NeurIPS 2022 细胞分割挑战赛数据集

NeurIPS 2022 细胞分割挑战赛数据集，官方名称为「多模态高分辨率显微图像中的弱监督细胞分割」（Weakly Supervised Cell Segmentation in Multi-modality High-Resolution Microscopy Images），是 2022 年随 NeurIPS 竞赛单元发布的一套跨模态细胞实例分割图像库。它把明场、荧光、相差与微分干涉相差四类显微镜下、来自二十余家实验室五十余个生物学实验的图像汇到同一目录：训练阶段给出 1000 张有标注图与 1725 张无标注图，调优集 101 张，另有 422 张从未公开标签的测试图。数据托管在 grand-challenge 竞赛平台，长期归档于 Zenodo 记录 10719375，总量约 21.3 GB。

它要解决的问题，是分割模型「一出实验室就失灵」。深度学习分割细胞早已成熟，但多数模型只在单一显微镜、单一染色、单一细胞类型上训练与验证，换一台设备或换一种组织，阈值与后处理都要手工重调。标注成本同样是瓶颈：一张图要几小时才能勾完所有细胞，而未标注图几乎免费。这套数据因此设定为弱监督：少量标注配大量无标注，测试图必须来自训练未见过的实验。

拿到数据后，先确认用途是否落在 CC BY-NC-ND 范围内，并核对三个切分的图像清单，避免误用调优集标签训练。再跑官方基线确认提交格式与耗时预算，最后决定是否用那批无标注图。测试标签不公开，本地无法复现排行榜分数。

§1 它是什么

1.1 一句话定义与边界

这是一套用于训练与评测通用细胞实例分割器的显微图像库，附带一个曾在 2022 年 12 月公布名次的公开竞赛，以及一份把比赛结论写成期刊论文的总结文献。它的核心资产是三样东西：图像与逐细胞掩膜、固定的调优与测试协议、以及一组在统一硬件上测得的耗时记录。它不含患者信息，不含细胞类型标签，也不是单细胞测序数据的配图库。

把边界划清楚，能省掉很多检索工夫：

• 它是竞赛数据，不是持续增长的产品数据集。主版本停留在 2022 年发布的四个压缩包，之后只有组委会零星补充的赛后测试图。
• 它是单类分割，只有一个 cell 标签。无论是血涂片里的中性粒细胞，还是培养皿里的成纤维细胞，在这一版里都叫细胞。
• 它是二维数据。虽然测试集里有两张万像素见方的荧光全切片图，但处理方式仍是把切片切块后逐块二维推理，没有三维体数据。
• 它是影像数据，不与任何转录组、蛋白组或临床表型表对齐。想找带分子标签的细胞图像，应转向成像质谱或空间转录组资源。

1.2 身份辨析：名字相近的四类东西

围绕「细胞分割」这个名字，文献里至少有四类容易混淆的对象，误认会导致引用错源。

易混对象	实际是什么	与本数据集的关系
Sartorius Cell Instance Segmentation（Kaggle 2021）	单一细胞系、相差成像的竞赛	同属细胞分割竞赛，但数据、平台、指标完全独立；本数据集有多支队伍把它当外部训练集
LIVECell	Sartorius 发布的相差活细胞实例分割数据集	数据血缘上游，被多支参赛队用作预训练语料
TissueNet	Caltech 团队的多组织荧光细胞分割集	同域基准，常与本数据集并列报告跨域分数
Cellpose / StarDist	通用分割算法与其自带训练集	算法与基线对照对象，不是同一数据资产

更细的一层区别在平台。赛事跑在 grand-challenge.org，参赛者注册后在该平台提交压缩结果并在线打分；Kaggle 上并不存在同名的这场赛事。检索时若只按平台名找，容易落到 2021 年那场 Kaggle 竞赛上。两者的共同点是都用 F1 与实例匹配衡量分割质量，不同点在于本数据集把跨实验泛化与推理耗时同时写进了排名规则。

1.3 主办与作者结构

牵头方是多伦多大学与大学健康网络的研究组，论文署名四十人。这个作者名单本身就是数据来源的索引：四十人中约三分之一是各实验室的数据贡献者，另外三分之一是参赛队代表，剩下的负责组织、评测与写作。

角色	代表机构	主要贡献
牵头与通讯	多伦多大学、大学健康网络、冷泉港实验室	赛事设计、评测脚本、总结论文
数据贡献	EPFL、Broad Institute、IIIT-Delhi、AIIMS、德累斯顿工业大学、CNRS-马赛、EBI、赫尔辛基大学、NIAID、多伦多大学	提供明场、相差、荧光、DIC 原始图像与专家标注
参赛队代表	KAIST、深圳大数据研究院与香港中文大学（深圳）、于利希研究中心	前三名方案作者，参与论文撰写
平台支持	grand-challenge.org	提交、排名与反作弊

这种「数据贡献者 + 参赛者共同署名」的结构在竞赛论文里并不罕见，但它带来一个后果：论文对数据的描述，本质上是对四十家实验室各自实验条件的汇总，而不是单一实验室对自己数据的精细刻画。因此论文里关于采样率、曝光、染色的细节，颗粒度不一，有些模态写得很细，有些只给出模态名。

1.4 一套数据背后的三类人

理解这套数据缘何呈现出现在这个样子，需要区分三类人的动机。第一类是数据贡献者，他们手里有多年积累的实验图像与标注，希望借此提高自己数据的可见度，也让社区有一个公用的检验标准。第二类是赛事组织者，他们关心的是评测协议是否公平、排行榜是否稳定、以及比赛结果能否沉淀成一篇被引用的论文。第三类是参赛者，他们关心的是名次与技术证明。

三方的目标在多数时候一致，在少数地方会分叉。最典型的一处是测试集的构造：贡献者倾向于把自己最新的、最能代表难点的数据放进测试集，组织者则要考虑测试集不能过难，否则分数分布挤在低端、排行榜失去区分度。最终方案是折中——测试图全部来自训练未见过的实验，但模态比例与训练集保持相近，使难度上升而不过度。

另一处分叉在无标注图的使用规则上。赛制允许参赛者自由使用无标注图，却不提供它们与有标注图的实验对应关系。这一留白在比赛中是公平的（所有队伍面对同样的信息缺口），在赛后复现时却成了障碍：后来的研究者无法判断当年哪些做法依赖了隐性信息。

1.5 名字为什么这么长

官方竞赛名「Weakly Supervised Cell Segmentation in Multi-modality High-Resolution Microscopy Images」把四个限定词堆在一起，每一个都对应一项设计决策，拆开看有助于记忆。

Weakly Supervised（弱监督） 指训练阶段只有少量标注，另配大量无标注。Cell Segmentation（细胞分割） 指任务是实例级分割，不是语义分割，每个细胞要单独成实例。Multi-modality（多模态） 指四类显微镜并列，不是单一模态的扩大版。High-Resolution（高分辨率） 指图像边长可达数千至上万像素，不是常见的二百五十六像素小图。

四个词合起来，界定的就是这套数据的独特位置：一个必须同时处理模态差异、标注稀缺与大尺寸推理的分割问题。任何一项条件放宽，问题的难度结构都会改变，这也是许多论文在引用它时只引用其中一两个维度的原因。

§2 数据构成

2.1 规模总表

四个切分的图像数量构成整个基准的骨架。下表按官方标签统计，并标注每一项的证据强度。

切分	图像数	模态构成	标签是否公开	字段可靠性
训练（有标注）	1000	明场 300、荧光 300、相差 200、DIC 200	公开	论文表格与正文一致，可确证
训练（无标注）	1725	四模态混合，未按模态分列	无标签	论文正文给出，第三方页面有 1500 的异说
调优集	101	四模态混合	不公开，平台打分	论文与多支队伍复现仓一致
测试集	422	明场 120、荧光 122、相差 120、DIC 60	不公开	论文表格给出，含两张全切片
赛后追加	157	酵母与细菌为主	视提交情况	论文提到，未独立成包

需要特别说明摘要里那句「有标注图像超过一千五百张」的来历。论文摘要用的是这个数，正文训练集写 1000。两者并不矛盾：摘要把调优集的 101 张与测试集中公开部分的有标注图一并算入，得到的是「带标注的图像总数」。引用时若只写「1500 张训练图」，会与正文表格冲突；写「1000 张训练 + 101 张调优」则两边都对得上。

2.2 四个模态的物理差别

模态是这套数据的分层主轴，也是模型失效的主要来源。四种成像方式在物理上差异极大，因此产生的图像在对比度、纹理与伪影上完全不是同一分布。

明场（brightfield）：白光穿过染色标本，染料吸收特定波段形成明暗差。血涂片与骨髓涂片是典型场景，瑞氏-吉姆萨或詹纳-吉姆萨染色让细胞核呈蓝紫、胞质呈粉红。难点在于染色批次差异极大，同一张片子不同区域的颜色深浅可差一倍以上；血小板、杂质、干燥伪影与细胞在灰度上接近。

荧光（fluorescence）：特定波长激发荧光团，滤光片收集发射光。信号强度直接对应分子或结构，背景干净、对比度高，是细胞分割里最「友好」的模态。代价是通道数不固定：有的实验只给一个核染料通道，有的给三四个通道并需先做通道选择与合成。

相差（phase contrast）：把光程差转成强度差，未染色活细胞也能看到轮廓。典型的培养细胞图像，细胞呈亮环包暗心的「煎蛋」外观，密集处光环互相叠加形成光晕伪影，是四类里边界最模糊的一种。

微分干涉相差（DIC）：偏振光经棱镜分束后复合，得到带立体浮雕感的边缘增强图像。它比相差更能显示细微结构，但伪影方向依赖棱镜取向，不同实验室的图像呈现出完全不同的「光照方向」。

四类图像的像素统计差异，可以直接从训练集的标注细胞数看出来：荧光 300 张图承载了十三万个细胞，而明场 300 张只有一万二千余个。荧光图像里的细胞密集且边界清晰，明场图像里的细胞稀疏且常与背景粘连。这种不均衡在训练时会形成隐性偏置：按图平均的损失函数会让荧光图像主导梯度。

2.3 图像尺寸与格式

训练、调优、测试三个切分的中位边长都在千像素量级，多数是正方形图块。少数图的边长超过四千像素，测试集里那两张全切片图则达到万像素见方。组委会把原始格式尽量保留：tiff、tif、png、jpg、bmp 都有，只有 numpy 格式的数组被转成 png。标注侧则统一转为 tiff，避免不同读图库对索引色与位深的解释分歧。

保留原始格式有利有弊。利在于不会因为一次有损压缩丢掉强度信息，参赛者可以自己决定归一化策略；弊在于读图管线必须兼容六种容器格式与多种位深，官方基线为此专门写了一个格式分派层。对使用者的实际建议是：先把所有图像转成统一的浮点数组再进模型，不要指望 cv2.imread 能正确处理所有 16 位 tiff。

2.4 来源的异质性

五十余个生物学实验意味着五十余套采集条件。组委会在数据页把异质性拆成四个维度，这个拆法值得记住，因为它同时也是失效分析的框架：

1. 细胞来源：组织内细胞与培养细胞，前者密集且空间有序，后者稀疏且随机分布；
2. 染色方法：明场的詹纳-吉姆萨、荧光的抗体标记，各自突出不同结构；
3. 显微镜类型：明场、荧光、相差、DIC 四类，纹理与伪影不同；
4. 细胞形态：多数细胞近圆形，部分呈长梭形或不规则形。

四个维度里，前三个是「域」，第四个是「类内变化」。理想的分割器应当对前三个不变、对第四个敏感，但实际训练出来的模型往往相反：它对细胞形状敏感，却对染色深浅与成像伪影过度敏感。

2.5 测试集的特殊性

四百余张测试图全部来自训练阶段未出现过的生物学实验，包括若干训练集里没有的组织与细胞类型。这一点是整套数据集的设计重心，也是它区别于一般分割数据集的地方。

常规做法是从同一批实验里随机划出一部分作测试，模型只要适应该实验的设备与染色习惯就能拿高分。这里反过来：测试图的采集设备、染色方案乃至物种都可能与训练图不同。于是分数不再是「在同一分布上拟合得多好」，而是「换一个实验还能不能用」。代价是排行榜分数的绝对值偏低，且分数对训练集覆盖面的敏感度远高于对模型容量的敏感度。

测试集里还有两张荧光全切片图。它们的作用是检验方案的工程完备性：万像素见方的图无法整张喂进显存，必须切块推理再拼接，切块的重叠宽度、拼接时的边界处理、内存峰值控制都会直接影响最终掩膜质量。很多在千像素图上表现良好的方案，在这两张图上会出现内存溢出或拼接缝。

§3 怎么拿到

3.1 三条下载通道

官方的获取路径是竞赛站点，注册账号并验证后，数据集页会给出下载入口。站点同时列出三个镜像：

通道	地址形态	适用场景	注意事项
Zenodo 归档	记录 10719375	长期引用、批量下载	五个压缩包，总量二十余 GB
Google Drive	站点内链接	需要断点续传的个体用户	大文件配额可能触发限制
百度网盘	站点内链接，提取码 2022	中国大陆网络环境	非加密分享，链接可能失效

Zenodo 是最稳的引用地址，因为它有 DOI 且不随站点改版失效。五个包分别是：训练有标注、训练无标注第一部分、训练无标注第二部分、调优集、测试集，外加一个说明文件。无标注部分被拆成两个包，原因是单包体积过大在部分网络下容易中断。

3.2 解压后的目录形态

解压后是四个顶层目录：训练、调优、测试与说明。训练目录下分图像、标注、无标注三个子目录，图像与标注按同名文件配对，扩展名不同；调优目录同样成对，但标注只对平台可见；测试目录分公开与隐藏两支，公开支给图与标签，隐藏支只给图。

一个常见误解是把「测试集公开支」当成额外训练数据。这在规则上并不禁止（比赛阶段允许使用公开数据），但会让本地评测的分数虚高，因为它与隐藏支同源。做论文对比时，应明确说明是否使用了公开支，否则跨研究比较没有意义。

3.3 许可与合规

官网数据集页与 Zenodo 记录都把许可标为 CC BY-NC-ND。三个条款各自约束什么，需要分开看：

• BY（署名）：使用时须注明数据来源与作者，指引格式是论文引用；
• NC（非商业）：不得用于商业目的，包括以收费方式提供衍生服务；
• ND（禁演绎）：不得分发改编后的数据。

第三个条款是实践中最容易被忽略的。把图像重新切块、重新压缩、转成另一种格式再公开分发，都属于改编分发。训练模型是否构成改编，各国法务实践没有统一结论，工业界的常见处理是保守对待：研究与教学可依协议使用，商业产品线另寻许可更宽的数据。

还有一层要注意：数据里的图像来自多个实验室与公开来源，组委会在组织者页写明这些图像是「在各自许可允许或作者同意的前提下使用」。这意味着数据包内部可能包含许可不完全一致的子集，ND 条款是组委会给出的整体口径，逐张图像的原始许可需回溯各自来源。

3.4 提交与复现所需的最小集合

若要复现排行榜，需要三样东西：测试集图像、组委会的评测脚本、以及一个符合提交格式的容器。评测脚本在官方 GitHub 仓库里，提交格式是压缩后的掩膜文件加一份算法说明，比赛期间每队每天限提交三次。

评测容器在固定硬件上运行：十二核处理器、三十二 GB 内存、单张 2080Ti 显卡。这个配置在 2022 年属于中端，组委会选它是为了压低参赛门槛，同时让耗时指标有可比性。今天在更新的显卡上复现，F1 大致可比，耗时不可比。

§4 质量与已知问题

4.1 标注质量的三条证据线

标注由各贡献实验室的专家完成，而不是外包众包。这个选择提高了可靠性，也带来了不一致。判断这套数据标注能否支撑自己的任务，可以从三条独立的证据线入手。

假设	支持证据	反对证据
标注精度足以作为金标准	由各实验室熟悉自身模态的研究者勾画；组委会做了交叉抽检；冠军方案在测试集上达到接近九成的中位 F1，说明标注与算法精度在同一量级	五十余个实验的勾画标准并未统一成文；边界细胞是否计入、贴壁细胞是否拆分，各实验室习惯不同
标注覆盖完整	训练集各类别细胞计数从数千到十余万，密度跨度大；测试集覆盖未见组织	明场与相差图像的细胞边界本就模糊，专家之间的一致性天然低于荧光
单类标注消除了语义歧义	只有 cell 一类，不存在类别间混淆	单类也意味着「什么算一个细胞」没有统一操作定义，粘连细胞团的处理方式随实验室而异

三条证据线放在一起，结论强度只能给到 B：两条独立证据支持「可用」，但没有第三条独立来源能证明「跨实验室一致」。对使用者的含义是，把它当作训练与评测的良好来源是合理的，把它当作需要法医学级别精度的定量测量基准则不合适。

4.2 异质性既是资产也是噪声

四十家实验室的采集条件进入同一数据包，带来的是双重效果。作为资产，它让模型见过足够多的纹理与对比度，泛化能力被迫提升；作为噪声，它把「模态差异」「实验室差异」「染色批次差异」混在一起，无法分开归因。

一个具体的后果是：如果某支队伍在测试集上失分，很难判断是模型对荧光通道数不适应，还是对某家实验室的切片厚度不适应。组委会没有提供测试集图像的来源元数据，这个归因问题在数据层面就无解。使用者若要做事后分析，只能靠图像统计特征聚类做近似归因，结论强度有限。

4.3 无标注图像的可用性存疑

无标注图是弱监督设定的核心，但论文没有给出它们与有标注图的实验重叠情况。如果大部分无标注图来自与有标注图相同的实验，那么用它们做伪标签只是同分布增广，弱监督的挑战性被削弱；如果它们来自完全不同的实验，伪标签的噪声会显著升高。

这个信息缺口直接影响复现策略。稳妥的做法是把无标注图分两批用：先做自监督预训练（不依赖标签质量），再看伪标签在调优集上的增益决定是否保留。直接在无标注图上跑伪标签再混合训练，在跨实验设定下经常是负收益。

4.4 口径漂移清单

数据描述在不同材料之间有若干处不一致，引用时需要选边并写明依据。

项目	口径 A	口径 B	采用
有标注图像总数	训练一千张	摘要「超过一千五百张」	两者并存，分别标注
无标注图像数	论文正文	第三方页面写一千五百	采用论文
图像总数	各切分分项相加	第三方页面给出的 3022 张	不采用总数，只给分项
赛事平台	grand-challenge	部分二手材料写 Kaggle	采用 grand-challenge
调优集规模	论文	部分复现仓写「一百零一例」	一致

「不采用总数」这条值得解释。分项相加得到的是 3248 张（含测试），与第三方给出的 3022 张差两百余张，差额无法从公开材料中定位到具体切分。与其给一个来路不明的总数，不如只给四个可信的分项。

4.5 测试集不可本地复现的后果

测试集标签不公开，意味着任何声称「在本数据集上达到某分数」的研究，都必须通过平台提交或引用组委会公布的榜单。这带来两个实际问题。

第一，榜单在赛事结束后基本冻结，后来者无法用新方案刷新。部分研究改用体量更小的调优集自评，但调优集只有 101 张，统计波动大，且其标签在比赛结束后是否泄露并不明确。

第二，跨研究比较时必须核对评测脚本版本。IoU 阈值、边界细胞剔除规则、匹配算法都会影响最终 F1，而这些细节在不同复现仓里未必一致。最稳妥的比较基准是组委会公布的二十八支队伍成绩，它们在同一脚本、同一硬件下产生。

§5 能做什么

5.1 四类典型任务

这套数据的用途可以按「你要回答什么问题」分成四类。

训练通用分割器。最常见的用法。用有标注图训练，用无标注图做自监督或伪标签，目标是一个不需要人工调参就能处理多种显微镜图像的模型。这类工作通常会在本数据集之外再加 TissueNet、LIVECell 等外部数据，以扩大覆盖面。

跨域泛化评测。把本数据集当作「未见实验」的检验场：模型在其他数据上训练，直接在本数据集测试集上评测（通过平台提交）。由于测试图来自训练未见过的实验，分数能较好地反映迁移能力。

弱监督方法研究。约一比一点七的标注/无标注比，加上跨实验测试，构成一个天然的半监督学习试验台。伪标签、一致性正则、对比预训练等方法可以在这里做受控比较。

工程约束下的方案设计。耗时指标与显存记录使这套数据也能用于研究「精度与成本的权衡」。在 2080Ti 单卡、三 GB 级显存的约束下做到接近九成 F1，是很有参考价值的工程目标。

5.2 最小可执行示例

下面是一个可直接跑通的骨架，用于验证数据读取与提交格式，不代表任何性能承诺。

import numpy as np, tifffile, glob, os

def load_pair(img_path, lbl_path):
    img = tifffile.imread(img_path)
    if img.ndim == 3 and img.shape[0] <= 4:      # 通道在前
        img = np.moveaxis(img, 0, -1)
    img = img.astype(np.float32)
    lo, hi = np.percentile(img, [1, 99])          # 稳健归一化，避免个别饱和像素拉偏
    img = np.clip((img - lo) / max(hi - lo, 1e-6), 0, 1)
    lbl = tifffile.imread(lbl_path)               # 实例掩膜，每细胞一个整数
    return img, lbl

def to_submission(mask, out_dir, name):
    # 提交格式：每张图一个实例掩膜，整数标签，背景为 0
    tifffile.imwrite(os.path.join(out_dir, name + '.tiff'),
                     mask.astype(np.uint16))

这段代码只解决两件事：把混合格式读成统一的浮点数组，把预测写成整数掩膜。真正的分割网络、后处理与实例分离需要使用者自行补上。归一化用 1% 与 99% 分位数而非最大最小值，是因为显微图像常有饱和像素与黑边，极值归一化会把动态范围压扁。

5.3 官方基线与起点

组委会提供了 U-Net 基线与其训练脚本，配套一份教程。基线的作用不是刷分，而是把「数据怎么读、指标怎么算、结果怎么打包」这条链路走通。多数参赛队在基线之上做的第一件事是换编码器，第二件事是加测试时增强，第三件事才是改损失函数。

从公开的赛后复盘看，提升幅度最大的改动几乎都发生在数据侧：多模态混合采样、按模态分组的归一化、对无标注图的伪标签筛选。模型侧的架构替换带来的增益相对有限，这与「跨域泛化主要受数据覆盖度限制」的判断一致。

5.4 不适合的任务

有几种常见误用需要提前排除。

• 细胞类型分类：数据只有 cell 一类，没有类型标签，需要另找带类型的资源；
• 核质分离或亚细胞定位：掩膜只到细胞外轮廓，不含细胞核、细胞器；
• 三维重建：数据是二维图块，没有 z 轴信息；
• 临床诊断建模：没有患者、病程、诊断结果，无法做预后或分型；
• 绝对计数研究：不同实验室的采样密度差异极大，跨实验的细胞绝对数不具可比性。

§6 常见误读与引用陷阱（易踩的八种说法）

常见说法	实际口径	证据位置
「这是 Kaggle 上的细胞分割比赛」	赛事跑在 grand-challenge.org，Kaggle 上的同名事件是另一场 Sartorius 竞赛	赛事站点首页与提交页
「训练集有一万六千个细胞」	一万六千是 DIC 单模态的标注细胞数，四模态合计远超此数	论文数据表
「这是全监督数据集」	组委会明确定义为弱监督，训练阶段同时给出无标注图	赛事站点任务描述
「数据集可以免费商用」	许可为 CC BY-NC-ND，NC 条款禁止商业使用	数据集页与 Zenodo 记录
「测试集是训练集的随机划分」	测试图来自训练未见过的实验与组织类型	论文数据章节
「排行榜分数可以在本地复现」	测试标签不公开，只能通过平台提交	赛事提交规则
「冠军用了集成模型」	冠军是单模型加提示向量区分模态，未靠大集成刷分	冠军队论文与代码仓
「图像都是荧光显微图」	四类模态并列，明场与相差占训练图一半	论文模态统计表

第一条误读尤其常见，因为「NeurIPS 竞赛 + Kaggle 平台」是一个很强的心智组合。实际上 2022 年 NeurIPS 竞赛单元的多数医学影像赛事都跑在 grand-challenge，这个平台自带提交、排名与容器评测三件套，对组织者更省事。

6.2 技术陷阱

除说法层面的误读，还有几处纯技术性的坑，需要单独提示。

位深与通道顺序。原始图像有 8 位与 16 位两种位深，通道顺序在不同实验室之间不统一，有的是通道在前（C, H, W），有的是通道在后（H, W, C）。直接用单一读图库读入并假设形状，会在部分图像上静默出错，表现是颜色通道被当成空间维度，训练不报错但指标异常低。

掩膜的实例编号不连续。实例掩膜里的整数值不一定从 1 连续编号，某些图的编号有大跳跃（来自标注工具的合并与删除操作）。若下游代码用 np.unique 的结果个数当细胞数，结果是对的；若假设编号等于细胞序号，再用编号做索引，会越界或错位。

边界细胞的处理。落在图像边缘、被裁掉一部分的细胞，是否计入真值、是否计入预测，不同复现仓的处理不同。这直接影响边缘区域的 F1，在细胞密集的荧光图上差异可达数个百分点。做跨研究比较时必须核对这一点。

IoU 阈值的匹配策略。0.5 阈值下有贪心匹配与匈牙利匹配两种实现，前者快但对重叠预测的处理不同，后者慢但结果唯一。使用非官方脚本自评时，分数与榜单可能有系统性偏差。

全切片图的内存峰值。两张万像素荧光图在切块推理时，若块间重叠较大而缓存未及时释放，三十二 GB 内存会在中途耗尽。常见的失败模式是跑到第七成进度时进程被杀，日志里看不到显存或内存报警。

类别索引与背景值。部分标注工具导出的掩膜把背景写成三百八十或一百二十八，另一些写零。若直接把掩膜当整数标签喂进损失函数并假定背景为零，轻则大量「类别不存在」报错，重则静默地把整片背景算成一个实例。稳妥做法是先统计取值直方图，确认背景值再转换。

重复图像的风险。四十家实验室的数据在汇总时做过筛选，但跨实验室是否出现同一张图的重复投稿，公开材料没有核验记录。在调优集上做超参数搜索时，若训练集与调优集存在重复，分数会被高估，这一点无法从数据层面完全排除。

耗时指标的硬件绑定。组委会记录的耗时是在固定配置的单卡工作站上测的，包含容器启动时间。今天在更新的硬件上跑同一容器，耗时会显著缩短，但这不能说明方案更优，因为容差是按当时基线定的。

6.3 引用时的口径约定

如果要在论文里引用这套数据，三个字段必须写清：一是切分（训练、调优还是测试），二是模态（若只用其中一类，要说明），三是有标注图像的计数口径（1000 张，还是含调优的合并口径）。缺任一项，读者都无法判断你的实验设置。

另外建议同时引用三份材料：数据集 DOI、总结论文、以及所用的具体榜单版本。数据集 DOI 保证可追溯，总结论文给出方法背景，榜单版本锁定比较基准。只引论文而不写 DOI，会让后来者难以确认你用的是哪一版数据包。

§7 在生态中的位置

7.1 与同期基准的分工

2022 年前后出现了一批细胞分割资源，它们的定位各不相同。理解分工，有助于判断何时该用这一套、何时该换。

资源	规模重心	模态	主要用途
本数据集	跨实验、跨模态	明场、荧光、相差、DIC	通用分割器的泛化评测
LIVECell	单模态超大规模	相差	相差场景的高密度细胞分割与计数
TissueNet	多组织、双通道	荧光	组织内细胞分割预训练
Cellpose 自带集	多模态小规模	多种	算法自带训练语料与快速验证
各类病理核分割集	组织切片	明场	病理图像中的细胞核实例分割

定位差异带来使用建议：做通用模型，用本数据集评测、用其他资源训练是常见组合；做单一模态的生产系统，用该模态的专用大数据集更划算；做跨模态研究，本数据集的四模态并列设计是最省事的起点。

7.2 对后续工作的影响

这套数据最直接的影响，是把「通用细胞分割」从一个口号变成可比较的排行榜。在它之前，不同论文各自选数据集报告分数，结论无法横向对比；在它之后，至少有一条公共的、跨模态的、带耗时约束的比较线。

第二个影响是推动了视觉 Transformer 在显微图像分割上的普及。冠军方案证明，在大规模异构数据上，Transformer 编码器配合足够的预训练可以超过为单一模态手工设计的专用模型。这一结论在随后两年的多个基础模型工作中被反复引用。

第三个影响在数据侧：组委会把平台设计成可持续的，鼓励使用者上传自己失败的图像扩充测试集。这一机制的实际运作情况缺乏公开记录，但它代表了一种思路——基准不追求一次发布就完备，而是靠使用者的失败案例滚动补强。

7.3 与库内其他条目的关系

在细胞与显微图像这一族里，各条目的分工可以这样理解：

• livecell 提供相差模态的十亿像素级训练语料，是本数据集上游最常见的外部数据；
• lightmycells2 走的是另一条路，把透射光图像翻译成拟荧光，解决的是「没有荧光通道」的问题，与本数据集的分割任务互补；
• sinus-her2-nuclei 专注病理切片中的核分割，模态单一但任务更贴近临床；
• jump-cell-painting 关注荧光形态学画像与扰动表型，分割只是其上游步骤；
• cell-tracking-challenge 处理时序追踪，分割是其前置环节；
• cellxgene-census、human-cell-atlas、single-cell-portal 是单细胞组学资源，与影像数据没有直接血缘，但在「从图像到单细胞表型」的链条上处于下游。

把这些条目串起来，可以看到一条完整链路：图像分割 → 细胞追踪 → 单细胞表型 → 组学整合。本数据集处在这条链路的最前端，其跨模态泛化能力决定了后续环节的输入质量。

7.4 赛事本身的定位

NeurIPS 竞赛单元每年有数十场赛事，医学影像类占相当比例。这类赛事的特点是周期短、参与人数多、结果以论文集形式沉淀。它们的价值不在于产生一个永久的数据集，而在于用竞赛压力在短时间内把某个任务的可行边界推一推。

本赛事属于这一类里组织较规范的：有明确的评测脚本、固定的硬件、公开的获奖代码、以及一篇把所有参赛方案横向比较的总结论文。它没有做到的是长期维护——赛事结束后，测试集不再更新，榜单不再接受新提交，数据集本身也没有版本化迭代。

§8 赛事、评测与结果

8.1 赛程设计

赛事从 2022 年 6 月 15 日启动，当天发布训练数据；一个月后发布调优集并开放调优提交，此后设三个截止日（8 月 15 日、9 月 15 日、10 月 15 日），每次只允许提交一轮。这种「三窗口」设计是为了让参赛者在每个窗口之间有时间做方法论层面的调整，而不是靠高频试错刷分。

测试阶段从 10 月 15 日开始，每队只有一次提交机会。最终截止原定 10 月 31 日，因评测平台故障延长到 11 月 2 日。11 月 15 日邀请优胜队准备报告，12 月 7 日在 NeurIPS 线上活动公布结果。

把这段时序放在 2022 年的背景里看，能理解几个设计选择的来由。当年 NeurIPS 竞赛单元的多数赛事采用类似的「分阶段提交 + 末期一次性测试」模式，目的是在有限的人力下控制评测成本，同时防止参赛者针对测试集做定向优化。

8.2 参与规模

参赛者超过四百人，来自三十七个国家或地区。调优集排行榜前三十支队伍获邀提交测试结果，其中二十八支有效提交并进入最终排名。

从四百余人到二十八支有效提交，这个漏斗很陡。原因有两层：一层是测试阶段要求提交可运行的容器，而非单纯的预测结果，这对工程能力的要求远高于调优阶段；另一层是每队只有一次机会，很多队伍在截止前未能把方案稳定下来。

8.3 评测指标

分割质量用 IoU 阈值 0.5 下的实例级 F1 衡量。预测掩膜与真值按重叠度匹配，得到真阳、假阳、假阴三类计数，再由精确率与召回率算调和平均。边缘处被裁掉的不完整细胞在计算前剔除。

效率用逐图墙钟时间衡量，包含容器启动开销。时间容差与图像像素数挂钩：一百万像素以内固定十秒，超出部分按面积线性放大。这个容差的基准来自官方 U-Net 基线在评测机上的运行时间，相当于「与基线同速不扣分，快于基线有加分空间」。

两个量纲不同的指标如何合并，组委会采用了逐图逐队排名再平均的办法：

1. 对每张测试图，按 F1 给所有队伍排一次名，按时耗再排一次名；
2. 每支队伍因此得到「图像数 × 2」个名次；
3. 对名次取平均并按队伍数归一化，得到最终排名。

这种做法避免了两指标的加权系数争议——不用人为设定「快一秒等于高多少 F1」。代价是它对极端值不敏感：一支队伍如果在少数图上极慢，只要其余图表现正常，平均名次不会太差。

8.4 结果概览

进入最终排名的二十八支队伍里，前三名的中位 F1 分别是第一名的接近九成、第二名的八成四、第三名的八成四。前两名与第三名之间的差距很小，第一名与后续队伍之间的差距明显。冠军队在全部一千次自助重采样中保持第一，说明领先不是偶然。

耗时的分布同样是理解这场比赛的关键。多数方案在千像素图上十三秒内完成，中位显存占用三 GB 左右，对应约五百美元级别的显卡。这个约束条件实际上规定了「可用方案」的成本上限：能在单张消费级显卡上跑完万像素切片的方案，才有实用价值。

8.5 获奖方案与工程取向

前几名的方案在架构上走了不同路线，共同点是都重视跨模态的统一处理。

冠军（MEDIAR） 用视觉 Transformer 编码器加轻量解码器，先在大量未标注与公开显微图像上做自监督预训练，再在赛事数据上整体精调。跨模态靠一组可学习的提示向量实现：同一套权重，输入时附带模态提示，模型据此调整归一化与特征响应，不必为每种显微镜训练单独模型。

亚军（多流低层线索） 的思路是用多个并行流分别捕捉不同层次的图像线索，再用轻量分类器把图像分到若干子域，各子域用专门的分支处理。这种方法对模态差异的处理更显式，代价是分支多、调参复杂。

季军（基于细胞检测的通用方案） 把分割拆成检测与实例化两步，沿用细胞检测领域的成熟组件，重点改造了后处理以适配密集细胞与粘连边界。

三者的共同点值得单独指出：没有一支靠大集成或测试时增强堆出高分。这与耗时约束直接相关——集成会把推理时间成倍拉长，在排名规则下得不偿失。

8.6 与经典方法的差距

论文把获 award 的方案与几类经典分割方法做了对照，结论在方向上一致：在跨实验测试集上，为单一模态设计的专用模型明显落后，差距主要出现在模态错配的样本上。

具体来说，经典方法在荧光图像上仍能取得不错的分数，因为这些方法多以荧光数据训练，测试时的分布没有偏移；一旦换到明场或相差，性能下降明显，原因是背景纹理、光晕伪影与染色不均超出了它们的先验。通用方案的优势恰好在这里：它见过足够的异构图像，知道「背景可以是任何一种纹理」。

这一对照的意义不在于宣布某个算法过时，而在于说明评测设计如何塑造结论。如果在同一分布上评测，专用方法未必落后；是「跨实验测试」这个设计让泛化能力成为决定因素。

§9 使用实务

9.1 训练策略的取舍

基于这套数据做训练，几处策略选择对结果影响最大。

采样均衡。四模态的图像数不同，标注细胞数差异更大。直接按图随机采样，荧光图像会主导梯度。常见做法是按模态分层采样，或对每张图的损失按细胞数做归一化，避免密集图压倒稀疏图。

预处理的一致性。不同模态的最优归一化方式不同。明场适合逐图的白平衡加对比度拉伸，荧光适合按通道做分位数截断，相差与 DIC 适合先做背景估计再减除。若统一用一套预处理，跨模态性能会打折。

无标注图的用法。自监督预训练是最稳的用法，因为它不依赖伪标签质量；伪标签则要先在调优集上验证增益。跨实验设定下，直接用高置信度伪标签混合训练，常见结果是召回率上升但精确率下降，F1 净变化接近零。

后处理与实例分离。语义分割输出接分水岭或连通域标记是最简单的实例化方式，但在粘连细胞上会粘连。学习式实例分离（如嵌入聚类或距离图）在密集图上更稳，代价是训练更复杂。

9.2 评测时的注意事项

若要自评，务必在调优集上做，并把官方脚本与自写脚本的结果对齐一次，确认差异在可接受范围内。差异主要来自三处：边界细胞处理、匹配算法、以及掩膜的位深与标签约定。

若要对比他人结果，先确认对方用的是榜单分数还是自评分数。榜单分数在同一脚本同一硬件下产生，可比性最好；自评分数受实现细节影响，跨研究比较需谨慎。

9.3 计算成本估算

按赛事公布的硬件配置，一套完整的训练加推理流程大致落在这样的量级：单卡训练数十小时到数天，取决于是否使用自监督预训练；推理在千像素图上每张数秒，万像素切片需要切块后在分钟级完成。

若在更新的硬件上复现，训练时间可压缩到原来的几分之一，但评测耗时不具可比性。做成本规划时，建议以「推理能否在目标硬件的秒级预算内完成」为第一约束，再倒推模型规模，而不是先选架构再考虑部署。

9.4 与自建数据的衔接

很多团队的做法是拿这套数据做预训练，再在自有数据上微调。这条路可行，但有两处需要注意。

一是模态匹配。自有数据的成像方式若不在四类之内（例如电子显微镜、光片显微镜），预训练带来的增益会显著降低，甚至为负。二是标注口径。自有数据的「一个细胞」若与本数据集的勾画习惯不同（例如把粘连细胞核算一个实例），微调时标签噪声会抵消预训练收益。

务实的做法是先做小样本对照实验：随机抽自有数据的一小部分，比较「从零训练」与「预训练后微调」两条路径，增益稳定为正再全面铺开。

§10 总结

10.1 三句话

第一，它是一套为了检验跨实验泛化而构造的细胞分割数据，四类模态并列，训练、调优、测试三个切分严格隔离，测试图来自训练未见过的实验。

第二，它的核心贡献不在图像数量，而在评测设计：测试集来自训练未见过的实验，指标同时约束准确率与耗时，使排行榜上的名次更接近真实部署条件。

第三，它的使用门槛主要在合规与工程：许可为 CC BY-NC-ND，测试标签不公开，复现需要在固定硬件上跑容器评测。

10.2 适合谁

• 做通用细胞分割模型、需要一个跨模态泛化检验场的研究组；
• 研究弱监督或半监督分割、需要标注/无标注配比合理的数据集的方法团队；
• 需要评估「分割模型换实验室还能不能用」的工业研发团队（在许可允许的前提下）；
• 教学场景中讲授显微图像分割完整链路（读图、归一化、实例化、评测）的课程。

10.3 不适合谁

• 需要细胞类型、细胞核或亚细胞结构标签的课题；
• 需要三维体数据或时序追踪的课题；
• 需要患者级临床信息做诊断建模的课题；
• 需要宽松商用许可的产品线。

10.4 30 秒决策卡

你的需求	建议动作
想验证模型跨模态泛化	直接用测试集提交，或裁出调优集自评
想训练通用分割器	用它加 TissueNet、LIVECell 混合训练，注意分层采样
想复现冠军方案	取公开代码仓，按容器配置跑，注意提示向量的模态映射
想用于商业产品	先解决许可问题，或改用许可更宽的数据
想找细胞类型标签	这套数据不提供，改看带类型标注的资源

§11 附录：速查、术语与取值

11.1 关键数字速查

项目	数值
训练有标注 / 无标注	一千 / 一千七百二十五
调优 / 测试 / 赛后追加	一百零一 / 四百二十二 / 一百五十七
模态数	4
生物学实验数 / 实验室数	五十余 / 二十余
冠军中位 F1	0.897
亚军 / 季军中位 F1	0.845 / 0.844
参赛人数 / 国家数	四百余 / 37
有效提交队伍数	28
归档体积	二十一点三 GB

这张表只用于快速定位，各项的口径与证据位置见前文相应章节。若只记得一个数，记住「一千训练、一百零一调优、四百二十二测试」，这三个数决定了绝大多数实验设计。

11.2 术语表

术语	英文	含义
弱监督	weakly supervised	标注量远少于可用图像量，需借无标注数据补足
实例分割	instance segmentation	同类目标逐个分离并标注轮廓
模态	modality	成像物理机制的类别，此指四类显微镜
全切片图像	whole slide image	覆盖整块玻片的高分辨率拼接图
明场	brightfield	透射白光经染色标本成吸收像
相差	phase contrast	光程差转强度差，可观察未染色活细胞
微分干涉相差	differential interference contrast	偏振光分束复合形成浮雕感边缘增强
提示向量	prompt	输入侧可学习向量，用于让同一模型区分域
排名后聚合	rank-then-aggregate	两指标分别排名再平均归一的融合法
容差	tolerance	与像素数成正比的耗时上限
自监督预训练	self-supervised pretraining	用无标签数据构造任务预训练编码器
伪标签	pseudo label	用模型预测代替人工标注参与训练

11.3 DAIMS 评估全表

维度	评分（1–10）	依据
D 可发现性	8	赛事站点、arXiv、期刊论文、Zenodo 四条入口互相指向，DOI 稳定
A 可获取性	8	三条镜像通道，注册即下；扣分在测试标签不公开、平台提交需容器
I 可互操作	6	原始格式不统一、掩膜为 tiff 整数图，无官方转换脚本到通用医学影像格式
M 元数据质量	7	论文对切分与模态统计给出完整表格；无标注图的实验来源缺失，口径有漂移
S 可持续性	6	Zenodo 长期归档可靠；赛事平台冻结，组委会的滚动扩充机制缺乏公开记录
综合评级	7.0/10	可发现性与可获取性高于同类竞赛数据均值；互操作与可持续性是短板

评分的读法：A 项给到八分是因为数据集本体确实容易拿到，而不是因为整条使用链路顺畅——真正的门槛在许可与评测硬件上，这两点在 D 与 M 中体现。I 项偏低反映的是显微图像领域的通病：没有像 DICOM 那样的公共容器标准，各家格式各写各读。

11.4 引用条目模板

Ma J, Xie R, Ayyadhury S, et al. The Multi-modality Cell Segmentation
Challenge: Towards Universal Solutions. Nature Methods, 2024, 21: 1103-1113.
doi:10.1038/s41592-024-02233-6

数据集：NeurIPS 2022 Cell Segmentation Competition Dataset.
Zenodo, 2024. doi:10.5281/zenodo.10719375（CC BY-NC-ND）

11.5 使用前检查清单

1. 确认用途落在非商业范围内，商业用途另行取得授权；
2. 核对所用切分与模态，在方法节写明；
3. 确认有标注图像的计数口径（训练切分或含调优的合并口径）；
4. 检查读图管线对六种容器格式与两种位深的兼容性；
5. 检查掩膜背景值约定，再做损失计算；
6. 分层采样，避免荧光图像主导梯度；
7. 无标注图先做自监督，再评估伪标签增益；
8. 自评分数与官方脚本对齐一次；
9. 跨研究比较时核对匹配算法与边界细胞处理；
10. 引用时同时给出数据集 DOI 与论文 DOI。

编辑说明

本节不是百科正文，只记录事实来源、核验方式与已知冲突，供后续维护与交叉核对使用。

• 核验时间：2026-10-18。
• 核验方式：赛事站点首页、数据集页、组织者页与获奖页直取；arXiv:2308.05864v2 全文提取（数据章节、评测指标、名次与耗时）；Zenodo 记录 10719375 元数据；PMLR v212 获奖论文索引；数据库 ai_ready_dataset 两次关键词查重（status=1）。
• 三源互证：训练一千张（明场三百 / 荧光三百 / 相差两百 / DIC 两百）、调优一百零一张、测试四百二十二张、冠军 0.897、亚军 0.845、季军 0.844、参赛四百余人 / 三十七国、二十八支有效提交、归档 21.3 GB，均由站点与论文两线以上互相印证。
• 双口径冲突（正文已并入 §2.1、§4.4 与 §6.2）：
  1. 有标注图像数：正文训练集一千张，摘要写「超过一千五百张」（合并调优与公开测试口径）。
  2. 无标注图像数：论文给出一千七百二十五，第三方汇总页写一千五百；取论文值。
  3. 图像总数：第三方汇总页写 3022 张，与四个分项之和不符，来源口径无法定位；本条目只列分项、不给总数。
  4. 赛事平台：派发简报称「Kaggle 赛」，实核为 grand-challenge.org；Kaggle 上的同名事件是 Sartorius Cell Instance Segmentation（2021），属另一资产。
  5. 模态统计：论文摘要未给分模态数，数据表给出四模态 300/300/200/200；采用表值。
  6. 赛后追加测试一百五十七张：论文提及，未见独立发布包，是否可获取未核。
• 未覆盖内容：PMLR v212 各篇页码未逐篇核对；获奖方案的网络结构与超参数只作定性描述，未逐层核对代码；组委会「滚动扩充测试集」机制的现行状态未核。
• 许可存疑：官网与 Zenodo 均标 CC BY-NC-ND，但数据包内含多家实验室与公开来源图像，逐张原始许可未在包内标明；正文按整体口径陈述，未作法律解释。
• 版本日志：v1（2026-10-18）首发，v4 体例（三段导语、无 INFOBOX、误读与陷阱合并、FAQPage 八问）。
• 下次复核建议：2027-04，关注 Zenodo 记录是否新增版本、赛事站点是否补充赛后测试数据。

---

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：

• dsb2018 — 共享标签：医学影像 / 医学图像分割 / 病理图像 / 挑战赛数据集 / 评测基准
• wsss4luad — 共享标签：医学影像 / 医学图像分割 / 病理图像 / 挑战赛数据集 / 评测基准
• monusac — 共享标签：医学影像 / 医学图像分割 / 病理图像 / 挑战赛数据集 / 评测基准
• segpc-2021 — 共享标签：医学影像 / 医学图像分割 / 病理图像 / 挑战赛数据集 / 评测基准
• kpis — 共享标签：医学影像 / 医学图像分割 / 病理图像 / 挑战赛数据集 / 评测基准
• cosas — 共享标签：医学影像 / 医学图像分割 / 病理图像 / 挑战赛数据集
• puma — 共享标签：医学影像 / 医学图像分割 / 病理图像 / 挑战赛数据集
• acdc-lunghp — 共享标签：医学影像 / 医学图像分割 / 病理图像 / 挑战赛数据集
• psfhs — 共享标签：医学影像 / 医学图像分割 / 挑战赛数据集 / 评测基准
• bci-ihc — 共享标签：医学影像 / 病理图像 / 挑战赛数据集 / 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。