录 A、附录 O
2	理解"专家标注 vs 自动派生"差异	§3、§10.5
3	理解同域高分与临床可用之间的三重鸿沟	§2.1、§5.3、§8.4
4	评估商业系统对照视角	附录 T
5	决定是否引入自动复核流程	§8.1、补编 MM

路线 C：数据集管理者/策展人（目标是把 LISC 收录进资源目录）

步骤	动作	对应章节
1	核对身份与许可原文	§1、§6.1
2	录入四口径计数并互链存照	附录 J、§9
3	标注获取门槛（URL 400 坑）	坑 4
4	标注 license 冲突风险（第三方镜像）	坑 5、附录 X
5	建立互链（acevedo-blood 等库内条目）	§7.3、附录 L
6	按 DAIMS 录入评分	§10.5、补编 AA

补编 NN：与数据治理框架的对话（Datasheets/Data Cards 视角）

若用 Datasheets for Datasets（Gebru et al.）或 HuggingFace Data Card 的标准问卷逐项审问 LISC，会得到一张很有代表性的"老数据集答卷"。能答的答，答不了的如实标"未公开"——这份答卷本身就是 LISC AI-Ready 元数据的骨架。

问卷项	LISC 的回答	依据
数据为什么被创建？	填补白细胞分割/分类缺少公共对比基准的空缺	§0
谁创建？	德黑兰大学 ECE 团队（Rezatofighi & Soltanian-Zadeh）	§3
谁资助？	未公开（论文致谢部分未在核实源中转录）	存照
数据代表谁？	8 名健康受试者的外周血	§2.1
不代表谁？	病理人群（白血病/贫血/感染形态异常全部缺席）	§2.1
采集时间窗？	2010 年前后（官方口径 2010，论文 2011）	§4.2
采集设备/染色协议？	未公开（仅可由 720×576 推断为早期采集风格）	§2.3
每张样本如何选取？	从涂片视野截取白细胞区域；具体截取规则未公开	§2.1
标注由谁做？	分割：一位专家；分类：一位血液学家	§3.2、§3.3
标注质量如何验证？	未验证（无 inter-rater 一致性数据）	§3.5
已知缺陷？	官方未自述；第三方研究指出域偏移与小样本问题	§5.3
推荐使用方式？	研究与教育用途的分割/分类基准	§6.1
不推荐使用方式？	商业用途、再分发、病理诊断训练	§6.1、§2.1
更新计划？	无（2011 年后冻结）	§10.5
如何引用？	致谢+引用 CMIG 2011 论文	补编 EE
如何获取？	仅限从第一作者官方站点获取	§6.1、§6.2

对话结论：15 个标准问题里，LISC 能完整回答 11 个、部分回答 1 个、无法回答 3 个（资助方、采集设备、选取规则）。答不出的问题集中在"过程元数据"——当年觉得不必要记录的细节，今天成了复现与审计的盲区。这印证本条目反复出现的主题：老数据集的 AI-Ready 化，本质是为"发布即终态"的数据补写过程档案；而补不出来的部分（如设备型号），唯一的诚实做法就是像本表一样标注"未公开"，而不是编造一个貌似合理的值。

补编 OO：小结与使用立场声明

LISC 的故事可以压缩成三句话：

1. 它靠标注稀缺性活了下来——数百张图撑起十五年方法横评，靠的是专家手工分割 GT 与血液学家分类标签这一稀缺组合（§8.1）。
2. 它的每一分便利都附带条款——免费但禁再分发、公开但 URL 有坑、权威但单标注者；用它的前提是把条款读全（§6、§10）。
3. 它测不出你模型的真实实力，但能测出方法的相对优劣——同域高分是数据简单的结果（§8.4），跨域落差才是真实世界（§5.3）；把它当尺子，别当地图。

使用立场：本条目推荐的研究/教育用途下、从官方站点获取、五分类 242 张主口径、k 折+跨域双报告的使用组合；其余用法请逐条核对坑点清单与合规检查表后再决定。

补编 PP：教学应用速查

LISC 规模小、类别标准、标注权威，天然适合放进课程作业与实训。基于本条目已核实事实，给出三个可直接布置的作业设计：

作业 1：经典方法复现（适合医学图像处理入门课）

• 任务：按 §3.4 方法链复现"Gram-Schmidt 正交化 + snake 分割 + 纹理/形态特征 + SVM"流程，在五分类主集上做 5 折交叉验证。
• 验收点：复现出 90% 以上的准确率（原论文 96.00% 为参考上限）；提交分割掩码可视化。
• 教学价值：一次走完"分割→特征→选择→分类"完整传统流水线。

作业 2：深度基线对标（适合深度学习课程）

• 任务：任选轻量 CNN，在 LISC 五分类上对比"SVM 传统基线"与"深度基线"（对标 §5.1 谱系 96.00%-97.64%），并按补编 B.5 六项规范写实验报告。
• 加分项：完成一组 Raabin→LISC 跨域测试并解释落差（§5.3、补编 DD）。
• 教学价值：体会"小数据集上传统方法不落下风"与"同域高分不等于泛化"两条经验。

作业 3：数据集审计报告（适合数据治理/AI 伦理课程）

• 任务：用补编 NN 的问卷框架对 LISC 做 Datasheets 审计，产出补编 AA 式档案卡，并给出三条改进建议（对标附录 W 给维护者的建议）。
• 教学价值：理解"数据集本身也是需要治理的对象"，学习 AI-Ready 元数据的诚实性原则——不掩盖矛盾，只标注矛盾。

教学使用合规提醒：课堂使用属于教育用途，符合官方许可第一条；但把 LISC 打包进课程公共网盘或教材附赠数据盘即构成再分发，违反第二条（坑 9、判例 8）。正确做法是发放官方获取指引（§6.3），让学生自行下载。

---

尾注：本条目事实以官方数据页、CMIG 2011 主论文、以及多篇 2019-2026 年二次来源三源互证为准。所有存在冲突的数字（分辨率、图像总数、类别分布、年份）已在 §9 与附录 J 逐条存照。受官方 URL 不稳定与论文 PDF 不可解析所限，部分细节（areaforexpert1 掩码编码格式、mixt/无 GT 分项张数）列为遗留疑点，未作臆测。

条目 slug：lisc ｜ 分类：医学影像 / 病理图像 / 图像分类 / 医学图像分割 / 评测基准 ｜ 更新时间：2026-10-04

---

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：

• raabin-wbc — 共享标签：医学影像 / 病理图像 / 图像分类 / 医学图像分割 / 评测基准
• panda-plus — 共享标签：医学影像 / 病理图像 / 图像分类 / 医学图像分割 / 评测基准
• cric — 共享标签：医学影像 / 病理图像 / 图像分类 / 医学图像分割 / 评测基准
• prostate-cnb-wsi — 共享标签：医学影像 / 病理图像 / 图像分类 / 医学图像分割 / 评测基准
• acevedo-blood — 共享标签：医学影像 / 病理图像 / 图像分类 / 评测基准
• bbbc051 — 共享标签：医学影像 / 病理图像 / 图像分类 / 评测基准
• tn3k — 共享标签：医学影像 / 图像分类 / 医学图像分割 / 评测基准
• pfus1 — 共享标签：医学影像 / 图像分类 / 医学图像分割 / 评测基准
• deeputi — 共享标签：医学影像 / 病理图像 / 图像分类 / 医学图像分割
• histology-tissue-fold — 共享标签：病理图像 / 图像分类 / 医学图像分割 / 评测基准

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。