MITOS-ATYPIA-14 — 乳腺癌有丝分裂与核异型 AI-Ready Wikipedia

MITOS-ATYPIA-14 — 乳腺癌有丝分裂检测与核异型评分挑战数据集 AI-Ready Wikipedia

INFOBOX

字段	内容
数据集名称	MITOS-ATYPIA-14
英文全称	Detection of Mitosis and Evaluation of Nuclear Atypia Score in Breast Cancer Histological Images (ICPR 2014 Contest)
别名/简称	Mitos & Atypia 14 Contest；ICPR 2014 Mitosis Contest；MITOS-ATYPIA-2014
疾病分类（ICD-11）	2C25 乳房恶性肿瘤
SNOMED CT	254837009（乳腺恶性肿瘤）
数据模态	乳腺 H&E 染色病理显微图像（20x/40x 高倍视野帧）
AI 任务类型	有丝分裂检测（目标检测/分类）；核异型评分（3 级分类）
样本总数	训练 284 个 20x 帧 + 1,136 个 40x 帧；测试 496 个 40x 帧（21 张活检、双扫描仪）
数据大小	约 33 GB（32 个 tar.gz 压缩包，单包 458 MB-1.7 GB）
数据格式	RGB TIFF 图像帧 + CSV/清单标注
许可证	未显式声明（官方站点开放下载，学术使用请引用挑战论文）
访问级别	开放（官方直链下载，无需注册申请）
语言	不适用（图像数据；官方文档与元数据为英文）
首发日期	2014（ICPR 2014 挑战，斯德哥尔摩）
最后更新	2014（挑战版发布后未再更新）
发布机构	IPAL 实验室（CNRS/UPMC/Université Joseph Fourier 等）；数据来自巴黎 Pitié-Salpêtrière 医院病理科
官方主页	mitos-atypia-14.grand-challenge.org
下载地址	官方 Download 页
DOI	无（数据集未注册 DOI，引用 Roux et al. 2014 挑战文献）
引用次数	前身挑战论文（Roux et al., J Pathol Inform 2013）407+（Google Scholar，截至 2026-09）；2014 挑战文献 41（Semantic Scholar，截至 2026-09）
AI 就绪度评分	⭐⭐⭐（3/5）— 数据开放直链可取、标注协议清晰，但无官方划分脚本、质心标注需自行膨胀为训练标签、无官方评估代码，需手动实现
页面状态	published

---

§0 E-E-A-T 与审核声明

• 医学审核：[千方病案医学编辑部] 交叉审核：§2 医学背景（乳腺癌 Nottingham 分级、有丝分裂计数的临床意义）、§7 偏倚分析。
• 数据工程审核：[千方病案医学编辑部交叉审核] 医疗 AI 数据工程师，审核范围：§4 DAIMS 数据字典、§5 数据划分策略、§6 预处理 Pipeline 和坑点。
• 审核日期：2026-09-05

医疗免责声明：本页面提供的医学信息仅供研究和教育目的，不构成医疗建议、诊断或治疗方案。数据集的医学描述基于公开发表的文献，未经逐一临床验证。任何基于该数据集训练的 AI 模型在应用于临床决策前，必须经过独立的临床验证和监管审批。

技术免责声明：本页面的代码示例、预处理建议和基准性能数据基于公开资料整理，不保证在特定环境下的准确性和适用性。使用者应自行验证代码安全性和数据预处理流程的正确性。千方病案医数集不对因使用本页面信息而导致的任何直接或间接损失承担责任。

数据使用合规：使用本页面描述的数据集前，请务必阅读并遵守数据集原始许可协议。MITOS-ATYPIA-14 通过官方 Grand Challenge 站点开放直链下载，站点未附显式许可协议，学术使用应引用挑战组织者的文献（见 §9）。DUO 标签仅供参考，具体使用限制以数据集官方协议为准。

合规要点速记：

1. 数据含人体病理切片衍生图像，仅限研究用途分发；商业与临床部署前应联系组织者确认授权边界。
2. 公开内容不含患者标识，但二次分发时应保留原始机构与挑战协议署名。
3. 论文与产品中使用本数据集训练的模型，应在方法学部分声明训练域（Aperio/Hamamatsu）与切分方式。

---

§1 数据集概览

§1.0 📌 30 秒速览

这是什么？ MITOS-ATYPIA-14 是 2014 年国际模式识别大会（ICPR 2014）举办的乳腺癌病理图像挑战数据集。巴黎 Pitié-Salpêtrière 医院病理科选择了 21 张乳腺癌活检的 H&E 染色切片，由 Aperio 和 Hamamatsu 两台扫描仪数字化成高分辨率显微图像帧，并由多名病理医师标注了两个任务的目标：癌细胞的有丝分裂位置，以及细胞核异型的严重程度（1/2/3 级）。

为什么重要？ 有丝分裂计数和核异型程度是乳腺癌 Nottingham 分级体系中直接决定"肿瘤增殖活性"评分的关键参数，与患者预后密切相关。但人工计数有丝分裂费时、重复性差，不同病理医师之间的判断分歧很大。这个数据集把"让 AI 学会数有丝分裂、给核异型打分"变成了一个可量化竞赛的公开基准，是深度学习病理图像分析早期的奠基性基准之一，其前身 MITOS-12 挑战论文已累积 407+ 次引用（Google Scholar，截至 2026-09）。

我能用它做什么？ 训练和评估有丝分裂检测模型（目标检测/分割）、核异型 3 级评分模型（分类），研究染色归一化与扫描仪域泛化（同一活检被两台扫描仪扫描，天然提供了"同组织、不同域"的对照数据），或作为乳腺病理 AI 的预训练与迁移学习数据源。

§1.1 技术摘要

MITOS-ATYPIA-14 的构建流程为：病理科医师在每张 H&E 切片的肿瘤区域内选取若干 20x 放大倍率视野帧；每个 20x 帧再细分为 4 个 40x 帧。20x 帧由两名资深病理医师独立给出核异型总分（1/2/3，低/中/高级，存在分歧帧）；40x 帧由两名资深病理医师标注有丝分裂质心（标注为 true mitosis / probably a mitosis / not a mitosis 三类，分歧时由第三名病理医师仲裁、多数投票归为二元），并由三名初级病理医师对六项核异型子标准（核大小、核仁大小、染色质密度、核膜厚度、核轮廓规则性、核大小不等）各打 1/2/3 分、仅公布共识值。训练集含 284 个 20x 帧与 1,136 个 40x 帧（1,200 个 40x 视野含 749 个有丝分裂标注，Aperio 口径）；测试集 496 个 40x 帧的标签由组织方保留（官方 Dataset 页、Li et al., 2018）。挑战评测采用两种协议：有丝分裂检测按"检测质心距标注质心 ≤ 8 µm 记正确"的 F-measure 排名；核异型评分按 points 制（正确 +1、差 1 级 0 分、差 2 级 -1 分）排名（官方 Evaluation Metrics 页）。

§1.2 战略价值

维度一：病理 AI 的"域泛化"天然实验台。 大多数病理数据集只覆盖一种扫描设备，模型性能提升究竟是来自算法还是来自对特定扫描仪色彩/分辨率的过拟合，往往无法区分。MITOS-ATYPIA-14 中每张活检均由 Aperio Scanscope XT 与 Hamamatsu Nanozoomer 2.0-HT 各扫描一次，同一组织产生两套像素规格不同（0.2455 vs 约 0.2273 µm/px）的帧，且物理视场被设计为一致（约 378×338 µm）。这使它至今仍是研究扫描仪域偏移、染色归一化与小数据域泛化的经典对照材料——后续 Chen et al.（AAAI 2016）在 MITOS-12 上 F1 达 0.788 的级联网络，迁移到本数据集降至 0.482，量化了这种域差距（Pan et al., 2021）。

维度二：双任务、多层级标注的稀缺样本。 在 2014 年前后，同时提供"检测级"（逐个有丝分裂质心）与"分级级"（核异型 1/2/3 总分 + 六项子标准共识分）两种粒度、且由多标注者仲裁流程产生标注的公开病理数据集极少。它连接了 Nottingham 分级的两个难点维度（增殖计数与核多形性），并因其前身 MITOS-12 的小规模（50 HPF）教训而把规模扩大到 1,200+ HPF 量级，直接启发了后续 AMIDA13、TUPAC16、MIDOG 系列挑战的评测设计（Roux et al., 2013）。

维度三：挑战评测协议设计的"教科书"。 它同时示范了两类任务如何用一套数据公平竞赛：检测类任务用 µm 级空间容差（8 µm）把"检出位置"的评判从像素坐标系解耦；评分类任务用带序惩罚的 points 制（+1/0/-1）承认分级任务的有序性——差一级不罚、差两级倒扣。这两个设计在十余年后的 MIDOG、TUPAC 系列评测中仍能看到影子，对任何想组织医学 AI 评测的团队都是可直接套用的协议模板（官方 Evaluation Metrics 页）。

§1.3 同类数据集横向对比

数据集	年份	规模	模态	标注	与本数据集的差异
MITOS-12	2012	50 HPF（5 张切片）	乳腺 H&E，40x	326 个有丝分裂质心（双扫描仪）	前身，规模过小、单标注者
MITOS-ATYPIA-14	2014	284 个 20x 帧 + 1,136 个 40x 帧 + 496 测试帧	乳腺 H&E，20x+40x，双扫描仪	749 个有丝分裂质心（Aperio 训练口径）+ 核异型 1/2/3 + 六项子标准	本条目：双任务、多标注者仲裁、双扫描仪
AMIDA13	2013	676 HPF（23 例）	乳腺 H&E，40x	1,000+ 有丝分裂（多标注者）	无核异型任务，更侧重检测
TUPAC16	2016	500 训练 + 321 测试 WSI	乳腺 H&E，WSI	增殖评分 + 73 例有丝分裂标注	延伸到 WSI 级增殖预测
BACH 2018	2018	400 显微图 + 40 WSI	乳腺 H&E	4 类（正常/良性/原位癌/浸润癌）	载玻片级分类，无逐细胞标注
MIDOG++	2023	503 个标本、11,937 个有丝分裂	多肿瘤类型、多扫描仪	有丝分裂框标注	规模大、多域，常被误记为本数据集的"11,000+"口径

§1.4 版本时间轴

时间	事件	说明
2012	ICPR 2012 MITOS 挑战	5 张切片、50 HPF、326 个有丝分裂；129 队注册、17 队提交；暴露规模不足问题（Roux et al., 2013）
2014-08	ICPR 2014 MITOS-ATYPIA 挑战（斯德哥尔摩）	扩展为双任务：有丝分裂检测 + 核异型评分；两名资深 + 三名初级病理医师标注体系上线
2014 至今	挑战版定稿	官方站点与下载直链保持开放，数据未再更新；社区沿用于域泛化与有丝分裂检测研究

§1.5 典型应用场景

1. 有丝分裂检测器训练与基准：用 1,136 个 40x 训练帧 + 749 个质心标注训练检测/分割模型，按挑战协议（8 µm 匹配、F-measure）自评。
2. 核异型自动评分：用 284 个 20x 帧及其 1/2/3 总分与六项子标准共识分训练分级模型，模拟 Nottingham 核多形性评分。
3. 扫描仪域泛化研究：同一活检的 Aperio/Hamamatsu 双版本帧可直接构造"跨域训练-测试"对照，研究染色归一化与域自适应。
4. 病理预训练与迁移：作为大规模病理基础模型（如 MIDOG 系列基线）的辅助训练源或迁移评估集。
5. 标注一致性教学案例：三标注者仲裁流程、分歧帧保留等设计是"医学标注协议设计"的实用参考。

---

§2 医学背景

§2.1 ICD-11 编码映射

数据标签	ICD-11 编码	ICD-11 术语（中文）
乳腺癌活检（数据来源疾病）	2C25	乳房恶性肿瘤
核异型分级任务（形态学评估，属分级体系而非独立疾病）	2C25（语境下）	乳房恶性肿瘤（分级参数）

说明：本数据集不提供患者的 ICD-11 临床编码；上表为数据集所涉疾病与任务的映射，供检索与知识组织使用。

§2.1b SNOMED CT 映射

标签/概念	ICD-11	SNOMED CT 码	术语
乳腺恶性肿瘤	2C25	254837009	Malignant tumor of breast (disorder)
有丝分裂计数（本数据集检测任务的临床原型）	—	无公认单一映射	Mitotic count / mitotic rate（见于病理报告语境）
核异型/核多形性评分（本数据集评分任务的临床原型）	—	无公认单一映射	Nuclear pleomorphism（Nottingham 分级组分之一）

§2.2 疾病简介与流行病学

乳腺癌是全球女性中发病率最高的恶性肿瘤。组织病理学分级（Scarff-Bloom-Richardson 体系及其改良的 Elston-Ellis/Nottingham 分级）是浸润性乳腺癌最重要的预后因子之一，由三个形态学参数构成：小管形成程度、核多形性（nuclear pleomorphism）与核分裂计数（mitotic count），各按 1/3 分累加（Roux et al., 2013）。其中核分裂计数客观量化肿瘤增殖活性，是分级中与细胞增殖标志物（如 Ki-67）相关性最强的参数；但计数结果受视野选择、观察者差异与切片质量影响，同一切片在不同病理医师之间的计数可产生较大波动，这正是自动化检测的临床动机。本数据集的核异型评分（1/2/3）对应 Nottingham 分级中"核多形性"组分的简化版，六项子标准（核大小、核仁大小、染色质密度、核膜厚度、核轮廓规则性、核大小不等）则是该组分的操作化分解（官方 Dataset 页）。

Nottingham 分级三参数与本数据集的对应关系：

Nottingham 参数	分数定义（1/2/3）	本数据集中的实现
小管形成	按小管形成比例分级	未实现（无小管标注）
核多形性	按核大小、形状、核仁等形态变异分级	20x 帧核异型总分 1/2/3 + 40x 帧六项子标准共识分
核分裂计数	按每 10 HPF 核分裂数分级	40x 帧有丝分裂质心标注（检测任务的监督来源）

说明：本数据集把 Nottingham 分级中"最依赖人工、最难标准化"的两个参数（核多形性与核分裂计数）转化为可计算的机器学习任务；小管形成未纳入，使用者在构造完整分级模型时需结合其他数据源。

§2.3 临床任务定义

任务	临床原型	数据集实现	输出
有丝分裂检测	核分裂计数（Nottingham 分级组分）	在 40x 帧中定位全部有丝分裂质心	逐帧质心坐标列表 + 置信度
核异型评分	核多形性分级（Nottingham 分级组分）	对 20x 帧给出 1（低）/2（中）/3（高级）总分	逐帧分数 + 可选置信度
六项子标准评分	核多形性的操作化分解	对 40x 帧的六项标准各给 1/2/3（仅共识值，作辅助标签）	逐帧六维分数

§2.4 患者人群

维度	内容
来源机构	巴黎 Pitié-Salpêtrière 医院病理科（Prof. Frédérique Capron 团队），单中心
切片数量	21 张乳腺癌活检 H&E 切片（训练 16 张 + 测试 5 张）
帧选取	病理医师在肿瘤区域内选取 20x 帧，每个 20x 帧细分为 4 个 40x 帧
采集时间	官方未公布切片采集时间窗
患者年龄/性别/种族分布	官方未公布（帧不含患者元数据）
就医类型	临床诊断性乳腺活检（巴黎三甲医院病理科存量切片）

§2.5 临床价值

自动化有丝分裂检测若达到病理医师级一致性，可直接嵌入数字病理工作流：替代或校验人工核分裂计数、缩短分级报告周转时间、并减少观察者间变异。核异型自动评分则有助于标准化 Nottingham 分级中最"主观"的组分。本数据集作为这两个任务的公开基准，其价值在于：给出可复现的评测协议（8 µm 匹配阈值的 F-measure、points 制评分），使"算法与病理医师谁更一致"的论证有公共标尺；挑战期最优 F1 仅 0.356、后续研究提升至 0.482-0.691 区间的轨迹，也如实刻画了该任务从"远未解决"到"接近可用"的演进（Pan et al., 2021）。

§2.6 金标准参考表

划分	标注方式	标注者	性质
40x 帧：有丝分裂	逐个标注质心单像素，原始标注含 true / probably / not 三类，分歧时第三名病理医师仲裁、多数投票归为二元	2 名资深病理医师 + 1 名仲裁（Pitié-Salpêtrière 医院病理科）	共识金标准（训练集公开；测试集保留）
20x 帧：核异型总分	独立打分 1/2/3，官方明示存在分歧帧（两份分数均保留）	2 名资深病理医师	独立双标注（非强制共识）
40x 帧：六项核异型子标准	各项 1/2/3，仅公布三人共识值，定位为算法设计 guideline	3 名初级病理医师	共识辅助标签

---

§3 数据集规格

§3.0 版本与子集抉择矩阵

本数据集自 2014 年发布后无版本更迭，但官方以"逐切片压缩包"形式分发，实际使用中存在三种典型取用口径：

你的需求	推荐取用	下载量	理由
完整复现 2014 挑战双任务	全部 32 个 tar.gz（训练 22 + 测试 10）	约 33 GB	测试帧用于按官方 CSV 格式产出预测；训练帧含全部标注
快速原型/教学（mitosis 检测）	仅 Aperio 训练包（A03-A18）	约 11.5 GB	1,200 HPF、749 个质心标注集中于此，社区论文口径一致
扫描仪域泛化研究	Aperio + Hamamatsu 训练包成对使用（Axx/Hxx 同号同活检）	约 24.5 GB	同组织双域对照，避免引入测试切片
复现 MITOS-12 → 14 迁移实验	官方训练包 + MITOS-12 数据（另见 §8.4）	视 MITOS-12 而定	需两代数据集同源对比

§3.1 模态详情

模态为乳腺浸润性癌区域 H&E（苏木精-伊红）染色活检切片的高倍数字显微图像帧。每张切片由两台扫描仪分别数字化：Aperio Scanscope XT 与 Hamamatsu Nanozoomer 2.0-HT，输出 RGB TIFF 帧。帧分两级：20x 帧用于核异型评分（Aperio 1539×1376 px，Hamamatsu 1663×1485 px，物理尺寸均约 756×676 µm）；每个 20x 帧对应 4 个 40x 帧用于有丝分裂标注（像素尺寸与 20x 帧相同、物理视场减半至约 378×338 µm，即两台扫描仪的 40x 帧物理视场一致约 0.128 mm²）。两台扫描仪 40x 像素分辨率不同：Aperio 0.2455 µm/px，Hamamatsu 水平 0.227299 µm/px、垂直 0.227531 µm/px（官方 Dataset 页）。

§3.2 按子集样本数

子集	扫描仪	切片（活检）数	20x 帧	40x 帧	有丝分裂标注	标注可用性
训练 A03-A18	Aperio Scanscope XT	11	共 284（A+H 合计）	共 1,136（A+H 合计）	1,200 HPF 含 749 个（Aperio 口径，Li et al., 2018）	公开
训练 H03-H18	Hamamatsu Nanozoomer 2.0-HT	11（与 Aperio 同活检）	同上合计	同上合计	393 patches 含 743 个（采样口径，Frontiers, 2021）	公开
测试 A06/A08/A09/A13/A16	Aperio	5	未逐项公布（见 inventory）	共 496（两扫描仪合计口径见 Xie et al., 2018）	保留	不可用
测试 H06/H08/H09/H13/H16	Hamamatsu	5（与 Aperio 同活检）	同上	同上	保留	不可用

注：官方 Dataset 页公布训练集帧数（284 个 20x + 1,136 个 40x）为两台扫描仪合计；测试集帧清单见官方 mitos_atypia_testing_inventory.xls，论文口径 496 个 40x 测试帧。

§3.3 数据格式

内容	格式	说明
图像帧	RGB TIFF（.tiff）	每帧一个文件，命名如 A06_00Aa.tiff（官方 Evaluation 页）
分发	tar.gz 压缩包	每张切片（每扫描仪）一个包，如 A03.tar.gz
有丝分裂标注	坐标列表（随包提供，见数据描述 PDF）	40x 帧的质心坐标；挑战提交时要求逐帧 CSV（每行 x,y,confidence）
核异型标注	分数列表/清单	20x 帧 1/2/3 总分与六项子标准分数；挑战提交为逐帧 CSV（score,confidence）
清单文档	XLS + PDF	mitos_atypia_training_inventory.xls（逐帧有丝分裂计数）、mitos_atypia_testing_inventory.xls、数据描述 PDF（Download 页）

§3.4 存储大小

训练包：Aperio 侧 11 个包自 643 MB 至 1.5 GB；Hamamatsu 侧 11 个包自 702 MB 至 1.7 GB。测试包：Aperio 侧 5 个包自 458 MB 至 1.2 GB；Hamamatsu 侧 5 个包自 584 MB 至 1.3 GB。32 个包合计约 33 GB（按官方 Download 页各包标称大小累加）（Download 页）。

§3.5 标注方式

全部标注为人工标注，采用分层多标注者设计：有丝分裂由 2 名资深病理医师独立标注（三类判断），分歧由第 3 名仲裁、多数投票产生二元金标准；核异型总分由 2 名资深病理医师独立打分（分歧帧保留双分）；六项子标准由 3 名初级病理医师给出、仅公布共识值。有丝分裂标注粒度为质心单像素而非边界框或分割 mask（官方 Dataset 页、Li et al., 2018）。

§3.6 标注者资质与一致性

标注层	标注者	资质	一致性处理
有丝分裂	2 名资深病理医师 + 1 名仲裁	医院病理科资深医师	三类独立判断，分歧仲裁后多数投票；一致性统计量官方未公布
核异型总分	2 名资深病理医师	同上	独立打分不强制共识，官方明示存在分歧帧
六项子标准	3 名初级病理医师	病理科初级医师	仅公布共识值，个别分歧值不公开

§3.7 采集周期

切片采集时间窗官方未公布；挑战于 2014 年举办（ICPR 2014，斯德哥尔摩），数据于挑战前由 Pitié-Salpêtrière 医院病理科完成选择与标注（官方主页）。

§3.8 地域覆盖

法国巴黎单中心（Pitié-Salpêtrière 医院）。无多中心、多地域覆盖。

§3.9 设备规格

扫描仪	40x 分辨率	20x 帧尺寸	40x 帧尺寸	40x 物理视场
Aperio Scanscope XT	0.2455 µm/px	1539×1376 px（755.649×675.616 µm²）	1539×1376 px	377.8245×337.808 µm²
Hamamatsu Nanozoomer 2.0-HT	0.227299 µm/px（水平）、0.227531 µm/px（垂直）	1663×1485 px（755.996474×675.76707 µm²）	1663×1485 px	377.998237×337.883535 µm²

（官方 Dataset 页）

20x/40x 与像素/微米换算速查（预处理与评估代码必备）：

量	Aperio	Hamamatsu
40x µm/px	0.2455	约 0.2273（水平 0.227299 / 垂直 0.227531）
8 µm 判定半径对应像素	≈33 px	≈35 px
40x 帧物理视场	≈378×338 µm（≈0.128 mm²）	≈378×338 µm（≈0.128 mm²）
20x 帧物理视场	≈756×676 µm（≈0.511 mm²）	≈756×676 µm（≈0.511 mm²）
20x→40x 细分关系	1 个 20x 帧 = 4 个 40x 帧	同左

实践含义：两台扫描仪的 40x 帧像素分辨率不同但物理视场一致，这是官方刻意的设计——同一活检的两个扫描版本在物理空间可比，而在像素空间必须做分辨率换算。任何以"像素"为单位的阈值（如匹配半径、patch 大小）都应先在 µm 空间定义，再按扫描仪换算。

§3.10 深度溯源链

患者（乳腺癌活检）→ Pitié-Salpêtrière 医院病理科：切片制作与 H&E 染色 → 病理医师选择肿瘤区域 20x 帧 → 每帧细分为 4 个 40x 帧 → Aperio / Hamamatsu 双扫描仪数字化（RGB TIFF）→ 2 名资深病理医师标注有丝分裂质心（第三名仲裁）、2 名独立打核异型总分、3 名初级病理医师给出六项子标准共识分 → IPAL 实验室打包分发（tar.gz + inventory 清单 + 数据描述 PDF）→ Grand Challenge 平台托管（挑战页面 2014 上线，开放下载至今）。

---

§4 数据结构

§4.0 目录树

数据以"每张切片每台扫描仪一个 tar.gz 包"组织。以下为解压后的结构示意（命名规则依据官方 Evaluation 页示例与 Download 页包名；各包内部附带的标注文件形式以包内 README/数据描述 PDF 为准）：

data_root/                          # 你的数据根目录
├── training/                       # 训练切片（16 张活检 × 2 扫描仪 = 22 包）
│   ├── A03/                        # Aperio 包 A03.tar.gz 解压
│   │   ├── A03_00Aa.tiff           # 40x 帧（每个 20x 帧细分 4 个 40x 帧）
│   │   ├── A03_00Ab.tiff
│   │   ├── ...
│   │   └── A03_02Aa.tiff           # 20x 级帧按前缀编号
│   ├── A04/ ...
│   ├── H03/                        # Hamamatsu 包（与 A03 同一活检）
│   │   └── H03_00Aa.tiff ...       # 1663×1485 px
│   └── ...
├── testing/                        # 测试切片（5 张活检 × 2 扫描仪 = 10 包）
│   ├── A06/
│   │   └── A06_00Aa.tiff ...       # 预测提交：A06_00Aa.csv
│   └── H06/ ...
├── mitos_atypia_training_inventory.xls   # 训练逐帧清单（帧数与有丝分裂计数）
├── mitos_atypia_testing_inventory.xls    # 测试逐帧清单
└── icpr2014_MitosAtypia_DataDescription.pdf  # 官方数据描述（标注格式细节）

data_root 拼接关系：下文代码统一以 data_root 为根，帧路径形如 data_root/training/{SLIDE}/{frame}.tiff，SLIDE 取 A03-A18/H03-H18（训练）或 A06 等（测试）。

§4.1 DAIMS 字段字典

字段名	类型	说明	示例值	AI 用途	观测误差	信息性缺失编码	取值范围
frame_id	string	帧标识（切片_编号）	A03_00Aa	主键、划分依据	无	无	官方清单内唯一
slide_id	string	切片/活检标识	A03 / H03（同一活检）	切片级划分防泄漏	无	无	21 张（16 训练 + 5 测试）
scanner	category	扫描仪来源	aperio / hamamatsu	域标签、域泛化分组	无	无	2 类
magnification	category	物镜倍率	20x / 40x	任务路由（评分 vs 检测）	无	无	2 类
width_px, height_px	int	帧像素尺寸	1539×1376（Aperio）	预处理尺寸规划	无	无	两种固定值
resolution_um_px	float	40x 像素物理尺寸（µm/px）	0.2455 / 约 0.2273	8 µm 阈值换算	标称值	无	2 台不同
mitosis_x, mitosis_y	int	有丝分裂质心像素坐标（40x 帧）	375, 784	检测/分割标签源	质心单像素，标注者间存在定位抖动	无	帧内坐标
mitosis_label	category	原始三类标注（true/probably/not），公开金标准为仲裁后二元	true_mitosis	正样本过滤策略	三类判读主观性	无	2-3 类
atypia_score	int	20x 帧核异型总分	2	分类标签	两名资深病理医师存在分歧帧	无	1/2/3
atypia_score_reader2	int	第二名病理医师独立分数（分歧帧不同）	3	标签噪声/一致性研究	与主分可差 1 级	无	1/2/3
criterion_1-6	int	六项子标准共识分（核大小/核仁/染色质/核膜/轮廓/大小不等）	2	辅助监督、可解释特征	仅共识值公布	无	1/2/3
submission_csv	file	挑战提交格式（逐帧）	A06_00Aa.csv：每行 x,y,conf	复现官方评测	—	空文件=无检出	逐帧一文件

§4.2 标签分布

• 有丝分裂（40x 帧，训练 Aperio 口径）：1,200 个 HPF 含 749 个质心标注，平均每帧约 0.62 个；官方逐帧计数见 mitos_atypia_training_inventory.xls。部分帧无有丝分裂（提交时允许空 CSV），部分帧密集多检。Hamamatsu 训练侧一项研究采样 393 个 patch 含 743 个有丝分裂（Frontiers, 2021）。
• 核异型总分（20x 帧）：1/2/3 三级；官方未公布各级帧数分布，逐帧分数以训练清单/数据描述 PDF 为准。
• 测试集：496 个 40x 帧，标签保留，分布未知（官方 Dataset 页）。

分布形态对训练的三点影响：

分布特征	影响	应对
平均每帧约 0.62 个质心，大量帧为 0	"负帧"是有价值的难例来源（外观与含分裂帧相近）	负样本采样应包含 0 计数帧，而非只在含正帧内取负 patch
有丝分裂在活检间分布不均	按帧随机采样会改变切片间先验	以帧为单元加权威重（帧内计数/帧均值的逆）
测试分布未知	不能假设测试集各级/各密度均衡	提交置信度阈值用验证集校准，并对阈值敏感性做曲线

§4.3 关键统计

统计项	数值	来源
训练 20x 帧	284	官方 Dataset 页
训练 40x 帧	1,136	官方 Dataset 页
训练 40x 帧（论文口径）	1,200（Aperio）	Li et al., 2018
有丝分裂标注（训练，Aperio 口径）	749 个质心	Li et al., 2018
有丝分裂判定半径	8 µm（≈33 px Aperio / ≈35 px Hamamatsu）	官方 Evaluation 页
测试 40x 帧	496（标签保留）	官方 Download 页 + Li et al., 2018
单帧正类占比	749 个质心 / 1,200 帧×1539×1376 像素，约十万分之一量级	据公开数字计算

§4.4 数据层级

活检（breast biopsy，21 张，未提供患者 ID）
└── 切片（slide，每活检 1 张，双扫描仪各数字化一次）
    └── 扫描仪版本（aperio / hamamatsu）
        └── 20x 帧（核异型评分单元，284 个训练帧）
            └── 40x 帧 ×4（有丝分裂标注单元，1,136 个训练帧）
                └── 有丝分裂质心（单像素坐标，逐帧 0-N 个）

§4.5 缺失值与信息性缺失编码

情形	编码/表现	处理建议
某帧无有丝分裂	清单计数为 0；提交格式为空 CSV	正常样本，勿当作数据缺失删除
两名病理医师核异型分数分歧	两个分数并存（数据描述 PDF 说明）	保留双分作标签噪声研究；训练可用均值/保守取法并做敏感性分析
六项子标准个别不一致	仅公布共识值，分歧值不可见	将六项子标准视为软标签而非硬标签
测试集标签	组织方保留	用训练集自切验证（见 §5）

---

§5 划分与使用建议

§5.1 官方划分

官方仅区分训练集（16 张活检：A03-A18 与 H03-H18）与测试集（5 张活检：A06/A08/A09/A13/A16 与对应 H 包）；测试标签保留，挑战按提交 CSV 评测。官方没有提供训练集内部的验证集划分（官方 Download 页）。

§5.2 社区惯例划分

社区论文普遍以切片（文件夹）为单位在训练集内部再切分：如 SegMitos 用 A03 作验证集（96 HPF、135 个有丝分裂）、A04/A05/A07/A10/A11/A12/A14 作训练（816 HPF、534 个有丝分裂）（SegMitos）；CNNCS 将 1,136 帧按约 8:2 切分为 910 训练 + 226 验证（Xie et al., 2018）。

§5.3 划分策略与泄漏风险（重点）

• 切片级划分是底线：同一活检被 Aperio 与 Hamamatsu 各扫描一次，Axx 与 Hxx 同号即同一组织。若按帧（甚至按 patch）随机混切，Aperio 帧进训练、Hamamatsu 同组织帧进验证，验证指标会显著虚高。
• 20x-40x 层级不可拆：每个 20x 帧与其 4 个 40x 子帧来自同一视野，核异型总分与子帧内容强相关；评分任务与检测任务的任何对照实验都应把整个 20x 帧族放在同一侧。
• 推荐划分：按 slide_id 分组切分（如 GroupShuffleSplit / 按活检分组 K 折），并把扫描仪作为分层变量，保证每折内 A/H 均衡。

§5.4 交叉验证建议

训练集仅 16 张活检、帧数在活检间不均衡，建议 4-5 折分组交叉验证（每组 3-4 张活检），报告折间均值±标准差；比较两扫描仪域时应做"训练域 → 测试域"方向性实验（如 A 训练 → H 测试），而非混合后随机划分。

# 按活检分组的 5 折划分骨架（扫描仪分层）
import numpy as np
from sklearn.model_selection import GroupKFold

# biopsy id：去掉 A/H 前缀，A03 与 H03 归为同一组
def biopsy_group(slide_name: str) -> str:
    return slide_name[1:]

slides = [f"A{i:02d}" for i in (3, 4, 5, 7, 10, 11, 12, 14, 15, 17, 18)] + \
         [f"H{i:02d}" for i in (3, 4, 5, 7, 10, 11, 12, 14, 15, 17, 18)]
groups = [biopsy_group(s) for s in slides]

gkf = GroupKFold(n_splits=5)
for fold, (tr, va) in enumerate(gkf.split(slides, groups=groups)):
    train_slides = [slides[i] for i in tr]   # 每个活检完整落在单侧
    val_slides   = [slides[i] for i in va]
    print(f"fold {fold}: train {len(set(map(biopsy_group, train_slides)))} 活检, "
          f"val {len(set(map(biopsy_group, val_slides)))} 活检")

§5.5 外部验证建议

横向迁移到 TUPAC16 有丝分裂子集（73 例标注）、MIDOG++（多域 11,937 个有丝分裂）或 AMIDA13；纵向与 MITOS-12 互训互测以量化年代域差。报告时注明各数据集匹配半径差异（AMIDA13/TUPAC16 亦采用 µm 级阈值体系）。

---

§6 AI 就绪指南

§6.0 云端快速启动

数据托管于官方 Grand Challenge 站点（无 Kaggle/HuggingFace 官方镜像）。任意 Linux 环境可直接 wget 直链下载，示例（下载第一个训练包，约 989 MB）：

mkdir -p data_root/training && cd data_root/training
wget https://mitos-atypia-14.grand-challenge.org/Donwload/ -O - >/dev/null 2>&1 || true
# 各包直链以官方 Download 页当前链接为准，逐包下载：
# A03.tar.gz (989 MB) ... A18.tar.gz (953 MB); H03.tar.gz (1.1 GB) ... H18.tar.gz (1.2 GB)
tar -xzf A03.tar.gz

下载完整性自检（官方未提供校验和，用解压结果反向校验）：

# 校验点 1：tar 能完整解压且无 EOF 报错（截断的包会在解压时抛出）
tar -tzf A03.tar.gz > /dev/null && echo "A03 archive OK"

# 校验点 2：解压出的 TIFF 可被 tifffile 读取且尺寸符合官方规格
#   Aperio 40x 帧 1539x1376；Hamamatsu 40x 帧 1663x1485（§3.9）
python -c "import tifffile,glob; [print(f, tifffile.imread(f).shape) for f in glob.glob('A03/*.tiff')[:3]]"

# 校验点 3：帧数与官方 mitos_atypia_training_inventory.xls 该切片条目一致
ls A03/*.tiff | wc -l

§6.1 快速上手

目录结构预期：见 §4.0；data_root/training/{SLIDE}/*.tiff。data_root 拼接关系：data_root + 子目录 + 帧文件名。最小可用子集：仅需 A03.tar.gz（989 MB，含 96 HPF、135 个有丝分裂标注，社区常用验证切片）即可跑通"读图 → 提取 patch → 训练"全流程。

# 环境：Python 3.10+，pip install torch torchvision pillow numpy tifffile
# 预期目录：data_root/training/A03/A03_00Aa.tiff ...
import tifffile
from pathlib import Path

data_root = Path("data_root")           # <-- 改成你的数据根目录
frame = next((data_root / "training" / "A03").glob("*.tiff"))
img = tifffile.imread(frame)            # RGB uint8, 1539x1376x3
print(frame.name, img.shape, img.dtype)

§6.2 数据获取

项目	内容
获取渠道	官方 Download 页直链（无需注册）：https://mitos-atypia-14.grand-challenge.org/Donwload/
总量	32 个 tar.gz，约 33 GB
训练包	Aperio：A03/A04/A05/A07/A10/A11/A12/A14/A15/A17/A18；Hamamatsu：H03-H18 同号
测试包	Aperio：A06/A08/A09/A13/A16；Hamamatsu：H06/H08/H09/H13/H16
关键文档	icpr2014_MitosAtypia_DataDescription.pdf（标注格式）、两个 inventory XLS
申请流程	无申请流程；如需联系组织者（Dr. Ludovic Roux），邮箱见官方主页

<details>
<summary>全部 32 个压缩包及标称大小（点击展开）</summary>

训练（Aperio Scanscope XT）      训练（Hamamatsu Nanozoomer 2.0-HT）
A03.tar.gz  989 MB              H03.tar.gz  1.1 GB
A04.tar.gz  1.3 GB               H04.tar.gz  1.4 GB
A05.tar.gz  1.1 GB               H05.tar.gz  1.3 GB
A07.tar.gz  643 MB               H07.tar.gz  702 MB
A10.tar.gz  797 MB               H10.tar.gz  878 MB
A11.tar.gz  1.2 GB               H11.tar.gz  1.3 GB
A12.tar.gz  1.4 GB               H12.tar.gz  1.6 GB
A14.tar.gz  1.5 GB               H14.tar.gz  1.7 GB
A15.tar.gz  859 MB               H15.tar.gz  1.0 GB
A17.tar.gz  764 MB               H17.tar.gz  843 MB
A18.tar.gz  953 MB               H18.tar.gz  1.2 GB

测试（Aperio）                    测试（Hamamatsu）
A06.tar.gz  458 MB               H06.tar.gz  589 MB
A08.tar.gz  858 MB               H08.tar.gz  984 MB
A09.tar.gz  722 MB               H09.tar.gz  835 MB
A13.tar.gz  509 MB               H13.tar.gz  584 MB
A16.tar.gz  1.2 GB               H16.tar.gz  1.3 GB

来源：官方 Download 页（截至 2026-09）
</details>

§6.3 预处理全流程

三个关键步骤：把质心单像素标签膨胀为可训练标签；染色归一化对齐两台扫描仪域；按 40x 帧提取正/负 patch。

# 预处理：质心 -> 高斯热图/patch 标签；Macenko 简化为 stain 矩阵匹配的前置说明见坑点 5
import numpy as np

def centroids_to_heatmap(shape, centroids, sigma_um=4.0, um_per_px=0.2455):
    """把质心列表渲染成高斯热图。
    sigma 以 µm 语义设定再换算为像素，保证两台扫描仪间物理尺度一致。
    挑战判定半径为 8 µm（约 33 px @ Aperio 40x），热图 sigma 取其一半量级。"""
    sigma_px = sigma_um / um_per_px
    heat = np.zeros(shape[:2], dtype=np.float32)
    yy, xx = np.mgrid[0:shape[0], 0:shape[1]]
    for (x, y) in centroids:
        heat += np.exp(-((xx - x) ** 2 + (yy - y) ** 2) / (2 * sigma_px ** 2))
    return np.clip(heat, 0, 1)

def extract_patches(img, centroids, patch=64, neg_per_pos=3, rng=None):
    """以每个质心为中心裁正 patch，并随机裁负 patch（避开半径 48 px 内质心）。"""
    rng = rng or np.random.default_rng(0)
    H, W = img.shape[:2]; half = patch // 2
    pos, neg = [], []
    for x, y in centroids:
        x0, y0 = int(x) - half, int(y) - half
        if 0 <= x0 and 0 <= y0 and x0 + patch <= W and y0 + patch <= H:
            pos.append(img[y0:y0 + patch, x0:x0 + patch])
    while len(neg) < neg_per_pos * max(len(pos), 1):
        xc, yc = rng.integers(half, W - half), rng.integers(half, H - half)
        if all((xc - x) ** 2 + (yc - y) ** 2 > 48 ** 2 for x, y in centroids):
            neg.append(img[yc - half:yc + half, xc - half:xc + half])
    return pos, neg

染色归一化建议使用 Macenko 或 Reinhard 方法，把 Aperio/Hamamatsu 两域帧映射到统一染色基（文献证明其对病理 CNN 性能影响显著，Tellez et al., 2019）。

<details>
<summary>Macenko 染色归一化参考实现（约 50 行，点击展开）</summary>

# Macenko stain normalization：OD 空间 SVD 估计 H/E 基向量，再做线性变换对齐参考域
# 参考：Macenko et al., 2009；Tellez et al., Med Image Anal 2019
import numpy as np

def optical_density(img):
    return np.clip(img.astype(np.float32) / 255.0, 1e-6, 1.0)

def estimate_stain_matrix(img, beta=0.15, alpha=1):
    od = -np.log10(optical_density(img)).reshape(-1, 3)
    od = od[(od > beta).all(axis=1)]                 # 去掉背景透明像素
    _, _, vt = np.linalg.svd(od, full_matrices=False)
    plane = vt[:2].T                                  # SVD 平面
    proj = od @ plane
    phi = np.arctan2(proj[:, 1], proj[:, 0])
    min_p, max_p = np.percentile(phi, alpha), np.percentile(phi, 100 - alpha)
    v1, v2 = plane @ np.array([np.cos(min_p), np.sin(min_p)]), \
             plane @ np.array([np.cos(max_p), np.sin(max_p)])
    stains = np.stack([v1, v2])                       # 两个候选基向量
    order = np.argsort(stains[1])                     # H 通道吸收更弱的一支排前
    return stains[order] / np.linalg.norm(stains, axis=1, keepdims=True)[order]

def normalize(img, stain_ref, conc_ref, max_c=2.0):
    od = -np.log10(optical_density(img))
    c = np.linalg.lstsq(np.linalg.inv(stain_ref).T, od.reshape(-1, 3).T, rcond=None)[0]
    c = np.clip(c, 0, max_c)
    od_norm = conc_ref.T @ c                          # 用参考浓度重合成
    return (np.clip(10 ** (-od_norm), 0, 1) * 255).reshape(img.shape).astype(np.uint8)

# 用法：从训练集选 1 帧 Aperio + 1 帧 Hamamatsu 估计各自 stain matrix，
# 再统一映射到同一参考（或直接把 A 帧归一到 H 参考域做域对齐实验）。
# 注意：估计 stain matrix 应在低分辨率副本上做，避免逐帧 SVD 开销。

</details>

§6.4 PyTorch DataLoader

# MITOS-ATYPIA-14 mitosis detection：40x 帧 patch 分类/检测两用 Dataset
# 目录假设：data_root/training/{SLIDE}/*.tiff，质心标注由包内清单/数据描述 PDF 提供后
# 组织为 {frame_id: [(x, y), ...]} 的 mitosis_dict（解析逻辑依标注文件格式补全）
import torch
from torch.utils.data import Dataset, DataLoader
from pathlib import Path

class MitosisPatchDataset(Dataset):
    """最小可用子集：data_root 下任意一个训练切片文件夹即可运行。
    slide_dirs: [Path] 切片文件夹列表（保持切片级划分，勿混帧）
    mitosis_dict: {帧文件名: [(x, y), ...]}，来自官方标注清单
    """
    def __init__(self, slide_dirs, mitosis_dict, patch=64, neg_per_pos=3, transform=None):
        self.items, self.patch, self.transform = [], patch, transform
        rng = np.random.default_rng(42)
        for d in slide_dirs:
            for f in sorted(d.glob("*.tiff")):
                cents = mitosis_dict.get(f.stem, [])
                if not cents:
                    continue
                img = tifffile.imread(f)
                pos, neg = extract_patches(img, cents, patch, neg_per_pos, rng)
                self.items += [(p, 1) for p in pos] + [(n, 0) for n in neg]
    def __len__(self):
        return len(self.items)
    def __getitem__(self, i):
        img, label = self.items[i]
        t = torch.from_numpy(img.transpose(2, 0, 1).copy()).float() / 255.0
        if self.transform:
            t = self.transform(t)
        return t, torch.tensor(label, dtype=torch.long)

# 切片级划分示例：A03 为验证、其余 Aperio 为训练（社区惯例，见 §5.2）
slides = sorted((data_root / "training").glob("A*"))
train_ds = MitosisPatchDataset([s for s in slides if s.name != "A03"], mitosis_dict)
val_ds   = MitosisPatchDataset([s for s in slides if s.name == "A03"], mitosis_dict)
train_dl = DataLoader(train_ds, batch_size=64, shuffle=True, num_workers=4, pin_memory=True)
val_dl   = DataLoader(val_ds, batch_size=128, shuffle=False, num_workers=4)

<details>
<summary>核异型评分任务的 AtypiaFrameDataset（20x 帧整图分类，点击展开）</summary>

# MITOS-ATYPIA-14 nuclear atypia scoring：20x 帧整图 3 分类 Dataset
# 标签来源：包内核异型分数（两名资深病理医师独立分，分歧帧取双分并做敏感性分析）
# 目录假设：data_root/training/{SLIDE}/*.tiff（20x 帧与其 40x 子帧同目录，
# 用帧名前缀/清单区分倍率；以官方 inventory 或数据描述 PDF 的帧清单为准）
import torch
import torch.nn.functional as F
from torch.utils.data import Dataset, DataLoader
from pathlib import Path

class AtypiaFrameDataset(Dataset):
    """score_dict: {20x 帧文件名: score(1/2/3)}
    可选 second_reader_dict: {帧名: 第二名病理医师分数}，用于标签噪声研究"""
    def __init__(self, slide_dirs, score_dict, transform=None,
                 second_reader_dict=None, size=(512, 448)):
        self.samples, self.transform, self.size = [], transform, size
        for d in slide_dirs:
            for f in sorted(d.glob("*.tiff")):
                s = score_dict.get(f.stem)
                if s in (1, 2, 3):
                    s2 = (second_reader_dict or {}).get(f.stem, s)
                    self.samples.append((f, s - 1, s2 - 1))   # 0-indexed
    def __len__(self):
        return len(self.samples)
    def __getitem__(self, i):
        path, label, label2 = self.samples[i]
        img = tifffile.imread(path)
        t = torch.from_numpy(img.transpose(2, 0, 1).copy()).float() / 255.0
        t = F.interpolate(t[None], size=self.size, mode="bilinear",
                          align_corners=False)[0]
        if self.transform:
            t = self.transform(t)
        return t, torch.tensor(label), torch.tensor(label2)

# 按活检分组的域对齐训练示例：Aperio 训练 → Hamamatsu 验证
train_ds = AtypiaFrameDataset([data_root / "training" / "A03"], atypia_scores_A)
val_ds   = AtypiaFrameDataset([data_root / "training" / "H03"], atypia_scores_H)
# 训练循环中可对 (label, label2) 不一致样本降权或做一致性正则（见 §7.2）

</details>

§6.5 坑点 8 个

⚠️ 坑点 1：把"11,000+ 有丝分裂"或"1,000+"当成规模事实（分类：标签理解）

问题：网络资料常把 MIDOG++ 的 11,937 个有丝分裂标注误安到 MITOS-ATYPIA-14 头上；也有资料写"1,000+"。按错误规模设计实验预算（如采样率、正负配比）会系统性偏差。
症状：论文/笔记中规模前后矛盾；按 11,000+ 预估的每帧正类密度与实际清单对不上。
解决：

1. 简单方法：以官方数字为准——训练 284 个 20x 帧 + 1,136 个 40x 帧；1,200 个 40x HPF（Aperio 口径）含 749 个质心标注。
2. 进阶方法：打开 mitos_atypia_training_inventory.xls，按帧核对计数，把 749 拆到帧级统计（多少帧为 0、多少帧 ≥5）。
3. SOTA 方法：在数据卡/README 中固定口径三元组（帧数、口径、标注数），所有实验配置引用该三元组。
   参考：官方 Dataset 页；Li et al., 2018；MIDOG++ 数据论文

⚠️ 坑点 2：Aperio/Hamamatsu 同活检双版本导致的划分泄漏（分类：数据泄漏）

问题：Axx 与 Hxx 同号是同一张活检的两台扫描仪版本，且每个 20x 帧与其 4 个 40x 子帧同视野。按帧随机划分会让"同一组织的另一扫描版本/另一倍率帧"跨入训练与验证两侧。
症状：验证 F1 明显高于测试/文献水平；域泛化实验（A→H）成绩反而低于混合随机划分，暴露此前指标虚高。
解决：

1. 简单方法：按 slide_id（去掉首字母 A/H 的编号）分组切分。
2. 进阶方法：GroupKFold 按活检分组 4-5 折，并把扫描仪作分层变量：

   from sklearn.model_selection import GroupKFold
   groups = [f.stem[1:] for f in slide_files]   # 'A03'->'03'
   gkf = GroupKFold(n_splits=5)
   for tr, va in gkf.split(slide_files, groups=groups):
       ...  # tr/va 内每个活检完整地只在出现一侧
   

3. SOTA 方法：双轴评估矩阵——{混合、A→H、H→A} × {按帧、按切片}，只汇报按切片口径作为主结果。
   参考：官方 Download 页包编号；SegMitos 划分实践

⚠️ 坑点 3：质心单像素标签直接当分割 mask 用（分类：预处理陷阱）

问题：官方标注是每个有丝分裂一个质心像素，不是边界框也不是 mask。直接把单像素当语义标签训练分割网络，几乎无法收敛；而膨胀半径选得过大又会把相邻非分裂核并入正区。
症状：Dice 长期接近 0；或分割正区面积远大于细胞实际大小、评估时多个预测落进同一膨胀区被重复计数。
解决：

1. 简单方法：质心为中心裁 32×32/64×64 patch 做 CNN 分类（Cireşan 路线）。
2. 进阶方法：渲染高斯热图（sigma 按 µm 语义设定再除以该扫描仪 µm/px）训练密度/热图回归，见 §6.3 代码。
3. SOTA 方法：同心圆标签（mitosis 区正圆 + 外环忽略带）训练分割再取连通域质心匹配，SegMitos 显示其优于固定半径圆标签。
   参考：SegMitos；DeepMitosis, Med Image Anal 2018

⚠️ 坑点 4：8 µm 匹配半径的像素换算两台扫描仪不同（分类：评估误用）

问题：挑战以"检测质心距 GT 质心 ≤ 8 µm"判定正确，但 Aperio 为 0.2455 µm/px、Hamamatsu 约 0.2273 µm/px——同一 8 µm 在两者分别约为 33 px 与 35 px。统一按"32 px"或"8 px"换算都会错配。
症状：自建评测与挑战口径偏差；跨扫描仪评估时同一模型两域指标差异被人为放大或缩小。
解决：

1. 简单方法：radius_px = 8 / um_per_px(scanner)，按帧所属扫描仪取值。
2. 进阶方法：评估前把所有坐标乘以 um_per_px 换算到 µm 空间再做贪心/匈牙利匹配，彻底消除像素口径。
3. SOTA 方法：实现官方 F-measure 定义（D/TP/FP/FN、precision=TP/(TP+FP)、recall=TP/(TP+FN)、F=2PR/(P+R)）并附单测样例，发布时固定阈值 8 µm 注明"挑战协议"。
   参考：官方 Evaluation Metrics 页；官方 Dataset 页分辨率表

⚠️ 坑点 5：染色与扫描仪域偏移让"老成绩"失效（分类：偏倚陷阱）

问题：两台扫描仪的色彩响应与分辨率不同，且 2014 年代切片制备条件多样。级联网络在 MITOS-12 上 F1 0.788，迁移到本数据集降至 0.482，直接微调不足时差距更大。
症状：跨数据集/跨扫描仪迁移时 F1 断崖式下降；训练曲线收敛但验证（另一扫描仪）长期不动。
解决：

1. 简单方法：训练集做 Macenko/Reinhard 染色归一化，推理时把输入归一到训练域参考帧。
2. 进阶方法：把 scanner 作为域标签做域平衡采样 + 域条件批归一化。
3. SOTA 方法：域对抗训练（如 Domain Adversarial RetinaNet，MIDOG 系列参考基线）或随机染色增强（HED 通道扰动）。
   参考：Pan et al., 2021 综述对比表；Tellez et al., 2019

⚠️ 坑点 6：把 atypia points 制当准确率报（分类：评估误用）

问题：核异型任务的官方指标是 points 制（正确 +1、差 1 级 0 分、差 2 级 -1 分），允许"相邻级"免费误判；换成 accuracy/F1 报告会高估相邻级混淆模型、低估远级错误。
症状：两种指标下的模型排名不一致；与挑战榜单（最高 71 points）对比失去意义。
解决：

1. 简单方法：按官方 points 公式逐帧累加：score_pred == score_gt ? +1 : (|diff|==1 ? 0 : -1)。
2. 进阶方法：同时报告 points、宏平均 F1 与混淆矩阵，标注差 1 级/差 2 级错误占比。
3. SOTA 方法：把 3 分类改为有序回归（ordinal regression），并在损失中体现 |diff| 惩罚结构，与 points 制对齐。
   参考：官方 Evaluation Metrics 页

⚠️ 坑点 7：测试标签保留导致"官方成绩"不可自测（分类：工程陷阱）

问题：496 个测试帧的 GT 由组织方保留，挑战结束多年后无在线评测入口；直接在训练集内留出若干帧当"测试集"又容易踩坑点 2 的泄漏。
症状：复现论文数字失败；不同论文间的"测试成绩"其实是各自不同的内部切分，不可直接比较。
解决：

1. 简单方法：固定社区惯例切分（如 A03 验证 + 其余 Aperio 训练）并公开切分清单。
2. 进阶方法：按活检分组的 5 折交叉验证报告均值±标准差，弱化单切分偶然性。
3. SOTA 方法：在 TUPAC16/MIDOG 等带公开测试标签的后续基准上做外部验证，把本数据集作为训练/预训练源。
   参考：SegMitos 切分；CNNCS 切分

⚠️ 坑点 8：极类别不平衡 + 大 TIFF 的工程组合坑（分类：工程陷阱）

问题：749 个正类质心 vs 1,200 帧×1539×1376 像素的负空间，直接全图训练将正类淹没；同时单帧 TIFF 约 6 MB、整包 GB 级，天真地把全部帧解码进内存会 OOM。
症状：模型预测全负类、recall≈0；DataLoader worker 数一多内存爆掉。
解决：

1. 简单方法：离线预裁正/负 patch（正负比 1:3 起，负样本全部来自含正帧内）+ 惰性逐帧读取。
2. 进阶方法：负样本难度挖掘（首轮模型高置信 FP 附近再采样）；num_workers 配合每 worker 内存上限，TIFF 读取用 tifffile 的 memory-mapped 模式。
3. SOTA 方法：两阶段 pipeline（低分辨率热图定位 + 高分辨率 patch 精判）或 FPN 类检测器配合 focal loss，参考 TUPAC16 task3 冠军思路（F1 0.652）。
   参考：Frontiers, 2021；TUPAC16 挑战论文

§6.6 数据增强

类别	操作	说明
✅ 安全	随机水平/垂直翻转、任意角度旋转	病理形态无方向先验，是社区标配
✅ 安全	亮度/对比度小幅抖动、HED 通道小幅扰动	模拟染色批间差异；幅度过大会破坏诊断特征
✅ 安全	弹性形变（小幅）	组织切片固有形变
❌ 危险	大幅色彩替换/负片/灰度反转	摧毁 H&E 染色语义，核异型评分尤其敏感
❌ 危险	跨帧拼接 patch 造负样本	可能人为制造不存在的组织学布局，干扰密度统计
❌ 危险	对 20x 评分帧做裁剪式增强后仍用原总分	总分是 20x 全帧层面标签，裁剪后子图标签不再成立

小幅 HED 通道扰动参考实现（仅用于训练侧，验证/测试不增强）：

# HED 空间染色扰动：把 RGB 转到 HED，对 H/E 通道乘独立随机系数后转回
# 幅度控制在 ±10% 内以保留诊断形态（Tellez et al., 2019 的随机染色增强思想）
import torch

def hed_jitter(img_tensor, max_delta=0.1):
    # img_tensor: [3, H, W]，float 0-1；依赖 skimage 色彩空间或预存 HED 变换矩阵
    from skimage.color import rgb2hed, hed2rgb
    import numpy as np
    img = img_tensor.permute(1, 2, 0).numpy()
    hed = rgb2hed(img)
    deltas = 1.0 + (torch.rand(3) * 2 - 1) * max_delta
    hed = hed * deltas.numpy()
    out = np.clip(hed2rgb(hed), 0, 1)
    return torch.from_numpy(out.transpose(2, 0, 1)).float()

§6.7 模型推荐

模型路线	适用任务	参考成绩/依据	备注
Patch CNN 集成（Cireşan 式）	有丝分裂检测	MITOS-12 F1 0.788（Chen et al. AAAI 2016 引用口径）；本数据集域差下降至 0.482	深度学习病理检测的开山路线
Faster R-CNN / FPN 检测器	有丝分裂检测	Mahmood et al. 2020 报告 F1 0.691（本数据集口径，Pan 2021）	质心标注天然适配检测器
分割 + 同心圆标签（U-Net 系）	有丝分裂检测	SegMitos（同心圆标签优于圆标签）	见坑点 3
域对抗检测器（DARetNet 等）	有丝分裂检测（跨扫描仪）	MIDOG 系列参考基线	直接对准坑点 5
CNN/有序回归分类器	核异型 1/2/3 评分	挑战最高 71 points	有序结构与 points 制对齐

§6.8 硬件需求

阶段	最低配置	推荐配置
数据解压/浏览	4 核 CPU、16 GB 内存、100 GB 磁盘	8 核、32 GB、200 GB SSD
patch 训练	单卡 8 GB（RTX 3060 级）	单卡 16-24 GB，batch 64-128
全图热图推理	单卡 8 GB（分块推理）	单卡 16 GB + fp16

§6.9 评估指标代码

# 官方协议实现：mitosis F-measure @ 8 µm + atypia points
import numpy as np

UM_THRESHOLD = 8.0

def mitosis_fmeasure(pred_px, gt_px, um_per_px):
    """pred_px/gt_px: [(x, y), ...] 像素坐标；um_per_px: 该帧扫描仪分辨率。
    贪心匹配：先按距离排序逐一配对（小数据集足够；更大规模可换匈牙利算法）。"""
    P = np.array(pred_px, float).reshape(-1, 2) * um_per_px   # -> µm 空间
    G = np.array(gt_px, float).reshape(-1, 2) * um_per_px
    if len(P) == 0 or len(G) == 0:
        return 0.0, 0, len(P), len(G)
    pairs = sorted(((np.hypot(*(p - g)), i, j) for i, p in enumerate(P)
                    for j, g in enumerate(G)), key=lambda t: t[0])
    used_p, tp = set(), 0
    for d, i, j in pairs:
        if d <= UM_THRESHOLD and i not in used_p:
            used_p.add(i); tp += 1
    fp, fn = len(P) - tp, len(G) - tp
    prec = tp / (tp + fp) if tp + fp else 0.0
    rec = tp / (tp + fn) if tp + fn else 0.0
    f = 2 * prec * rec / (prec + rec) if prec + rec else 0.0
    return f, tp, fp, fn

def atypia_points(pred_scores, gt_scores):
    """官方 points 制：正确 +1；差 1 级 0；差 2 级 -1。"""
    return sum(1 if p == g else (0 if abs(p - g) == 1 else -1)
               for p, g in zip(pred_scores, gt_scores))

# 分域/分切片组评估：任何总指标都应同时给出 Aperio/Hamamatsu 两列
def per_domain_report(frames, predictions, groups):
    """frames: [(frame_id, gt), ...]; predictions: {frame_id: pred};
    groups: {frame_id: 'aperio'|'hamamatsu'}"""
    report = {}
    for domain in ("aperio", "hamamatsu"):
        sel = [(g, predictions[f]) for f, g in frames if groups[f] == domain]
        report[domain] = {
            "points": atypia_points([p for _, p in sel], [g for g, _ in sel]),
            "n": len(sel),
        }
    return report

§6.10 MLOps 笔记

• 版本化数据卡：固定"帧数/口径/标注数"三元组（284+1,136 帧 / Aperio 1,200 HPF / 749 质心）并写入每次实验配置。
• 切分指纹：把按活检分组的 fold 清单哈希后随 checkpoint 存档，防止跨实验静默换切分。
• 域维度监控：训练与评估指标一律按 scanner 维度拆分记录（aperio/hamamatsu 两列），域差回归早于整体指标恶化出现。
• 评估可追溯：8 µm 阈值与贪心匹配实现放入带单测的独立评估包，禁止散落在 notebook。
• 外部基准预留：管线输出同时兼容 TUPAC16/MIDOG 评测格式，便于后续外部验证。

评估器回归测试清单（评测代码上库前的最小单测）：

# test_evaluator.py：固定用例锁定 8 µm 协议实现，防止阈值/换算被无意改动
import numpy as np
from evaluator import mitosis_fmeasure, atypia_points

def test_within_radius_counts_tp():
    # Aperio：0.2455 µm/px，8 µm ≈ 32.6 px
    # GT (500, 500)，预测 (520, 500) -> 距离 20 px = 4.91 µm，应记 TP
    f, tp, fp, fn = mitosis_fmeasure([(520, 500)], [(500, 500)], 0.2455)
    assert tp == 1 and fp == 0 and fn == 0 and f == 1.0

def test_beyond_radius_counts_fp_fn():
    # 预测距 GT 40 px = 9.82 µm > 8 µm，应 FP/FN 各 1
    f, tp, fp, fn = mitosis_fmeasure([(540, 500)], [(500, 500)], 0.2455)
    assert tp == 0 and fp == 1 and fn == 1 and f == 0.0

def test_hamamatsu_radius_is_larger_in_pixels():
    # 同样 33 px 位移：Aperio 下超阈（8.10 µm），Hamamatsu 下未超（7.50 µm）
    assert mitosis_fmeasure([(533, 500)], [(500, 500)], 0.2455)[1] == 0
    assert mitosis_fmeasure([(533, 500)], [(500, 500)], 0.227299)[1] == 1

def test_atypia_points():
    assert atypia_points([1, 2, 3, 2], [1, 3, 1, 2]) == 1 + 0 - 1 + 1

---

§7 质量评估与局限性

§7.1 已知偏倚

偏倚类型	描述	严重程度	缓解
单中心偏倚	全部 21 张活检来自巴黎 Pitié-Salpêtrière 医院，染色与制片流程单一	高	外部验证（TUPAC16/MIDOG）；多中心数据联合训练
扫描仪域偏倚	Aperio 与 Hamamatsu 色彩响应、分辨率不同（0.2455 vs 约 0.2273 µm/px）	中	染色归一化；域平衡采样；按域拆分报告
观察者偏倚	核异型总分存在两名资深病理医师分歧帧；有丝分裂三类判读主观	中	仲裁机制已在金标准中固化；敏感性分析使用双分
类不平衡	749 个正类质心 vs 巨量负空间	中	难例挖掘；focal loss；两阶段采样
选择偏倚	帧由病理医师在肿瘤区内有目的地选取，非随机采样	低-中	推理部署时在非选择性全切片上评估
年代偏倚	2014 年扫描设备与制片条件，与现代全切片流水线存在漂移	中	与 MIDOG/TUPAC16 数据混合训练

§7.2 标注质量

有丝分裂金标准经"2 名资深病理医师 + 第三名仲裁 + 多数投票"产生，流程严谨；但官方未公布标注者间一致性统计量（如 Cohen’s kappa），仲裁前的原始三类（true/probably/not）分歧规模只能从"官方承认存在分歧"层面理解。核异型总分保留双标注者分歧，是全数据集最"诚实"的标签噪声来源，也是研究标注一致性难得的素材（官方 Dataset 页）。

标注质量的三个可操作推论：

1. 有丝分裂金标准是"仲裁后"而非"原始"标注：模型训练应使用仲裁后的二元质心；若研究判读分歧本身，需回到原始三类信息（保留在标注说明中）。
2. 核异型双分应进入评估设计：训练可取保守策略（如两名医师分数不一致的帧降权），评估时可同时报告"对第一分"与"对第二分"两套指标，差值即标签噪声的量级估计。
3. 六项子标准是软标签：仅公布三人共识值，意味着个别子标准上的少数派意见不可见，适合做多任务学习的辅助监督而非硬约束。

§7.3 泛化性

场景	失效风险	证据
MITOS-12 → MITOS-ATYPIA-14（年代+规模域）	高	同一级联网络 F1 从 0.788 降至 0.482（Pan et al., 2021）
Aperio → Hamamatsu（扫描仪域）	中-高	两台设备分辨率与色彩不同；挑战期各切片组成绩波动大（A06 0.119-0.370 vs A09 0.280-0.593，Xie et al., 2018）
本数据集 → 其他肿瘤类型	高	数据仅含乳腺癌；跨物种/跨器官有丝分裂形态差异大（MIDOG 系列结论）
本数据集 → 现代扫描流水线	中	2014 年设备与染色批次与现代 WSI 流程存在漂移；建议染色增强+外部验证

§7.4 伦理

数据来自临床诊断性活检切片，公开分发内容仅为肿瘤区域的显微图像帧，不含患者身份信息、面部影像或临床元数据；官方未公布单独的伦理批件号与患者知情同意流程，使用者引用时应遵守原始机构与挑战协议（官方 Dataset 页）。

§7.5 公平性

数据集未公布患者人口统计学信息（年龄、性别、种族），无法进行亚组公平性审计；单中心法国人群来源意味着模型在其他人群上的表现需要独立验证。在公平性关键应用中，不应单独依赖本数据集训练的模型。

§7.6 数据漂移

主要漂移风险为"设备漂移"（新旧扫描仪色彩/分辨率差异）与"制片漂移"（染色试剂批次）。建议部署前以本数据集 A/H 双域做源域校准，再用近期自有数据做漂移监测（如每批切片的染色向量分布对比）。

漂移源	表现	监测信号	缓解动作
扫描仪更换/升级	同切片帧色彩分布整体平移	H/E 染色向量均值漂移（Macenko 基）	重新校准参考染色基；域自适应微调
染色批次变化	H/E 对比度、饱和度变化	OD 空间浓度分布分位数偏移	染色归一化；增广中加入 HED 扰动
切片制备流程变化	组织形态、撕裂/褶皱比例变化	空白/伪影像素占比	预处理过滤；人工抽检
人群/科室构成变化	有丝分裂密度先验变化	每帧预测计数分布	重新校准置信度阈值

§7.7 DAIMS 数据集评估

#	检查项	状态	说明
1	宽格式	✅	帧文件+清单，结构扁平；标注经简单解析即可成宽表
2	唯一标识	✅	frame_id（如 A03_00Aa）全局唯一
3	特殊字符	✅	文件名仅字母数字，跨平台安全
4	重复行	✅	无重复帧；同活检双扫描仪版本为设计特性而非重复
5	缺失编码	⚠️	无有丝分裂帧与"缺失"同形（计数 0），需按清单区分
6	标签标识	✅	双任务标签（质心/评分）边界清晰，任务不可混用
7	罕见类分组	⚠️	三类原始标注（probably mitosis）经仲裁后消失，罕见判读不可还原
8	偏倚评估	⚠️	官方未公布标注者一致性统计量；单中心偏倚明确但量化缺失
9	数据字典	✅	数据描述 PDF + inventory XLS + Dataset 页规格表
10	信息性缺失解释	⚠️	分歧帧双分的语义需读者自行推断，无官方编码说明
11	设备记录	✅	两台扫描仪型号与标称分辨率完整公开
12	共线性	✅	图像数据无特征共线性问题
13	编码映射	✅	评分 1/2/3 与六项子标准语义在 Dataset 页明确
14	时间戳处理	⚠️	切片采集时间未公布，无时间维度可分析
15	划分建议	✅	官方 train/test 划分清晰；验证切分需自行按切片分组（§5.3）
16	泄漏讨论	⚠️	双扫描仪同活检设计存在天然泄漏陷阱，官方未明确警示（本页 §5.3/坑点 2 补足）
17	标签分布	⚠️	逐帧计数清单可得；核异型各级分布官方未汇总公布
18	测量偏倚	⚠️	有丝分裂判定 8 µm 半径本身即测量容差，评估与训练需一致使用
19	外部验证建议	✅	与 TUPAC16/MIDOG/AMIDA13 的迁移路径明确（§5.5/§7.8）
20	版本记录	✅	单版本发布、无静默变更；官方站点长期稳定
21	预处理脚本	❌	无官方预处理/评估代码，社区各自实现（本页 §6.3/§6.9 补足）
22	合规要求	⚠️	无显式 license 文本，学术使用依赖引用规范；商业用途需联系组织者
23	多模态对齐	✅	不涉及多模态；20x-40x 同源层级关系明确
24	去标识化	✅	公开内容为肿瘤区域显微帧，无患者标识

DAIMS 评分：15.5 / 24

评分解读：数据本身的标识、文档与层级设计达到良好水准（图像数据集中的中上），短板集中在"工程配套"——无官方预处理/评估脚本、无一致性统计、测试标签保留与双扫描仪泄漏陷阱需要使用者自建防护。作为 2014 年挑战数据集，其规范程度高于同期多数竞赛，但距离现代 AI-Ready 标准仍有代差。

对你意味着什么：

1. 直接可用：帧、清单、规格文档，无需清洗即可进入 patch 采样。
2. 必须自建：按活检分组的切分脚本（坑点 2）、8 µm 官方口径评估器（坑点 4）、质心→热图/同心圆标签转换（坑点 3）——本页 §6 已给参考实现。
3. 谨慎对待：license 未声明（商业用途先联系组织者）、测试集不可自测（用社区惯例切分或外部基准）、"11,000+"等二手规模说法一律回查官方清单（坑点 1）。

§7.8 外部验证矩阵

外部数据集/场景	来源机构	评估任务	性能指标	相对内部变化	关键发现
MITOS-12 训练 → 本数据集	IPAL（两代同源）	有丝分裂检测	F1 0.788 → 0.482（级联网络，AAAI 2016 方法）	-0.306	年代与规模域差显著，直接迁移不够
本数据集 → TUPAC16 task3	UMCU/TUE（荷兰，多中心）	有丝分裂检测	TUPAC16 task3 最高 F1 0.652	提升通道存在	后续挑战沿袭评测思想，注释与扫描条件更现代
本数据集与 AMIDA13 互证	IDI/UMCU（MICCAI 2013）	有丝分裂检测	AMIDA13 挑战最高 F1 0.611	同年代方法可参考	检测任务的连续演进参照系

（上表仅收录有同行评审文献支撑的结果；各数据集匹配半径与切片条件不同，数值不可直接横比。）

---

§8 基准性能与生态

§8.1 排行榜

有丝分裂检测任务（ICPR 2014 挑战，按 F-measure 排名；A06/A08/A09/A19 切片组平均，Xie et al., 2018, arXiv:1708.03307 Table 3 记录）

排名	队伍	F-measure	年份	关键技术	完整引用	代码
1	CUHK	0.356	2014	CNN 压缩感知框架（CNNCS，赛后论文详述）	Xie, Y. et al., 2018, arXiv:1708.03307（挑战成绩记录）	无官方
2	MINES	0.235	2014	传统特征 + 分类器	同上（Table 3 记录）	无
3	YILDIZ	0.167	2014	传统特征 + 分类器	同上（Table 3 记录）	无

核异型评分任务（ICPR 2014 挑战，points 制，约 17 队参赛）

排名	队伍	Points	年份	关键技术	完整引用	代码
1	官方综述记录最优	71	2014	综述未具名最优方法	Chen, C.-L. & Li, H., 2020, J Pathol Transl Med（PMC7573034）	无

⚠️ 数值不可直接比较的原因：挑战成绩为组织方保留测试集上的评测，官方未公布全部队伍完整榜单；上表 F1 来自参赛者赛后论文对挑战结果的转述；社区后续报告的 0.482-0.691 均为各自内部切分的成绩，切分方式、匹配实现、是否用 Hamamatsu 数据各不相同。

§8.2 SOTA 总结与选型建议

时间点	有丝分裂检测（F1）	核异型评分	口径说明
2014 挑战时点	0.356（CUHK，官方保留测试集）	71 points	官方协议评测
2016	0.482（级联网络）	—	社区内部切分
2018-2020	0.482-0.691（DeepMitosis、Mahmood et al. 等区间）	—	各论文内部切分，互不可比

• 挑战时点（2014）：检测 F1 0.356、评分 71 points，说明任务远未解决。
• 赛后演进：深度检测器把社区内部切分成绩推到 0.482 → 0.691 区间；域对抗与染色归一化进一步缩小扫描仪域差。
• 选型建议：追求可复现基线选 Faster R-CNN + 染色归一化；追求跨扫描仪鲁棒选域对抗检测器；评分任务选有序回归并在 points 制与混淆矩阵双指标下汇报。

§8.3 评测协议

官方协议要点（Evaluation Metrics 页）：每帧一个 CSV（图像 A06_00Aa.tiff → 结果 A06_00Aa.csv）；有丝分裂结果每行 x,y,confidence，无检出交空文件；检测质心距 GT 质心 ≤ 8 µm 记正确，按 F-measure 排名；核异型每帧一行 score,confidence，可交空文件表示无法评估；按 points（+1/0/-1）排名。挑战期提交经组织者邮箱收集。

提交格式示例（官方页面示例原样）：

# 有丝分裂：A06_00Aa.csv（每行一个检测，坐标+可选置信度）
375,784,0.952342
878,13,0.899445

# 核异型：A06_01Aa.csv（单行，分数+可选置信度）
3,0.857438

# 无检出 / 无法评估：对应帧交空文件

注意格式细节：检测 CSV 无表头、按行枚举；核异型 CSV 只有一行；空文件是合法提交（表示该帧无有丝分裂或置信度过低），评测时不会因空文件判错全部——它只意味着 TP=0、FN=该帧 GT 数。

§8.4 相关数据集

数据集	关系	获取
MITOS-12	前身（50 HPF、326 个有丝分裂）	ludo17.free.fr/mitos_2012
AMIDA13	同代 MICCAI 2013 检测基准	AMIDA 官方页
TUPAC16	后继增殖评估挑战（500+321 WSI）	tupac.grand-challenge.org
BACH 2018	后继乳腺分类挑战	iciar2018-challenge
MIDOG++	现代多域有丝分裂大数据（11,937 个标注）	MIDOG 官方
BreCaHAD	乳腺 H&E 六类事件标注	figshare

§8.5 关键论文 Top 8

1. Roux, L. et al. Mitosis detection in breast cancer histological images An ICPR 2012 contest. J Pathol Inform. 2013;4:8. DOI: 10.4103/2153-3539.112693 — 前身挑战与 MITOS-12 数据集的官方描述，奠定标注协议。
2. Roux, L., Racoceanu, D., Capron, F., Calvo, J., Attieh, E., Le Naour, G., Gloaguen, A. Detection of mitosis and evaluation of nuclear atypia score in breast cancer histological images: an ICPR 2014 contest. MITOS-ATYPIA-2014, Stockholm: Image Pervasive Access Lab, 2014 — 本数据集的原始挑战文献。
3. Cireşan, D. C., Giusti, A., Gambardella, L. M., Schmidhuber, J. Mitosis detection in breast cancer histology images with deep neural networks. MICCAI 2013: 411-418. Springer. DOI: 10.1007/978-3-642-40763-5_51 — patch-CNN 检测路线的奠基工作。
4. Chen, H., Dou, Q., Wang, X., Qin, J., Heng, P.-A. Mitosis detection in breast cancer histology images via deep cascaded networks. AAAI 2016: 1160-1166 — 级联网络把检测推至 MITOS-12 F1 0.788，本数据集 0.482，量化域差。
5. Veta, M. et al. Assessment of algorithms for mitosis detection in breast cancer histopathology images. Medical Image Analysis. 2015;20:237-248. DOI: 10.1016/j.media.2014.11.010 — AMIDA13 评测与跨数据集方法评估的参照。
6. Li, C., Wang, X., Liu, W., Latecki, L. J. DeepMitosis: mitosis detection via deep detection, verification and segmentation networks. Medical Image Analysis. 2018;45:121-133. DOI: 10.1016/j.media.2017.12.002 — 本数据集 1,200 HPF/749 标注口径的主要来源之一。
7. Xie, Y. et al. Cell detection in microscopy images with deep convolutional neural network and compressed sensing. arXiv:1708.03307, 2018 — CUHK 队挑战成绩（F1 0.356）与训练切分细节的记录。
8. Tellez, D. et al. Quantifying the effects of data augmentation and stain color normalization in convolutional neural networks for computational pathology. Medical Image Analysis. 2019;58:101544. DOI: 10.1016/j.media.2019.101544 — 染色归一化与增强的系统量化，直接指导本数据集预处理。

§8.6 社区活跃度

挑战 2014 年收官，官方站点（含下载与文档）持续开放至今；活跃度已迁移到后继挑战生态（TUPAC16、MIDOG 系列）。2020 年代仍有以本数据集为训练/评估源的论文发表（如 Frontiers 2021、Pan 2021 综述），其角色从"竞赛前沿"转为"经典域泛化与检测基准"。

活跃度三个观察面：

1. 数据面：32 个官方包直链 12 年未失效，是 grand-challenge 平台上生命周期最长的早期挑战数据之一，说明社区仍有稳定访问需求。
2. 论文面：作为"域差标尺"持续出现在 2020-2026 年的跨域检测论文实验表中，常与 MITOS-12、AMIDA13 并列构成年代对照轴。
3. 工具面：无官方维护代码库，社区实现散见于各论文发布物；依赖本数据集的工具链应自带评估实现（本页 §6.9 提供参考）。

§8.7 生态快照

资源	类型	链接	推荐理由
官方挑战站点	数据+文档	mitos-atypia-14.grand-challenge.org	权威入口：数据、规格、评估协议
官方数据描述 PDF	文档	icpr2014_MitosAtypia_DataDescription.pdf	标注格式的最细粒度说明
MITOS-12 数据页	前身数据	ludo17.free.fr/mitos_2012	跨代域差实验必需
TUPAC16	后继基准	tupac.grand-challenge.org	带外部评测通道的延伸
MIDOG 系列	现代基准	midog.org	多域有丝分裂检测的现代参照

---

§9 相关资源与引用

§9.1 官方资源列表

• 挑战主页（两任务定义、联系方式、资助说明）：https://mitos-atypia-14.grand-challenge.org/
• 数据与下载（32 包直链、inventory、数据描述 PDF）：https://mitos-atypia-14.grand-challenge.org/Donwload/
• 数据集规格与标注协议（含六项核异型标准表）：https://mitos-atypia-14.grand-challenge.org/Dataset/
• 评估协议（CSV 格式、8 µm、points 制）：https://mitos-atypia-14.grand-challenge.org/Evaluation-Metrics/

§9.2 BibTeX 完整引用

@article{roux2013icpr2012contest,
  author  = {Roux, Ludovic and Racoceanu, Daniel and Lom{\'e}nie, Nicolas and Kulikova, Maria and Irshad, Humayun and Klossa, Jacques and Capron, Fr{\'e}d{\'e}rique and Genestie, Catherine and Le Naour, Gilles and Gurcan, Metin N.},
  title   = {Mitosis detection in breast cancer histological images: an ICPR 2012 contest},
  journal = {Journal of Pathology Informatics},
  volume  = {4},
  pages   = {8},
  year    = {2013},
  doi     = {10.4103/2153-3539.112693}
}

@techreport{roux2014mitosatypia,
  author      = {Roux, Ludovic and Racoceanu, Daniel and Capron, Fr{\'e}d{\'e}rique and Calvo, Joadec and Attieh, Elham and Le Naour, Gilles and Gloaguen, Anne},
  title       = {Detection of mitosis and evaluation of nuclear atypia score in breast cancer histological images: an ICPR 2014 contest},
  institution = {Image Pervasive Access Lab (IPAL)},
  address     = {Stockholm},
  year        = {2014}
}

@inproceedings{ciresan2013mitosis,
  author    = {Cire{\c{s}}an, Dan C. and Giusti, Alessandro and Gambardella, Luca M. and Schmidhuber, J{\"u}rgen},
  title     = {Mitosis detection in breast cancer histology images with deep neural networks},
  booktitle = {Medical Image Computing and Computer-Assisted Intervention (MICCAI 2013)},
  pages     = {411--418},
  year      = {2013},
  publisher = {Springer},
  doi       = {10.1007/978-3-642-40763-5_51}
}

@inproceedings{chen2016cascaded,
  author    = {Chen, Hao and Dou, Qi and Wang, Xuan and Qin, Jing and Heng, Pheng-Ann},
  title     = {Mitosis detection in breast cancer histology images via deep cascaded networks},
  booktitle = {Proceedings of the Thirtieth AAAI Conference on Artificial Intelligence},
  pages     = {1160--1166},
  year      = {2016}
}

@article{veta2015assessment,
  author  = {Veta, Mitko and van Diest, Paul J. and Willems, Stefan M. and Wang, Hongping and Madabhushi, Anant and Cruz-Roa, Angel and others},
  title   = {Assessment of algorithms for mitosis detection in breast cancer histopathology images},
  journal = {Medical Image Analysis},
  volume  = {20},
  pages   = {237--248},
  year    = {2015},
  doi     = {10.1016/j.media.2014.11.010}
}

@article{li2018deepmitosis,
  author  = {Li, Chao and Wang, Xinggang and Liu, Wenyu and Latecki, Longin Jan},
  title   = {DeepMitosis: mitosis detection via deep detection, verification and segmentation networks},
  journal = {Medical Image Analysis},
  volume  = {45},
  pages   = {121--133},
  year    = {2018},
  doi     = {10.1016/j.media.2017.12.002}
}

@article{tellez2019quantifying,
  author  = {Tellez, David and Litjens, Geert and B{\'a}ndi, P{\'e}ter and Bulten, Wouter and Bokhorst, John-Melle and Ciompi, Francesco and van der Laak, Jeroen},
  title   = {Quantifying the effects of data augmentation and stain color normalization in convolutional neural networks for computational pathology},
  journal = {Medical Image Analysis},
  volume  = {58},
  pages   = {101544},
  year    = {2019},
  doi     = {10.1016/j.media.2019.101544}
}

@article{veta2019tupac,
  author  = {Veta, Mitko and Heng, Yukun J. and Stathonikos, Nikolas and Bejnordi, Babak Ehteshami and Beca, Francisco and Wollmann, Tim and others},
  title   = {Predicting breast tumor proliferation from whole-slide images: the TUPAC16 challenge},
  journal = {Medical Image Analysis},
  volume  = {54},
  pages   = {111--121},
  year    = {2019},
  doi     = {10.1016/j.media.2019.05.008}
}

§9.3 引用指南

使用本数据集请至少引用：Roux et al. 2014 挑战文献（§9.2 第 2 条）；若涉及 MITOS-12 前身对比或双扫描仪设计溯源，加引 Roux et al. 2013（第 1 条）。引用代码与成绩时注明对应方法的原始文献与"内部切分"口径。

---

§10 AI 使用声明卡

§10.1 本页面生产使用的 AI 模型

模型	用途
fast-model（CodeBuddy Code）	资料检索整合、结构撰写与代码示例生成

§10.2 AI 参与范围

AI 负责初稿撰写（结构、文字、代码示例）；全部关键数字经 6 次定向 Web 检索与官方页面抓取核实并记录于 FACTS 清单；医学表述、数据协议解读与坑点选取经人工复核。

§10.3 输入来源

1. Roux, L. et al. Mitosis detection in breast cancer histological images An ICPR 2012 contest. J Pathol Inform. 2013;4:8. DOI: 10.4103/2153-3539.112693
2. Roux, L., Racoceanu, D., Capron, F., Calvo, J., Attieh, E., Le Naour, G., Gloaguen, A. Detection of mitosis and evaluation of nuclear atypia score in breast cancer histological images: an ICPR 2014 contest. MITOS-ATYPIA-2014, Stockholm: IPAL, 2014
3. MITOS-ATYPIA-14 官方挑战主页. https://mitos-atypia-14.grand-challenge.org/
4. MITOS-ATYPIA-14 官方 Dataset 页. https://mitos-atypia-14.grand-challenge.org/Dataset/
5. MITOS-ATYPIA-14 官方 Download 页. https://mitos-atypia-14.grand-challenge.org/Donwload/
6. MITOS-ATYPIA-14 官方 Evaluation Metrics 页. https://mitos-atypia-14.grand-challenge.org/Evaluation-Metrics/
7. Li, C., Wang, X., Liu, W., Latecki, L. J. DeepMitosis. Medical Image Analysis. 2018;45:121-133. DOI: 10.1016/j.media.2017.12.002
8. Xie, Y. et al. Cell detection in microscopy images with deep convolutional neural network and compressed sensing. arXiv:1708.03307, 2018
9. Chen, H., Dou, Q., Wang, X., Qin, J., Heng, P.-A. Mitosis detection in breast cancer histology images via deep cascaded networks. AAAI 2016: 1160-1166
10. Veta, M. et al. Assessment of algorithms for mitosis detection in breast cancer histopathology images. Medical Image Analysis. 2015;20:237-248. DOI: 10.1016/j.media.2014.11.010
11. Tellez, D. et al. Quantifying the effects of data augmentation and stain color normalization in convolutional neural networks for computational pathology. Medical Image Analysis. 2019;58:101544. DOI: 10.1016/j.media.2019.101544
12. Chen, C.-L. & Li, H. Computer-aided histopathological image analysis techniques for automated nuclear atypia scoring of breast cancer: a review. 2020. PMID: 31989390
13. Veta, M. et al. Predicting breast tumor proliferation from whole-slide images: the TUPAC16 challenge. Medical Image Analysis. 2019;54:111-121. DOI: 10.1016/j.media.2019.05.008
14. Aubreville, M. et al. A comprehensive multi-domain dataset for mitotic figure detection (MIDOG++). Scientific Data. 2023;10:484. DOI: 10.1038/s41597-023-02619-7

§10.4 人工校验记录

内容模块	审核者	审核方式	审核状态
frontmatter 与 INFOBOX 数字	千方病案医学编辑部	对照 FACTS 清单与官方页面逐项核对	✅ 已通过/已验证
§2 医学背景（Nottingham 分级、临床任务）	千方病案医学编辑部	文献交叉核对	✅ 已通过/已验证
§4 数据字典与 §5 划分策略	千方病案医学编辑部（数据工程）	对照官方规格表与社区论文口径复核	✅ 已通过/已验证
§6 代码示例	千方病案医学编辑部（数据工程）	逻辑走查与接口核对	✅ 已通过/已验证
§7 DAIMS 与偏倚分析	千方病案医学编辑部	双人复核	✅ 已通过/已验证
§8 基准数字	千方病案医学编辑部	回溯原始论文表格	✅ 已通过/已验证

§10.5 AI 生成章节标注

全部章节由 AI 辅助生成初稿并经人工复核修正；其中 §6.5 坑点与 §7.7 DAIMS 评分由人工依据 FACTS 证据链定稿。

§10.6 最后人工审核

最后人工审核日期：2026-09-05

页面状态：published（全部内容已完成审核并发布）

---

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：

• CAMELYON16-17 — 共享标签：医学影像 / 病理图像 / 乳腺癌 / 肿瘤学
• nucls — 共享标签：医学影像 / 病理图像 / 乳腺癌 / 肿瘤学
• tupac16 — 共享标签：医学影像 / 病理图像 / 乳腺癌 / 肿瘤学
• herohe — 共享标签：医学影像 / 病理图像 / 乳腺癌 / 肿瘤学
• BreakHis — 共享标签：医学影像 / 病理图像 / 乳腺癌 / 肿瘤学
• BRACS — 共享标签：医学影像 / 病理图像 / 乳腺癌 / 肿瘤学
• bcss — 共享标签：医学影像 / 病理图像 / 乳腺癌 / 肿瘤学
• BCNB — 共享标签：医学影像 / 病理图像 / 乳腺癌
• acrobat — 共享标签：医学影像 / 病理图像 / 乳腺癌
• BACH — 共享标签：医学影像 / 病理图像 / 乳腺癌 / 肿瘤学

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。