NuInsSeg — 多器官 H&E 核实例分割数据集

INFOBOX — NuInsSeg 一屏速览

维度	内容
本质	多器官 H&E 组织学核实例分割数据集——不是脑 MRI，不含任何影像学数据
团队	Danube University Krems（DPU）+ Medical University of Vienna + ACMT；通讯 Amirreza Mahbod
论文	Scientific Data 2024;11:295（doi:10.1038/s41597-024-03117-2）；预印本 arXiv:2308.01760（2023-08-03）
数据	31 张 WSI（每类器官 1 张）的 2048² FOV 中选出 665 个、裁切 512×512 PNG；30,698 个逐核手工实例标注
器官	31 = 23 human + 8 mouse（mouse：femur/fat subscapularis/heart/kidney/liver/muscle tibialis/spleen/thymus，C57BL/6J）
分布	human 472 patch/23,247 核/均 49.3；mouse 193/7,451/38.6；总体 665/30,698/46.2
掩膜	10 种衍生掩膜（distance/label/label-modify/binary/binary 去边/去边腐蚀/overlay/stacked 3D/weighted 双版）+ 首创全量 ambiguous area mask
划分	五折 KFold（n_splits=5, random_state=19, shuffle=True），每折 133 张
基准	六模型 U-Net 家族：Dice 冠军 Residual attention U-Net 81.4；AJI/PQ 冠军 Dual decoder U-Net 55.9/51.3
扫描	TissueFAXS（TissueGnostics）+ Zeiss Axio Imager Z1 + Plan-Neofluar 40×/0.75 NA、8-bit
获取	Kaggle masih4/nuinsseg（CC BY 4.0，v5，1.8 GB）｜GitHub masih4/NuInsSeg（MIT）｜HuggingFace 无镜像
前作	CryoNuSeg（CBM 2021;132:104349，冰冻切片 30 tiles/7,596 核/10 器官）
库内互链	monuseg(30)/consep(228)/pannuke(218)/lizard(238)/nucls(248) 为主，crag/glas/bcss 等备选

NuInsSeg 是一个「把核实例分割数据集从单器官小样本推向多器官全注释」的数据集工程：它取材于维也纳医科大学的 H&E 染色教学与机构库切片，按 23 类人类组织与 8 类小鼠器官各选一张 WSI、共 31 张，从中挑出 665 个代表性视野裁切为 512×512 的 patch，由三名具生物学背景的学生在资深细胞生物学家终审下，用 ImageJ 逐核手工描边——最终交付 30,698 个核实例、10 种衍生掩膜，以及一项此前没有任何数据集做到的事：为全部 665 张图提供 ambiguous area mask（模糊区掩膜），把「这个核边界到底算谁的」这类标注学上的灰色地带显式画了出来。它同时发布六个 U-Net 家族模型的完整基准与五折划分表，使「拿数据→跑基准→对比论文数字」一步到位。

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——Kaggle 数据 CC BY 4.0、GitHub 代码 MIT，双轨分开；HuggingFace 上没有官方镜像，别去 HF 找。
2. 关心标注质量：直奔 §3 标注流水线与 §2.4 十种掩膜——ambiguous area mask 的用法（损失排除 or 软标签）会直接影响你的指标。
3. 要做模型对比：直奔 §5 基准实验——先看清 Dice 冠军和 AJI/PQ 冠军是两个不同模型（坑 7），再决定对标哪个数字。

条目导航：从你手里的任务出发

你的处境	推荐路径
评估这个数据集值不值得用	INFOBOX → §1 十问十答 → 附录 B DAIMS 表
下载并跑通第一个模型	§6 获取与许可 → 附录 D 决策树 → §5.3 复现栈
训练自己的核分割模型	§2.4 掩膜字典（选对监督形态）→ §3 ambiguous mask 用法 → 附录 E 五折划分
与 MoNuSeg/MoNuSAC/CoNSeP 选型对比	§4 数据集景观总表 → 附录 G 横向对比全表
排查引用数字对不上	§10 避坑清单 → 附录 L 双口径登记表
找同主题条目组队	§9 与库内条目的关系 → 导航家族

§0 导读：这个数据集解决什么问题

细胞核分割是计算病理学的第一粒纽扣：核计数支撑有丝分裂率估算，核形态支撑分级，核实例坐标支撑肿瘤微环境的空间分析。但 2023 年之前，公开可用的核实例分割数据集大多卡在三道旧伤上——器官覆盖窄（MoNuSeg 9 器官、CoNSeP 只有结直肠一种）、实例标注不全（不少数据集只给点标注或边界框）、边界模糊区无处理（两核紧贴、挤压、重叠的像素被硬塞给其中一个，训练信号天然带噪）。

NuInsSeg 的回答分三层。第一层是覆盖：31 个人与小鼠器官、665 张 patch、30,698 个核实例，核数进入公开数据集第一梯队（仅次于 MoNuSAC 的 31,411），而 patch 数与器官数都是当时公开数据集之最。第二层是标注形态：同一份实例轮廓导出成 10 种掩膜——从语义分割用的 binary mask 到回归任务用的 distance map——使用者按任务选形态，不必自己写转换脚本。第三层是标注学创新：全量 ambiguous area mask，把每个 patch 里标注员自己都无法自信归属的边界区域显式标出，让「不确定」第一次成为可以被消费的数据。

§0 读法三则：

1. 这个条目的一切统计口径以论文 Table 2 与 Kaggle v5 Data Explorer 为准；GitHub README 的「Mouse organs」清单系 human FFPE 清单误贴（13 项），已在坑 2 存照。
2. 论文摘要写核数「>30,000」，精确值 30,698 见 Table 2 汇总行——引用时用精确值并注出处（坑 3）。
3. 「NuInsSeg = 脑 MRI 数据集」是流传的口径错误：名字里的 Ins 是 instance（实例）而非 infiltration/intracranial 之类，数据本体是 H&E 组织学（坑 1）。

§1 数据集速览：十问十答

Q1：NuInsSeg 到底是什么、不是什么？
它是一套 H&E 染色组织学切片的核实例分割数据集：665 张 512×512 patch、30,698 个逐核手工描边的实例轮廓、10 种衍生掩膜，外加五折划分表与六模型基准。它不是 MRI 数据、不含脑组织、也不含荧光或免疫组化染色——名字里的 Ins 是 instance（实例），不是任何「浸润/颅内」缩写。

Q2：665 张 patch 从哪来？
MedUni Vienna 病理生理与过敏研究所机构库的 H&E WSI（切片标本出自解剖与细胞生物学中心教学库，由 Adolf Ellinger 提供，长期教学用途、无需伦理审查）。团队共选 31 张 WSI——23 类人类组织与 8 类小鼠器官各一张，用 TissueFAXS 扫描系统（Zeiss Axio Imager Z1 + Plan-Neofluar 40×/0.75 NA 物镜 + Baumer HXG40c 相机、软件 v6.0）以 8-bit RGB 数字化，扫描按 2048×2048 的 FOV 分块存储；资深细胞生物学家 Isabella Ellinger 从 FOV 池中选出 665 个代表性视野，逐个裁切为 512×512 patch——一个 FOV 对应一张 patch。

Q3：31 个器官怎么构成？
23 类人类组织加 8 类小鼠器官。小鼠部分来自 8 周龄雄性 C57BL/6J 的 8 个器官：股骨（femur）、肩胛下脂肪（fat subscapularis）、心、肾、肝、胫骨前肌（muscle tibialis）、脾、胸腺。注意 GitHub README 的「Mouse organs」清单贴错了——那 13 项其实是 human FFPE 组织清单被误放到 mouse 标题下（坑 2），权威口径以论文 Table 2 与 Kaggle v5 Data Explorer 的 8 器官为准。

Q4：每个器官多少数据？
论文 Table 2 汇总：human 部分 472 张 patch、23,247 个核、patch 均值 49.3 核；mouse 部分 193 张、7,451 个、均值 38.6 核；合计 665 张、30,698 个、均值 46.2 核。逐器官明细见 §2.2 全表（各器官 patch 数与核密度差异显著），跨器官结论要分层报告。

Q5：谁标注的，怎么标？
三名具生物学背景的学生用 ImageJ 1.53 的 ROI Manager 以 freehand（自由画笔）逐核描边，资深细胞生物学家 Isabella Ellinger 终审。全部轮廓为矢量 ROI，再由 MATLAB 2020a 脚本批量栅格化为 10 种衍生掩膜。

Q6：10 种掩膜分别是什么？
binary（语义二值）、labeled（逐核编号实例）、border-removed（去边核）、erode（腐蚀）、distance map（距离变换）、weighted（加权）、stacked 3D mat（三维堆叠）、overlay（叠加可视化）等，以及 ambiguous area mask。同一份 ROI 导出十种形态，覆盖语义分割、实例分割、回归、加权训练等不同任务直接取用。

Q7：ambiguous area mask 特别在哪？
它是 NuInsSeg 的招牌：全部 665 张图都带一张模糊区掩膜，显式标记「边界归属不确定」的像素区域——核紧贴、挤压、染色过浅的灰色地带。此前只有 MoNuSAC 在部分测试集提供过类似物。训练时你可以把它当损失排除区，或当软标签/不确定性加权的输入，用法见 §3.3。

Q8：基准给了什么？
六个 U-Net 家族模型（Shallow/Deep/Attention/Residual attention/Two-stage/Dual decoder U-Net）在五折 KFold（random_state=19，每折 133 张）下的 Dice/AJI/PQ 三指标结果。Dice 冠军是 Residual attention U-Net（81.4），实例级冠军是 Dual decoder U-Net（AJI 55.9、PQ 51.3）——两个冠军不是同一个模型（坑 7）。基准代码与 Kaggle kernels 全部公开。

Q9：我现在能拿到什么、拿到的是什么许可？
Kaggle 数据本体（v5，1.8 GB，48.4k files）CC BY 4.0；GitHub 训练与推理代码 MIT。两仓独立、许可独立。HuggingFace 没有官方镜像（hf-mirror 搜索返回空），获取主链路就是 Kaggle+GitHub。

Q10：为什么它对 AI-Ready 重要？
它是「公开直链+许可宽松+基准随数据发布+划分可复现」的正面样本：CC BY 4.0 允许商用与衍生，五折划分固定随机种子消除划分自由度，六模型三指标给后来者一张可直接对标的成绩单——AI-Ready 四要素（可发现、可获取、可互操作、可复现）在这套数据上全部有实招，而不是口号。

§2 数据构成与规格

2.1 总体构成：31 张 WSI 如何变成 665 张 patch

NuInsSeg 的原材料是 MedUni Vienna 的 H&E 染色 WSI：23 类人类组织与 8 类小鼠器官各选一张，共 31 张（论文 Data Records 口径「from 31 human and mouse organs」与 README 口径「selected 31 whole slide images」在此调和：31 类器官 = 31 张 WSI，每类一张）。切片标本出自解剖与细胞生物学中心教学库、扫描件存于病理生理与过敏研究所机构库。TissueFAXS 扫描以 2048×2048 的 FOV（field of view，视野）分块存储，资深细胞生物学家 Isabella Ellinger 从 FOV 池中逐器官选出代表性视野，每个 FOV 裁切为一张 512×512 patch——一个 FOV 对应一张 patch，最终得到 665 张。数量的器官间分布极不均匀：人类食管贡献了 47 张，而小鼠股骨与胸腺各只有 6 张。

两类来源的总体对账（论文 Table 2 汇总行）：

来源	patch 数	核实例总数	patch 均值核数
Human（23 类组织/器官）	472	23,247	49.3
Mouse（8 器官，C57BL/6J）	193	7,451	38.6
合计	665	30,698	46.2

三点先说清楚：其一，30,698 是论文 Table 2 汇总行的精确值，摘要里写的「>30,000」是约数口径、Table 1 里印作欧洲千分位「30.698」——同一数字的三种写法（坑 3）；其二，human 的 23 项里混入了一类肿瘤组织（melanoma，黑色素瘤，12 张 patch），它不是器官而是病理类型，表格按论文原口径列出；其三，数据集包含小脑（cerebellum，12 张）与大脑（cerebrum，12 张）两类脑组织的 H&E 切片——这是「NuInsSeg 与脑有关」这一流传口径的唯一事实内核：有脑组织切片，但是组织学，不是 MRI 影像，也不是胶质瘤专用数据（坑 1）。

样本制备上还有一个容易被忽略的细节——人类切片分两支制备工艺：10 类组织（空肠、肾、肝、食管、腭扁桃体、胰腺、胎盘、唾液腺、脾、舌）为甲醛固定后火棉胶（celloidin）包埋、切 15-20 μm 厚片；其余 13 类（小脑、大脑、结肠、会厌、肺、黑色素瘤、肌肉、腹膜、胃贲门、胃幽门、睾丸、脐带、膀胱）为常规 FFPE、4-5 μm。火棉胶厚片保留了约 4 倍于常规片的组织深度，核在 z 轴上堆叠、光学截面上相互挤压——这批图像恰是 ambiguous 区域的重灾区，也是这个数据集「模糊区」问题的物理来源。

2.2 逐器官明细：谁贡献了多少核

以下两表为论文 Table 2 完整转录（patch 数/核实例数/patch 均值核数），是全条目最细粒度的硬数字。

人类部分（23 类组织/器官，472 patch / 23,247 核）：

组织/器官	patch 数	核数	均值/patch
小脑 Cerebellum	12	549	45.8
大脑 Cerebrum	12	146	12.2
结肠 Colon	12	349	29.1
会厌 Epiglottis	11	228	20.7
空肠 Jejunum	10	874	87.4
肾 Kidney	11	1,222	111.1
肝 Liver	40	1,370	34.3
肺 Lung	11	318	28.9
黑色素瘤 Melanoma	12	533	44.4
肌肉 Muscle	9	127	14.1
食管 Oesophagus	47	2,046	43.5
腭扁桃体 Palatine tonsil	12	1,045	87.1
胰腺 Pancreas	44	2,178	49.5
腹膜 Peritoneum	12	468	39.0
胎盘 Placenta	40	1,966	49.2
唾液腺 Salivary gland	44	3,129	71.1
脾 Spleen	34	3,286	96.7
胃贲门 Stomach (cardia)	12	671	55.9
胃幽门 Stomach (pylorus)	12	441	36.8
睾丸 Testis	12	380	31.7
舌 Tongue	40	1,415	35.4
脐带 Umbilical cord	11	106	9.6
膀胱 Urinary bladder	12	400	33.3

小鼠部分（8 器官，193 patch / 7,451 核；供体为 8 周龄雄性 C57BL/6J）：

器官	patch 数	核数	均值/patch
股骨 Bone (femur)	6	757	126.2
肩胛下脂肪 Fat (subscapularis)	42	549	13.1
心 Heart	28	738	26.4
肾 Kidney	40	1,597	39.9
肝 Liver	36	646	17.9
胫骨前肌 Muscle (tibialis anterior)	28	165	5.9
脾 Spleen	7	1,657	236.7
胸腺 Thymus	6	1,342	223.7

这张表藏着几个对建模有直接影响的极值：

• 核密度之王：小鼠脾 236.7 核/patch、小鼠胸腺 223.7 核/patch——淋巴细胞密集器官，patch 里核挤核，是实例分割最难啃的 13 张图（7+6 张）。
• 核密度谷底：小鼠胫骨前肌仅 5.9 核/patch、人类脐带 9.6——稀疏场景，模型在这里的假阳性率会被放大。
• 数量主力：人类唾液腺（3,129 核）、脾（3,286 核）、胰腺（2,178 核）、食管（2,046 核）四类贡献了约 43% 的核实例。
• 跨物种同名器官（肾、肝、脾）密度差异悬殊（如肾 111.1 对 39.9），天然构成一组「同器官跨物种」泛化实验对照。

使用建议：按核密度分层采样做训练，按器官分层报告指标——全集合均值 46.2 核/patch 会同时掩盖脾的 236.7 和胫骨肌的 5.9。

按密度分档的器官分组

把 31 类按 patch 均值核数分四档，采样与评估策略可以直接对号入座：

密度档	均值核数/patch	代表组织	采样/评估要点
超高密	>200	mouse spleen(236.7)、mouse thymus(223.7)	淋巴组织；实例分离是主要矛盾；val 集见到的分数天花板最低
高密	80-130	human kidney(111.1)、mouse femur(126.2)、human spleen(96.7)、human jejunum(87.4)、human palatine tonsil(87.1)	造血/代谢活跃组织；边界接触频繁，weighted/erode 掩膜收益最大
中密	30-80	human pancreas(49.5)、human placenta(49.2)、human cerebellum(45.8)、human salivary gland(71.1) 等 19 类	主体档；训练主力；跨器官泛化实验的基准档
低密	<30	human cerebrum(12.2)、human umbilical cord(9.6)、human muscle(14.1)、mouse muscle(5.9)、mouse liver(17.9)	稀疏核场景；假阳性主导误差；适合测模型的特异性

（神经组织注意：小脑 45.8 与大脑 12.2 同为脑但密度差近 4 倍——皮层神经元排列与白质比例不同，两类别混在一个「脑」标签里会掩盖这一结构差异。）

人类 23 类组织的系统学分组

23 类人类组织可以按器官系统重新组织，便于设计「系统内/系统间泛化」实验：

系统组	成员（patch 数）	组内共性	泛化实验价值
消化链	食管(47)、胃贲门(12)、胃幽门(12)、结肠(12)、空肠(10)、舌(40)、唾液腺(44)、胰腺(44)、肝(40)	黏膜/腺体结构、杯状细胞与腺泡	消化道内跨段泛化；唾液腺与胰腺的外分泌腺对照
免疫链	腭扁桃体(12)、脾(34)	淋巴组织高密度	高密度场景主力；与 mouse spleen/thymus 跨物种呼应
神经链	小脑(12)、大脑(12)	神经元核小而密、白质区稀疏	同器官系统内两种密度形态的对照
呼吸/内分泌	肺(11)、会厌(11)	软骨+上皮混合	软骨基质对核检测的干扰场景
泌尿/生殖	肾(11)、膀胱(12)、睾丸(12)、胎盘(40)	肾小管/移行上皮/生精上皮/绒毛	上皮类型多样性最高的一组
其他	肌肉(9)、腹膜(12)、脐带(11)、黑色素瘤(12)	间皮/结缔/肿瘤	低密对照与唯一的恶性黑色素细胞样本

分组的用法：做 leave-one-system-out 交叉验证（如用全部消化链训练、留一种消化道测试），比全集合随机五折更能回答「模型学到的是核形态还是组织语境」。

2.3 扫描与数字化链

环节	设备/参数
扫描系统	TissueFAXS（TissueGnostics, Austria），采集与管理软件 v6.0
显微镜	Zeiss Axio Imager Z1（Oberkochen, Germany）
物镜	Plan-Neofluar 40× / 0.75 NA（40× air）
相机	Baumer HXG40c（彩色）
扫描输出单元	2048×2048 FOV（带空间坐标，可拼合成 WSI；本数据集直接用 FOV）
patch 提取	每 FOV 中心裁切 512×512，无损 PNG 存储
染色/封片	H&E（ROTH, Austria）；封片 Entellan（Merck, Germany）；mouse 全部 FFPE 4 μm

注意两个规格细节：其一，数据集未逐 patch 声明 μm/px 空间分辨率（40× 物镜下通常约 0.25 μm/px 量级，但论文未给硬数字，条目不作推断）；其二，全部图像为 8-bit RGB PNG，无 16-bit 或多通道荧光，做染色归一化（如 Macenko）时按常规 H&E 双通道假设处理即可。

2.4 十种衍生掩膜字典

标注的原始形态是 ImageJ ROI（矢量轮廓，zip 打包、每个 ROI 文件对应一个核），随数据发布前经 MATLAB 2020a 脚本批量栅格化，得到十个掩膜文件夹（README 官方口径）。各掩膜的语义与推荐用法：

掩膜文件夹	形态	任务适配	使用要点
distance maps	距离变换	回归辅助分支	每像素到核的距离，配合 binary 做双分支监督
label masks	逐核编号（重叠区新数值）	实例分析	重叠区单独编号——保留「核挤核」的真实形态学信息
label masks modify	逐核编号（重叠区归属单实例）	实例评估标准输入	README 明确：评估用此版；重叠像素被裁决给其中一个核
mask binary	单通道 0/1	语义分割	最基础的监督形态
mask binary without border	0/1，去接触边界	语义/边界训练	相邻核的接触边界被移除，缓解边界竞争
mask binary without border erode	0/1，去边界+腐蚀	边界精化	在去边基础上再腐蚀，实例分离更彻底
overlay	叠加可视化	质检/展示	轮廓叠加原图，肉眼核查用
stacked mask	3D mat，每层一实例	核级形态统计	scipy.io.loadmat 读取
weighted_maps	加权图	加权损失	接触边界高权重；基于 without border 生成
weighted_maps_erode	加权图	加权损失	同上、基于去边腐蚀版
ambiguous masks	区域掩膜	损失排除/软标签	见 §3.3，NuInsSeg 招牌
（raw ROI zip）	ImageJ ROI 文件	任意再加工	需要自定义形态时从 ROI 重新生成

两个官方细节值得注意：其一，label masks 与 label masks modify 的区别只在重叠像素的处理——前者给重叠区独立编号（诚实但难评估），后者强制归属（评估友好），README 指明评估以 modify 版为准；其二，weighted 有两个版本分别对应去边与去边腐蚀两种 binary，与你的训练掩膜选择保持配对即可。

工程提示：labeled/编号类掩膜在多数看图软件里「看起来是黑的」，是正常现象——用 PIL.Image.open(...) 或 numpy 按像素值读取即可；若你需要在 256 色调色板里显示，自行做 ID 到颜色的映射，不要拿可视化截图当训练数据。

掩膜生成代码（MATLAB）随 GitHub 仓库公开，意味着十种形态不是一次性的发布物而是可再生的流水线——如果你的实验室想给自己的内部数据复制同一套导出形态，直接改脚本里的输入输出路径即可。Python 侧等价实现的骨架：

import numpy as np
from scipy import ndimage

labeled = np.array(Image.open("labeled_mask.png"))   # 每核一个整数 ID
binary  = (labeled > 0).astype(np.uint8)

# erode：3×3 结构元腐蚀一轮，边界内缩缓解相邻核竞争
eroded = ndimage.binary_erosion(binary, structure=np.ones((3, 3)))

# distance map：每像素到最近核边界的欧氏距离
dist = ndimage.distance_transform_edt(binary)

# weighted：边界带（核间接触区）高权重，仿 U-Net 原始加权思路
boundary = binary - eroded
weights = np.ones_like(binary, dtype=np.float32)
weights[boundary > 0] = 2.0

注意三点：① 官方 MATLAB 脚本是 ground truth 的权威来源，上面 Python 骨架只作速查，若你的导出与官方 PNG 有出入，以官方为准；② 官方 weighted_maps 基于「去边 binary」生成、weighted_maps_erode 基于「去边腐蚀版」，你自己实现时注意配对关系；③ stacked 3D mat 用 scipy.io.loadmat 读取，每层一个核的二值切片，适合做核级形态统计而非像素训练；④ 官方 label masks 对重叠区给独立编号、label masks modify 强制归属——评估一律用 modify 版（README 明示）。

2.5 五折划分：固定种子、每折 133 张

官方划分用 scikit-learn KFold(n_splits=5, random_state=19, shuffle=True) 生成，每折 133 张（5×133=665 恰好整除），划分代码在 Kaggle 与 GitHub 同步公开。六模型基准全部基于同一套五折交叉验证，因此论文数字与你的复跑之间不存在划分自由度——复现实验时直接加载官方 fold 划分即可，不要重新随机切分，否则你的数字与论文不可比。

一个隐性注意点：划分是全集合随机，未按器官/物种分层——某一折里 mouse spleen 的 7 张高密度 patch 可能集中出现，折间指标波动时先检查密度分布再怀疑模型。

2.6 读数据的三个正确姿势

十种掩膜各有读取陷阱，以下三个片段覆盖 90% 的日常需求：

# 姿势一：看图（原图+binary 叠加）
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt

img  = np.array(Image.open("tissue.png"))            # 512×512×3, uint8
bina = np.array(Image.open("binary.png"))            # 512×512, 0/1
plt.imshow(img); plt.contour(bina, colors="gold"); plt.axis("off")

# 姿势二：读实例（label masks modify，按唯一值枚举）
lab = np.array(Image.open("label_modify.png"))
ids, counts = np.unique(lab[lab > 0], return_counts=True)
print(len(ids), "个实例；最大/最小面积:", counts.max(), counts.min())
# 注意：ID 不连续且不是 1..N，枚举核必须用 np.unique，不能用 range

# 姿势三：读 3D mat（stacked mask）
from scipy.io import loadmat
m = loadmat("stacked.mat")
# m 里的三维数组：[H, W, N]，第 k 层是第 k 个核的二值切片

三条铁律：① 所有掩膜与原图同名配对，不要按目录顺序 zip 配对；② label 类掩膜永远 np.unique 枚举实例；③ 距离图/权重图的数值范围与单位以官方脚本为准，跨掩膜混算前先归一到同一尺度。

§3 标注流水线：freehand 描边与「不确定」的显式化

3.1 人员与工具

标注由三名具生物学背景的学生执行，使用 ImageJ 1.53 的 ROI Manager，以 freehand（自由画笔）模式逐核手绘轮廓；资深细胞生物学家 Isabella Ellinger 负责终审与 WSI/FOV 选取。相比点标注或半自动种子点扩散，freehand 全描边的单位成本最高，但换来两个无可替代的性质：核轮廓是完整多边形（不是近似圆），以及实例身份在标注端即已确定（不依赖后处理分水岭）。

把 README 披露的操作流程整理成可复用的标注 SOP（对想复制这条流水线的团队直接可用）：

ImageJ freehand 标注 SOP（README 口径整理）
1. 打开 patch 图像（ImageJ 1.53）
2. 菜单 Analyse → Tools → ROI Manager；确认勾选 show all 与 labels
3. 缩放到能清晰分辨全部实例的倍率
4. 选择工具栏的 freehand selection（自由手绘选区）
5. 沿核边界手绘一圈 → 按 T 收录进 ROI Manager
   - 画错了：点选列表中对应编号 → 按 Delete 删除重画
6. 重复第 5 步直到本图全部核描完
7. ROI Manager → More → Save → 导出 zip（每个 .roi 文件对应一个核）
8. 模糊区用同一流程另描一轮，导出为 ambiguous mask

这条流水线的代价收益结构很清楚：30,698 个核、人均约一万个核的手工描边，是典型的「学术团队重型标注」——它解释了为什么数据集止步于 665 张 512×512 patch 而不是整张 WSI 级标注，也是同类数据集中 MoNuSeg 与 NuInsSeg 共同的经济学约束。

3.2 从 ROI 到十种掩膜

流水线分四步：① 学生在 ImageJ 中逐核 freehand 描边（ROI Manager 开启 show all 与 labels，每画完一个核按 T 收录），每个核存为一个 ROI 文件，完成后 Save 导出 zip；② 全部 ROI 经资深细胞生物学家复核（漏标/错标/边界修正）；③ MATLAB 2020a 脚本把 ROI 栅格化，批量生成 distance/label/label-modify/binary/binary 去边/去边腐蚀/overlay/stacked/weighted 双版十个掩膜文件夹；④ 对每张 patch 单独生成 ambiguous area mask，标记标注员无法自信归属的边界区域。

设计的聪明处在于全部形态同源：十个掩膜文件夹与 ambiguous mask 全部导出自同一份 ROI 集合，所以 binary 与 label 完全对齐、distance map 与实例轮廓完全对齐——你混用多种掩膜做多任务训练时，不存在「两种掩膜两个版本」的漂移风险。

3.3 ambiguous area mask：把「不确定」变成数据

模糊区的定义：两个及以上核紧贴、挤压、重叠，或染色过浅导致边界在光学层面不可分辨的像素区域。此前学界对这类区域的惯例是「强行归属」——总得有个标签，于是训练信号里混入了系统性噪声；MoNuSAC 曾在部分测试集上提供过 vague 类掩膜，但仅限测试集部分图像。NuInsSeg 把这一做法推到全量：665 张每张都带模糊区掩膜。

三种消费方式，按你的任务选：

1. 损失排除区（最常用）：训练时把 ambiguous 像素从 loss 里 mask 掉，评估时同理——你的 Dice/AJI 会比「强行归属」口径略高，但那是诚实的分数。
2. 软标签/不确定性加权：把 ambiguous 图作为辅助通道输入，让模型学会输出「这里不确定」——适合做不确定性估计或主动学习研究。
3. 评估分层：报告两套指标——含模糊区的严格口径与排除模糊区的宽容口径——论文基准未按此分层，你若这样做，注明口径差异即可与论文对照。

一个公平性提醒：与既有文献对比时注意其他数据集没有这个掩膜。在 NuInsSeg 上用「排除模糊区」口径、在 MoNuSeg 上用「强行归属」口径，两者的数字不可直接排序——跨数据集比较时统一口径（附录 H 给出对照实验建议）。

模糊区与三个指标的交互

同一份预测在三种模糊区处理下，三个指标的敏感度并不相同，选口径前先想清楚你要报告哪个数：

口径	Dice 影响	AJI 影响	PQ 影响
强行归属（忽略模糊区掩膜）	与论文可比的基线	粘连误差全额计入	假阳性实例全额计入
训练排除+评估强行归属	训练信号变净、评估口径与论文一致——最常用的折中	同左	同左
训练+评估双排除	数字略升且「更诚实」	与论文不可直接对比（口径差异）	同左

一句话决策：写方法论文追「诚实上限」用双排除并声明；刷与论文可比的分数用训练排除+评估强行归属；任何混用都在表注里写明。

3.4 质量控制与已知局限

质控链条是「学生初注 → 资深细胞生物学家终审」两层，没有第三位独立标注者做重复标注，因此数据集不提供观察者间一致性数字（没有双标子集）。这不算缺陷而是一种取舍——全描边标注的双标成本过于高昂——但使用者应清楚：NuInsSeg 的 ground truth 是「一份专家终审的标注」，不是「多专家共识」。

把论文披露的流程要素整理成一张质控清单，供标注团队对照自查：

控制点	NuInsSeg 的做法	缺位时典型的失效模式
标注者资质	具细胞生物学背景的学生	无背景标注员把/artifact/皱褶当核
工具与形态	ImageJ freehand 全轮廓（矢量 ROI）	点标注/框标注丢失边界信息
半自动诱惑	明确拒绝（防模型先验混入标注分布）	半自动预填充→标注分布带模型偏置
终审	资深细胞生物学家逐张复核修正	学生直接出厂→系统性欠分割紧邻核
不确定区	ambiguous mask 显式标出（而非硬猜）	模糊像素硬塞给某核→边界噪声
可复现导出	MATLAB 脚本从 ROI 批量再生十种形态	手工导出→版本漂移
划分发	固定种子五折随数据发布	论文数字不可复现

已知局限三条：① 单一机构（MedUni Vienna 单中心）来源，染色协议、扫描设备链同质，跨中心泛化需外部数据；② 人类部分 23 项中混有 1 类肿瘤组织（melanoma），严格说「31 器官」的表述是「31 类组织/器官」，条目沿用论文口径但注明性质；③ mouse 部分是同一批 8 周龄雄性 C57BL/6J 的组织，作为独立物种样本量偏薄，跨物种结论（尤其免疫器官）谨慎外推。

另有一条藏在方法节的诚实细节值得转述：论文不讳言标注slow——作者明确权衡过 AnnotatorJ（U-Net 骨干的半自动插件）可加速标注，仍选择全手动以杜绝隐藏偏差。这个决定的代价是标注周期以月计，收益是标注分布里没有「某个特定半自动模型」的指纹。对要做方法论文（而非刷榜论文）的团队，这是值得支付的代价。

§4 数据集景观：NuInsSeg 在公开核分割数据集中站在哪

4.1 横向对比总表

下表为论文 Table 1 的完整转录（原文含 11 个 H&E 核分割数据集与 NuInsSeg 自身；「vague mask」列指是否提供模糊区/不确定区掩膜）：

数据集	vague mask	tiles	核数	倍率	器官数	tile 尺寸（px）	来源
Kumar et al.	✗	30	21,623	40×	7	1000×1000	TCGA
MoNuSeg	✗	44	28,846	40×	9	1000×1000	TCGA
MoNuSAC	partial	209	31,411	40×	4	81×113 至 1422×2162	TCGA
CoNSeP	✗	41	24,319	40×	1	1000×1000	UHCW
CPM-15	✗	15	2,905	40×/20×	2	400×400、600×1000	TCGA
CPM-17	✗	32	7,570	40×/20×	4	500×500 至 600×600	TCGA
TNBC	✗	50	4,022	40×	1	512×512	Curie Inst.
CRCHisto	✗	100	29,756	20×	1	500×500	UHCW
Janowczyk	✗	143	12,000	40×	1	2000×2000	n/a
Crowdsource	✗	64	2,532	40×	1	400×400	TCGA
CryoNuSeg	✗	30	7,596	40×	10	512×512	TCGA（原文口径）
NuInsSeg	✓（全量）	665	30,698	40×	31	512×512	MUV

（TCGA=The Cancer Genome Atlas；UHCW=University Hospitals Coventry and Warwickshire；MUV=Medical University of Vienna）

4.1a 四个重点对手的逐个对照

对 MoNuSeg：规模型经典 vs 覆盖型新贵。MoNuSeg 是 2018 年挑战赛产物：44 张 1000×1000 tile、28,846 核、来自 TCGA 的 7 器官（论文 Table 1 计 9 类）。它的权威性来自「被引用最多」——几乎所有核分割论文都在它上报告 AJI。NuInsSeg 对它的优势是覆盖（31 对 9）与规格统一（512² 对 1000²），劣势是社区积累的基线数量。实践建议：在 NuInsSeg 上训练、在 MoNuSeg 上零样本测试，是成本最低的泛化证明。

对 MoNuSAC：唯一的核数冠军与唯一有 vague 血统的对手。MoNuSAC（2020 挑战赛）以 31,411 核微弱领先 NuInsSeg 的 30,698，且是唯一在部分测试集上提供 vague 标注的先例。它的麻烦是 tile 尺寸散布（81×113 到 1422×2162）与四器官窄覆盖。NuInsSeg 与它的正确关系是「模糊区协议的继承与推广」——从 partial 推到 full，从测试集专属推到训练可用。

对 CoNSeP：单器官深度 vs 多器官广度。CoNSeP（2019，UHCW）只有结直肠一种组织 41 张，但标注含核型分类（五类核：炎症/结缔/上皮/死核/其他）。做「核是什么类型」的研究它仍不可替代；做「核在哪里、有几个、边界在哪」的跨器官研究，NuInsSeg 的广度碾压。

对 CryoNuSeg：同门师兄。30 tiles/7,596 核/10 器官的冰冻切片集，标注流程同门（同一 procedure）。它的独特价值在「冰冻 vs 石蜡」的染色形态轴——同一团队、同一流程、不同制片工艺，正好构成一组受控对比。同门之间不竞争：CryoNuSeg 管工艺对比，NuInsSeg 管规模与覆盖。

4.2 四个维度的差异化卖点

把这张表横竖读一遍，NuInsSeg 的位置可以压缩成四句话：

1. 覆盖面第一：31 类器官/组织，是第二名 MoNuSeg（9）的三倍余；且是唯一引入小鼠样本的 H&E 核分割数据集——跨物种泛化实验只有在这里不用凑数。
2. 规模第一梯队：665 张 tiles 是全场最多（MoNuSAC 209、Janowczyk 143 次之）；核数 30,698 仅次于 MoNuSAC 的 31,411，稳居第二。
3. 唯一的全量模糊区掩膜：MoNuSAC 的 vague 标注只覆盖部分测试集，其余十个数据集干脆没有——NuInsSeg 是唯一在全部 tiles 上提供 ambiguous area mask 的。
4. 统一规格：全部 512×512（MoNuSAC 的 tile 尺寸从 81×113 一路散到 1422×2162，做 batch 训练要自己裁或补），对训练管线最友好。

4.3 选型建议：什么任务配什么数据集

• 做多器官/跨组织泛化：NuInsSeg 为主力，MoNuSeg（TCGA，9 器官）做外部测试集——两者组织来源独立，正好构成跨库验证。
• 做实例分割方法研究（含边界不确定性）：NuInsSeg + MoNuSAC（它至少在测试集上有 vague 类，可与 NuInsSeg 的全量口径对齐）。
• 做结直肠专项：CoNSeP 的标注深度（含核型分类）仍是首选，NuInsSeg 的结肠 12 张只够做泛化验证。
• 做跨染色/跨扫描域鲁棒性：NuInsSeg（TissueFAXS 扫描）与 MoNuSeg（TCGA 多中心扫描）扫描链不同，天然构成域偏移对。
• 前作 CryoNuSeg：30 tiles 冰冻切片，适合做「冰冻 vs 石蜡」染色形态对比小样本实验，不建议作训练主力。

三个组合拳实战场景

把上面的选型建议落成三个可以直接执行的研究设计：

1. 跨器官泛化画像：NuInsSeg 官方五折改为 leave-one-organ-out（31 折太重，可按 §2.2 的系统分组做 6 组）——报告每个系统组的 AJI 下降幅度，回答「哪些组织的核形态最难迁移」。对照集：CoNSeP（完全未见过的机构与染色）。
2. 模糊区敏感度实验：同一模型同一划分，训练/评估各切换「排除 vs 强行归属」两种模糊区口径，报 2×2 四组数字——量化 ambiguous mask 的实际收益，这是论文没做、但数据完全支持的自助实验。
3. 跨物种零样本：human 五折训练 → mouse 193 张零样本测试（及反向），与「同器官跨物种」（human kidney↔mouse kidney）配对——核形态的物种差异与器官差异哪个更大，一套实验两份答案。

§5 基准实验：六模型、三指标、一个意外的冠军分离

5.1 六模型五折基准总表

全部基准基于同一套五折 KFold（random_state=19，每折 133 张）交叉验证，指标为 Dice（语义相似度）、AJI（aggregated Jaccard index，实例级聚集核度量）、PQ（panoptic quality，全景质量）。论文 Table 3 转录：

模型	参数量	Dice	AJI	PQ
Shallow U-Net	1.9M	78.8	50.5	42.7
Deep U-Net	7.7M	79.7	49.4	40.4
Attention U-Net	2.3M	80.5	45.7	36.4
Residual attention U-Net	2.4M	81.4	46.2	36.9
Two-stage U-Net	3.9M	76.6	52.8	47.2
Dual decoder U-Net	3.5M	79.4	55.9	51.3

模型架构侧记：官方开源的 shallow 与 deep U-Net 都在 encoder/decoder 的每个卷积层间加了 dropout 层，区别在深度（encoder 分别 4 与 5 个卷积块）；attention/residual attention U-Net、two-stage U-Net、dual decoder U-Net 按各自原论文实现。论文特意强调全部模型跑同一五折方案以便横向可比。

六模型逐个速读

模型	一句话架构画像	在这套数据上的表现逻辑
Shallow U-Net（1.9M）	4 块 encoder 的经典 U-Net + 全程 dropout	基线担当；Dice 78.8 不难看，实例指标平庸
Deep U-Net（7.7M）	5 块 encoder 的加厚版	加深只换来 Dice +0.9，AJI 反降 1.1——深度不是这里的瓶颈
Attention U-Net（2.3M）	跳跃连接加注意力门	Dice 涨到 80.5，但 AJI/PQ 反而是六模型最低档——注意力把像素磨亮了、实例没分开
Residual attention U-Net（2.4M）	注意力门+残差连接	Dice 冠军 81.4；实例指标仍平平——语义与实例目标冲突的又一证据
Two-stage U-Net（3.9M）	先分割后分离的两阶段	Dice 垫底 76.6 但 AJI 52.8/PQ 47.2 双亚军——为实例分离牺牲语义平滑
Dual decoder U-Net（3.5M）	双解码器分管分割与实例	AJI/PQ 双冠军 55.9/51.3——实例导向架构与「核挤核」场景的正确匹配

（表内数字为论文 Table 3 原值；「表现逻辑」列为条目解读，供选型参考，非论文原文。）

误差形态的定性归纳

论文虽未给逐器官误差表，但从指标结构与数据特性可归纳三条定性预期，供你复跑时对照验证：

1. 超高密档（mouse spleen/thymus）是 AJI 的天然洼地——核挤核场景下，任何漏分水岭的后处理都会把相邻实例粘成一团，AJI 对这种粘连的惩罚远重于 Dice。
2. 低密档（muscle/umbilical cord/cerebrum）是假阳性的放大器——稀疏场景下少数误检就拉低精确率，PQ 里「不匹配的预测实例」直接计零。
3. 火棉胶厚片（15-20 μm 的 10 类）是模糊边界重灾区——z 轴堆叠让核边界在光学上先天含糊，这批图上 ambiguous mask 的存在感最强。

5.2 冠军分离：语义冠军不等于实例冠军

这张表最有信息量的地方不是某个模型的绝对分数，而是冠军不在同一个模型身上：

• Dice 冠军是 Residual attention U-Net（81.4）——注意力加残差把像素级分割打磨到了极致，但它的 AJI（46.2）与 PQ（36.9）在三强里垫底。
• AJI/PQ 冠军是 Dual decoder U-Net（55.9/51.3）——双解码器结构在「把相邻核实例分开」这件事上拉开了近 10 个 AJI 点，虽然它的 Dice（79.4）只排第四。
• Two-stage U-Net 是 AJI/PQ 亚军（52.8/47.2）但 Dice 垫底（76.6）——两阶段先分割后分离的设计，牺牲语义平滑换取实例可分性。

解读一句话：在这个多器官、核密度从 5.9 到 236.7 核/patch 的数据上，「像素贴合」与「实例分得开」是两个部分冲突的目标。你报告哪个指标，就决定了哪个模型是你的 SOTA——引用时务必写明指标名（坑 7）。

5.3 复现栈与 kernels

项	版本/入口
深度学习框架	TensorFlow 2.6.2 / Keras 2.6.0
划分与指标	scikit-learn 0.23.2（KFold）、scikit-image 0.19.1
数据增强	Albumentations 1.1.0
数据处理/绘图	Pandas 1.3.5、Matplotlib 3.5.1
Kaggle kernels	3 个官方 kernel：EDA 数据探索 + 两个 CV 训练/评估 kernel（论文 Technical Validation 给出入链，挂 ipateam/nuinsseg datasetId=1911713 下）
GitHub	masih4/NuInsSeg：掩膜生成脚本（MATLAB）+ shallow/deep U-Net 训练代码（created 2022-01-05，last push 2024-07-15）

复现路径建议：先跑 Kaggle 上的 EDA kernel 熟悉目录结构与掩膜读取（labeled mask 看起来发黑是正常的），再拉 GitHub 代码到本地按官方 fold 划分训练。软件栈是 2022 年前后的 TensorFlow 生态，在更新的 CUDA/驱动上安装 TF 2.6.2 若遇阻，可换 tensorflow[and-cuda] 容器或把代码迁移到 Keras 3——但迁移后指标可能与论文有微小漂移，对标论文数字时注意。

数据包内容速览

Kaggle 包（v5，1.8 GB，48.4k files）按 README 描述包含：raw image patches（原图）、raw ImageJ ROI files（矢量轮廓 zip）、十个掩膜文件夹（§2.4 字典表）、ambiguous masks。核心规律是同一 patch 的原图与各掩膜同名前缀对应，按文件名 join 即可组 batch，不需要额外索引表；label 类掩膜按像素值读取（显示发黑是正常现象）。

6.3a 一行取数与最小复现路径

# 1) 下载数据（Kaggle CLI，两入口任一）
kaggle datasets download -d masih4/nuinsseg --unzip -p ./nuinsseg_data
# 2) 取代码
git clone https://github.com/masih4/NuInsSeg.git
# 3) 加载官方五折划分（random_state=19），按 README 推荐方案训练
# 4) 对标论文 Table 3 时注明指标名（Dice vs AJI vs PQ）

5.4 三个指标到底在量什么

读 Table 3 之前先把三个指标的区别说透——它们的差异正是「冠军分离」现象的根源：

指标	度量对象	对什么错误敏感
Dice	像素级前景重叠度（语义）	欠分割/过分割的像素量；不关心实例边界粘连
AJI	实例级聚集 Jaccard	预测实例与真值实例的匹配质量；对相邻核粘连极敏感（一粘一大片全扣）
PQ	分割质量 × 识别质量	实例匹配成功的部分算 SQ、不匹配的直接计零；对假阳性实例零容忍

同一组预测在这三个指标上可以给出完全相反的排名（Table 3 已实证）。写论文时只报 Dice 是核分割文献的老毛病——NuInsSeg 三指标并报的做法值得跟随。

5.5 这套基准的边界

三条诚实的边界声明：① 六模型全是 2022-2023 年的 U-Net 家族，不含 transformer 系（如 TransUNet/Swin-UNet）与细胞核专用后处理，它不是当前 SOTA 榜单，而是「同一套划分下可比的参照系」；② 评估为五折 CV 的聚合结果，论文未按器官分层报告——你自己复跑时按器官分层（尤其 mouse spleen/thymus 高密度组）会看到显著的分数跨度；③ 基准用 binary/weighted 掩膜训练、labeled 掩膜评估，ambiguous 区的处理口径论文未详述——若你采用 §3.3 的排除口径，数字会与论文有系统性小差异，注明即可。

复现自查五条

1. 划分来源：是否加载官方 random_state=19 五折（而不是自己 random split）？
2. 评估掩膜：是否用 label masks modify（而非重叠区独立编号版）？
3. 模糊区口径：训练/评估各自是否声明（三选一，见 §3.3 表）？
4. 指标实现：AJI 的实例匹配实现是否与论文一致（实现差异常见 1-3 分漂移）？
5. 版本锁定：报告数字时是否注明数据版本（v5）与代码 commit/日期？

§6 获取与许可：双入口、双许可、一条主链路

6.1 Kaggle 数据本体：双入口并存

数据托管在 Kaggle，存在两个入口：

• 论文口径（Data Records 原文）：kaggle.com/datasets/ipateam/nuinsseg——机构账号 ipateam，官方 kernels 挂在其 datasetId=1911713 名下；
• 一作个人口径（实测）：kaggle.com/datasets/masih4/nuinsseg——v5，1.8 GB，48.4k files，更新频率 Annually，Usability 评分 8.75，license 标注 CC BY 4.0。

两入口的关系论文未明示（机构主仓/个人镜像的先后论文未写），检索者任取其一即可；引用 license 时以你实际下载页面的标注为准（坑 5 的另一半）。

对照项	ipateam/nuinsseg（论文口径）	masih4/nuinsseg（实测口径）
账号性质	机构（研究组）	一作个人
出处	论文 Data Records+Technical Validation（kernels 挂 datasetId=1911713）	Kaggle 检索实测
实测版本/体量	未逐项实测	v5 / 1.8 GB / 48.4k files
license 页面口径	以页面为准	CC BY 4.0
使用建议	引用论文时给此链	下载取数走此链（或任一）

6.2 GitHub 代码：MIT

github.com/masih4/NuInsSeg，MIT 许可，包含 ImageJ ROI 到十种掩膜的 MATLAB 2020a 生成脚本与 shallow/deep U-Net 训练代码。仓库 created 2022-01-05、last pushed 2024-07-15（抓取时点 40 stars / 3 forks）。MIT 允许商用、修改、再分发，仅要求保留版权声明——与数据的 CC BY 4.0 宽松度对齐，整条链路没有 NC/ND 之类的收紧条款。

6.3 HuggingFace：没有官方镜像

截至抓取时点（2026-10-04），HuggingFace/HF-Mirror 上没有 NuInsSeg 的官方数据集仓库（搜索返回空）。如果你的管线假设「所有数据集都在 HF 上 load_dataset」——这个假设在这里不成立，直接走 Kaggle 下载（坑 6）。Kaggle CLI 一行取数：

kaggle datasets download -d masih4/nuinsseg --unzip -p ./nuinsseg_data

6.4 许可合规要点

1. 数据 CC BY 4.0：署名（引用论文 DOI 10.1038/s41597-024-03117-2）即可商用/修改/再分发；衍生数据集建议同样以 CC BY 4.0 回馈。
2. 代码 MIT：保留版权与许可声明即可。
3. 论文：Scientific Data 开放获取，文本引用遵循 CC BY 惯例。
4. 伦理口径：人类切片为教学用途存档（论文原文 no ethic votum applied，即无需伦理审查条款），使用数据时无需额外伦理批件，但不得试图反推供体身份——数据集不含人口学元数据，这一条实际风险很低。
5. 再分发注意：CC BY 4.0 允许再分发，但 Kaggle 页面的版本演进（Annually）意味着你镜像的可能不是最新版——再分发时注明你 based on 的版本号（v5）与抓取日期。

6.5 商用四问四答

问：能拿它训练商业产品吗？ 能。CC BY 4.0 数据 + MIT 代码都允许商用；署名义务通过引用论文 DOI（10.1038/s41597-024-03117-2）履行。

问：衍生数据集（再标注/子集/增强版）可以发布吗？ 可以，衍生数据建议同样 CC BY 4.0 并注明 based on NuInsSeg v5（版本与抓取日期）。

问：模型权重有传染性吗？ 没有。CC BY 4.0 不是 copyleft（不是 GPL 式条款），在它上面训练的模型权重不受其约束，商用分发无需开放权重。

问：要把数据再打包进自己的平台吗？ 技术上允许，但注意两点：更新频率 Annually 意味着上游会动；论文口径的 ipateam 入口与个人 masih4 入口并存——再打包时声明你的快照来源与版本，避免用户把你的镜像误当上游。

§7 生态与影响：一个团队、两个数据集、一条技术线

7.1 团队谱系：CryoNuSeg → NuInsSeg

NuInsSeg 不是凭空出现，它是 Mahbod 团队核分割数据集系列的第二代。第一代 CryoNuSeg（Computers in Biology and Medicine 2021;132:104349）用冰冻切片做了 30 tiles、7,596 个核、10 器官的实例分割数据集——冰冻组织保留更多抗原与形态细节但制备更难。NuInsSeg 在三个方向全面换代：石蜡/火棉胶常规切片的更大规模（665/30,698/31 类）、十种衍生掩膜的产品化输出、以及全量模糊区掩膜的标注学创新。两代的标注流程（ImageJ freehand + 学生标注 + 资深细胞生物学家复核）一脉相承，论文明确说 NuInsSeg 沿用了 CryoNuSeg 建议的标注 procedure。

7.2 资助与算力

论文致谢与 README 披露的支撑结构：FFG（奥地利研究促进署）grant 872636 提供经费——它是项目「Deep Learning-based knowledge transfer methods for nuclei segmentation in microscopic images」（DeepNucleiDetection，项目页 projekte.ffg.at/projekt/3258628）的一部分；NVIDIA 捐赠 GPU 硬件；TissueGnostics 的扫描设备链完成数字化。人类切片由 Adolf Ellinger（MedUni Vienna 解剖与细胞生物学中心）自教学标本库提供、扫描件存于病理生理与过敏研究所机构库，小鼠样本来自 8 周龄雄性 C57BL/6J。这是一套典型的欧洲公立大学「小经费+设备合作+标本库存量」组合——它也解释了数据集的形态选择：用存量教学切片（无伦理负担、零采集成本）换取标注人力集中在质量上。

7.3 社区采用与可见度

数据发布于 Kaggle（Usability 8.75）并配套 3 个官方 kernels（EDA + 两个 CV 训练/评估），GitHub 代码库持续维护至 2024-07（抓取时点 40 stars / 3 forks）。Scientific Data 的正式发表（2024-03）与 arXiv 预印本（2023-08）双轨索引，检索时两条都通向同一 DOI 10.1038/s41597-024-03117-2。

7.4 命名辨析：Ins 是 instance

NuInsSeg 的构词是 Nuclei + Instance + Segmentation——「核·实例·分割」。名字里没有「浸润（infiltration）」「颅内（intracranial）」也没有「脑（brain）」；数据里虽有 24 张脑组织 patch（小脑 12 + 大脑 12），但只占全量的 3.6%。凡在二手资料里看到「脑浸润/胶质细胞/MRI」等描述，一律回到论文标题与 Kaggle 页面核对（坑 1 的根因就在这类二手转述）。

7.5 DeepNucleiDetection：数据集背后的项目

NuInsSeg 是 FFG 项目「Deep Learning-based knowledge transfer methods for nuclei segmentation in microscopic images」（DeepNucleiDetection，grant 872636）的产出之一——项目名里的「knowledge transfer（知识迁移）」与数据集的设计取向完全对得上：多器官覆盖、跨物种样本、固定划分，全是为「迁移好不好做」而设的实验床。CryoNuSeg（冰冻）与 NuInsSeg（石蜡/火棉胶）一先一后出自同一项目脉络，检索者把两个数据集连同项目主页一起看，能更完整地理解团队的研究议程：不是「又一个数据集」，而是「核分割知识迁移的基础设施」。

§8 方法学启示：三条可迁移的经验

8.1 一次标注、十种消费：同源多形态导出

NuInsSeg 把标注经济学做对了：真正贵的是那 30,698 次 freehand 描边，而导出成 binary/labeled/distance/weighted 等十种形态的边际成本接近零。任何标注团队都应复制这个模式——原始标注保持最高信息密度（实例级矢量轮廓），任务特化形态全部派生。反例是直接标注 binary mask：信息在源头就被压扁，后面想要实例级就得推倒重来。

迁移检查单（把同源多形态搬回你的标注项目）：

1. 原始层只存一种东西：实例级矢量轮廓（ROI/COCO 多边形/GeoJSON 均可），它是唯一需要终审的对象；
2. 派生层全部脚本化：binary/labeled/距离图/权重图由脚本从原始层再生，禁止手改派生层；
3. 版本对齐：脚本与数据同版本号发布，掩膜再生可复现；
4. 命名即文档：文件夹名写清处理语义（NuInsSeg 的 without border / erode / modify 命名法可直接抄）；
5. 重叠区政策提前定：独立编号（label masks 式）还是强制归属（modify 式），评估用哪个，写进 README。

8.2 把「不确定」画出来：模糊区的显式化

ambiguous area mask 是可以跨数据集复制的方法论：与其让标注员在模糊像素上硬猜（猜错成为系统性噪声），不如给他第四个选项——「这算模糊区」。三个直接收益：训练信号更干净（排除或降权）、评估更诚实（分口径报告）、不确定性研究有了 ground truth。MoNuSAC 在测试集上先做了 partial 版本，NuInsSeg 证明全量可行。做标注规范的设计者应当把「模糊区协议」当作与「类别定义」同级的必答题。

迁移检查单（把模糊区协议搬回你的标注项目）：

1. 定义先行：模糊区的判定标准（接触/重叠/染色不可辨）写成一句话贴在标注指南首页；
2. 独立通道：模糊区与类别标注分离存储，不占用类别 ID；
3. 全量执行：只给测试集做（MoNuSAC 式）会限制训练端用法——除非你明确只做评估；
4. 双口径评估：上线即同时报「含模糊区」与「排除模糊区」两套指标；
5. 占比监控：模糊区像素占比是标注质量的间接温度计——某批图占比突然升高，先查染色流程。

8.3 防偏与可复现的两个小开关

两个容易被忽略、成本极低的工程决定：其一，明确拒绝半自动标注（论文原话：防止对半自动方法的隐藏偏差）——AnnotatorJ 这类工具当然快，但会让标注分布带上模型先验的印子；其二，划分固定随机种子并随数据发布（random_state=19）——划分自由度是复现性最隐蔽的漏洞，官方划分表让「论文数字 vs 我的数字」之间不存在借口。这两个开关没有技术含量，全看纪律。

迁移检查单（把这两个开关搬回你的项目）：

1. 半自动可以用，但要隔离：预填充结果仅作「候选」，标注员逐个确认/修改，且记录哪些是确认件、哪些是手绘件——将来可量化半自动偏差；
2. 完全拒绝也是合理选项（NuInsSeg 的选择），前提是标注预算撑得住；
3. 划分代码与数据同仓发布，种子写死在 README 与脚本里；
4. 划分维度想清楚：随机划分适合 iid 假设成立时；器官/患者级划分才能回答泛化问题——NuInsSeg 选了前者，你的任务未必；
5. 发布时把「划分方式」写进数据卡的第一屏，别让用户翻论文才找到。

§9 与库内条目的关系

9.1 主互链（同任务同模态）

库内条目	rid	与 NuInsSeg 的关系
MoNuSeg	30	同任务 H&E 核分割的经典基准（44 tiles/28,846 核/9 器官/TCGA）；NuInsSeg 论文 Table 1 的头号对比对象，跨库泛化验证的标配外部测试集
CoNSeP	228	同任务单器官（结直肠）深度标注代表（41/24,319），含核型分类；论文 Table 1 对比对象
PanNuke	218	大规模泛癌核实例（半自动标注）；与 NuInsSeg 形成「手工精标小集合 vs 半自动大集合」的方法学对照
Lizard	238	六数据集聚合的核实例集合（含 CoNSeP 等成分），实例质量分级标注；跨库评估常用
NuCLS	248	乳腺癌核标注的多观察者/多模型对照数据集；与 NuInsSeg 的「单终审」口径形成标注方法学互补

五条主链的阅读动线，按你从 NuInsSeg 出发后的去向：

去 MoNuSeg（rid 30）——当你需要「多中心 TCGA 域」的外部验证：NuInsSeg 单中心 TissueFAXS 扫描的模型，拿去 MoNuSeg 的 44 张 tile 上零样本跑一遍，AJI 掉多少就是单中心偏差的量化值。反向（MoNuSeg 训练→NuInsSeg 测试）顺带检验 1000×1000 大 tile 训练的模型对 512² 小图输入的尺度适应性。

去 CoNSeP（rid 228）——当你从「核在哪里」进阶到「核是什么类型」：CoNSeP 五类核型（炎症/结缔/上皮死核等）标注是 NuInsSeg 没有的维度。两个数据集的结直肠子集（NuInsSeg 12 张 patch 对 CoNSeP 41 张）可以拼一个「同器官、两套标注哲学」的对照。

去 PanNuke（rid 218）——当你的问题是「精标能换多少精度」：PanNuke 以半自动流水线换来数十万核的规模，NuInsSeg 以全手工换来边界质量与模糊区协议。同任务、两端的标注经济学，任何关于「标注预算怎么花」的论证都需要这一对参照。

去 Lizard（rid 238）——当你要做跨库聚合评估：Lizard 本身聚合了包括 CoNSeP 在内的六个来源并带实例质量分级，NuInsSeg 未被纳入其中——把 NuInsSeg 按其质量分级协议标注后接入，是一个现成的社区贡献点。

去 NuCLS（rid 248）——当你研究标注可靠性本身：NuCLS 提供多观察者+多模型的一致性数据，恰好补上 NuInsSeg 缺双标子集的短板；两篇合读，可以完整重构「核标注的不确定性从何而来、往哪去」。

9.2 备选互链（同模态或同任务邻接）

crag(208，甲状腺结节超声——任务相邻的分割数据)、glas(196，腺体分割——组织学分割上游任务)、bcss(258，乳腺癌 WSI 语义分割)、osteosarcoma(188，骨肿瘤 H&E 核检测——任务同型)、lc25000(178，肺结肠组织学分类)、digestpath(338，消化管道病理 patch 集)、paip(108，肝癌 WSI 分割挑战)、quilt-1m(51)/hest-1k(522，病理多模态/空间转录组——上游语境)。

9.3 家族导航说明

• 库内暂无 CryoNuSeg（前作）与 MoNuSAC/Kumar/CPM-15/CPM-17/TNBC/CRCHisto 的条目，本条目正文提及它们时不造内链（坑 9 的另一半）。
• 互链方向：本条目 ← monuseg/consep/pannuke/lizard/nucls 双向引用；发布后由主会话重建病理分割家族导航。

9.4 互链发布检查单（给发布侧）

1. 本条目 relatedLink 已内嵌 8 条（monuseg/consep/pannuke/lizard/nucls/crag/glas/bcss），发布时校验 slug 与 rid 映射未漂移；
2. monuseg(30)/consep(228)/pannuke(218)/lizard(238)/nucls(248) 五条目的出链建议补指本条目（双向）；
3. 家族导航重建时以「病理分割」为轴：语义分割组（glas/bcss/digestpath）、实例分割组（本条目/monuseg/consep/pannuke/lizard/nucls/osteosarcoma）、影像相邻组（crag）；
4. 若 CryoNuSeg 未来建条，触发附录 K 优先级 5。

§10 避坑清单：九个已踩过或已存照的坑

坑 1：「脑浸润胶质细胞核实例分割数据集（MRI）」是错误口径。实核：H&E 组织学核实例分割，31 类器官/组织、无 MRI、无胶质瘤专项；唯一事实内核是含小脑 12 张 + 大脑 12 张脑组织 H&E patch。根因是二手转述把「脑组织切片」放大成「脑数据集」再套上影像学想象。引用时以论文标题与 Kaggle 页为准。

坑 2：mouse 器官清单有两代口径，根因是 README 复制粘贴错误。GitHub README「Mouse organs:」标题下贴了 13 项（cerebellum/cerebrum/colon/…/melanoma/…）——但这其实是 human FFPE 13 类清单被误贴到 mouse 标题下（含 melanoma 等纯人类项目、缺 femur/fat/heart/spleen/thymus）；论文 Table 2 与 Kaggle v5 Data Explorer 才是 8 个 mouse 器官（femur/fat subscapularis/heart/kidney/liver/muscle tibialis/spleen/thymus）。31 = 23+8 只在 8 口径下成立——照 README 的错贴清单引用会得出错误组合。

坑 3：核数有三种写法。摘要「>30,000」（约数）、Table 2 汇总行 30,698（精确）、Table 1 印刷「30.698」（欧洲千分位）。三种写法同指一个数；正式引用用 30,698 并注 Table 2。

坑 4：「31」有两层含义，别只取一层。论文 Data Records 写「from 31 human and mouse organs」（31 类器官），README 写「selected 31 whole slide images」（31 张 WSI）——调和结论：31 类器官、每类 1 张 WSI，共 31 张；从每张 WSI 的 2048×2048 FOV 池中选出 665 个裁为 512×512（1 FOV ≈ 1 patch）。只说「31 类器官」或只说「31 张 WSI」都只对了一半，「每张 WSI 恰好 21 个 patch」之类的均摊推算更是无据。

坑 5：许可与入口都是双轨。数据（Kaggle）CC BY 4.0、代码（GitHub）MIT，两者独立不要合并表述；Kaggle 入口有 ipateam/nuinsseg（论文口径）与 masih4/nuinsseg（个人账号，实测 v5/1.8 GB）两个，license 以你实际下载页面标注为准。

坑 6：HuggingFace 上没有官方镜像。HF/HF-Mirror 搜索返回空，「所有数据集都在 HF」的管线假设在这里失效；获取主链路是 Kaggle 下载 + GitHub 代码。

坑 7：Dice 冠军与 AJI/PQ 冠军是两个模型。Residual attention U-Net Dice 最高（81.4）；Dual decoder U-Net AJI/PQ 最高（55.9/51.3）。转述基准时漏写指标名，「SOTA 是哪个模型」就会打架。

坑 8：通讯邮箱有两个口径。论文正文 amirreza.mahbod@dp-uni.ac.at（DPU Krems）；arXiv 元数据另有 @meduniwien.ac.at 口径。学术联络以论文正文（dp-uni）为准。

坑 9：模糊区口径跨数据集不可比 + 前作无库内条目。在 NuInsSeg 上排除 ambiguous 区评估、在 MoNuSeg 上强行归属评估，两套分数不可直接排序；另外库内暂无 CryoNuSeg 条目，正文提及前作时不要造内链。

§11 总结

NuInsSeg 用三个决定换取了它在核分割数据集谱系里的位置：覆盖上，它把器官数从个位数推到 31 类并首次引入小鼠，让「跨器官/跨物种泛化」从思想实验变成可直接跑的实验；标注上，它坚持全手工 freehand、拒绝半自动捷径，并把模糊区显式化为全量掩膜，让「标注的不确定性」第一次成为可消费的数据资产；工程上，它以固定种子的五折划分和六模型三指标基准交付了一个「零自由度」的对照系。它不完美——单中心来源、无多观察者一致性、基准未含 transformer 系、Kaggle 双入口带来的版本管理小噪音——但在「拿到即可复现」这个 AI-Ready 的硬标准上，它是同类数据集中执行得最彻底的之一。

给三类读者的收束语：使用者，下载 v5、用官方 fold、对准指标名；标注团队，抄它的三件套——同源多形态导出、模糊区协议、固定种子划分；方法研究者，mouse spleen 的 236.7 核/patch 与胫骨肌的 5.9 之间，是一片还没被 transformer 认真犁过的试验田。

FAQ（高频问答 28 问）

Q1：NuInsSeg 是脑数据集吗？
不是。它是多器官 H&E 组织学核实例分割数据集；脑组织仅占 24/665 张（小脑 12 + 大脑 12），且是组织学切片而非 MRI（坑 1）。

Q2：数据集多大、什么格式？
665 张 512×512 8-bit RGB PNG patch + raw ImageJ ROI zip + 十种衍生掩膜 + ambiguous masks；五折划分以代码形式随 GitHub/Kaggle 发布；Kaggle v5 打包 1.8 GB、48.4k files。

Q3：核实例到底多少个？
30,698（论文 Table 2 汇总行精确值；摘要写「>30,000」是约数，Table 1 印作欧洲千分位 30.698）。

Q4：覆盖哪些器官？
23 类人类组织（含 1 类黑色素瘤肿瘤组织）+ 8 类小鼠器官（C57BL/6J：股骨、肩胛下脂肪、心、肾、肝、胫骨前肌、脾、胸腺）。逐类 patch/核数见 §2.2。

Q5：是手工标注还是半自动？
全手工：ImageJ 1.53 ROI Manager freehand 逐核描边，3 名细胞生物学背景学生执行、资深细胞生物学家终审；论文明确为避免偏差拒绝半自动工具。

Q6：十种掩膜都要下载吗？
按需取。语义分割用 binary，实例分割用 labeled，边界处理用 border-removed/erode/weighted，回归辅助用 distance map，模糊区研究用 ambiguous mask；原始 ROI zip 适合自定义再加工。

Q7：ambiguous area mask 怎么用？
三种用法：损失排除区（最常用）、软标签/不确定性输入、评估分口径（严格含模糊区 vs 宽容排除）。详见 §3.3。

Q8：官方基准怎么说？
六模型 U-Net 家族五折 CV：Residual attention U-Net Dice 最高 81.4；Dual decoder U-Net AJI 55.9、PQ 51.3 最高。注意两个冠军不是同一个模型（坑 7）。

Q9：和 MoNuSeg 怎么选？
多器官/跨物种泛化、需要模糊区协议、要统一 512×512 规格——选 NuInsSeg；要 TCGA 多中心扫描域、经典外部测试集地位——MoNuSeg。两者互补不互斥。

Q10：license 是什么？能商用吗？
数据 CC BY 4.0（署名即可商用/修改/再分发）、代码 MIT。整条链路无 NC/ND 限制。

Q11：从哪里下载？
Kaggle：ipateam/nuinsseg（论文口径）或 masih4/nuinsseg（个人账号，实测 v5）；代码在 github.com/masih4/NuInsSeg。HuggingFace 无官方镜像（坑 6）。

Q12：训练前必须做什么预处理？
基本不需要：PNG 已统一 512×512、8-bit RGB。建议只做：按官方 fold 加载划分、按像素值读 labeled mask（显示发黑正常）、决定 ambiguous 区处理口径。

Q13：五折划分可以自己重新切吗？
技术上可以，但你的数字将不可与论文对照——官方用 KFold(random_state=19)，划分代码与 fold 表随数据发布，直接加载即可。

Q14：为什么有些 patch 核特别少？
器官本身决定：小鼠胫骨前肌 5.9 核/patch、人脐带 9.6；而小鼠脾 236.7、胸腺 223.7。按核密度分层采样与分指标报告，别用全集均值骗自己。

Q15：火棉胶包埋那批图有什么特别？
10 类人类组织是火棉胶包埋 15-20 μm 厚切片（其余 13 类 FFPE 4-5 μm），组织深度约 4 倍，核在 z 轴堆叠、截面上挤压重叠——ambiguous 区的高发区，也是检验实例分离能力的好样本。

Q16：有患者/人口学元数据吗？
没有。人类切片来自教学标本库存档（论文注明无需伦理审查），数据不含年龄、性别、临床诊断等元数据；小鼠部分已知 8 周龄雄性 C57BL/6J。

Q17：可以用来做核型分类吗？
不能直接做——标注只有实例轮廓没有类型标签（中性粒/淋巴/肿瘤核等）。要做分类需自行结合 CoNSeP（含核型）或 NuCLS（多观察者）。

Q18：代码栈太旧跑不起来怎么办？
官方栈 TensorFlow 2.6.2/Keras 2.6.0（2022 年生态）。新环境建议容器化复现；若迁移 Keras 3/PyTorch，指标可能与论文有微小漂移，对标论文时注明实现差异。

Q19：mouse 数据有什么独特价值？
唯一提供小鼠 H&E 核实例的公开数据集：同器官跨物种对照（肾/肝/脾两物种密度差异悬殊）与免疫器官高密度场景（脾/胸腺 220+ 核/patch）都只有这里能做。

Q20：数据会更新吗？
Kaggle 页标注更新频率 Annually，当前 v5（1.8 GB）。历史版本无公开快照，引用统计时锁定 v5 口径与抓取日期（2026-10-04）。

Q21：可以做核密度估计或计数任务吗？
可以，且有现成监督形态：distance map 天然适配密度回归，labeled mask 高斯化后可做 counting。注意按器官分层报告——全集均值 46.2 核/patch 没有意义（跨 5.9-236.7）。

Q22：tumor 样本（melanoma）要剔除吗？
看任务。做「正常组织核形态」研究时建议剔除（它是数据里唯一的恶性样本，12 张）；做泛癌/泛组织分割时保留并按类别监控——它不代表癌种覆盖，只是表 2 里的一类。

Q23：两张脑组织图能当「脑数据集」用吗？
不能。小脑+大脑各 12 张共 24 张（3.6%），样本量与标注目标（全部核，非神经元分型）都不支持脑专项研究；需要脑组织核分割请找专项数据集（坑 1 的延伸）。

Q24：ambiguous mask 的像素占比大概多少？
论文未给全集统计（个别示例图甚至没有模糊区，README Fig 说明有此情况）。建议你下载后自己统计一次占比分布，作为是否启用排除口径的依据——这也是 EDA kernel 的合理扩展。

Q25：和 HoVer-Net/Cellpose 这类主流框架怎么配合？
官方基准只有 U-Net 家族，但数据格式通用：HoVer-Net 可直接吃 label masks modify（评估口径一致），Cellpose 可从 binary+距离图合成其流场输入。用第三方框架时注意报告掩膜版本（modify vs 非 modify）。

Q26：mouse 数据能和人类数据混训吗？
技术上无障碍（同为 512² H&E PNG），方法学上建议：先混训再按物种分层报告；或做 §4.3 的跨物种零样本。注意 mouse 只有 193 张（29%），混训时自然欠采样，重要结论要补重采样实验。

Q27：染色归一化（Macenko 等）需要做吗？
单中心数据内部变异小，五折内可不做；但拿去跨库测试（MoNuSeg/CoNSeP）时强烈建议做——扫描链不同是最大的域差源之一，归一化能分离「染色差」与「组织差」两种混淆因素。

Q28：出现 OOM 或训练不稳定怎么办？
先检查 masked loss 的实现（模糊区排除常用 tf.boolean_mask，写错形状会静默广播）；再检查 labeled mask 的 ID 数量（labeled 掩膜像素值不是连续小整数，直接 n_classes=ID_max 会爆类别数——语义任务请用 binary 或去边版）。

快速参考卡（一屏速查）

# 取数
kaggle datasets download -d masih4/nuinsseg --unzip -p ./nuinsseg_data
git clone https://github.com/masih4/NuInsSeg.git

# 五折（官方口径）
# sklearn.model_selection.KFold(n_splits=5, shuffle=True, random_state=19)
# 每折 val=133 / train=532

我要…	用哪个掩膜	关键提醒
语义分割	mask binary（或去边版）	模糊区口径先定
实例分割训练	label masks（重叠区独立）	ID 非连续
实例评估	label masks modify	README 明示的评估输入
边界精化	weighted_maps（或 erode 版）	与训练掩膜配对
密度/计数回归	distance maps	按器官分层报告
不确定性研究	ambiguous masks	三种用法见 §3.3
引用规模	30,698（Table 2）	别用 >30,000/30.698
报 SOTA	注明指标名	Dice 冠军 ≠ AJI/PQ 冠军
引 license	数据 CC BY 4.0 / 代码 MIT	两轨分开写
找镜像	HF 无；Kaggle 双入口	ipateam（论文）/ masih4（实测）

事实清单（硬事实 30 条）

1. NuInsSeg 全称：A Fully Annotated Dataset for Nuclei Instance Segmentation in H&E Stained Histology Images。
2. 论文发表于 Scientific Data（2024-03-14 在线，vol 11，Article 295），DOI 10.1038/s41597-024-03117-2；预印本 arXiv:2308.01760（v1，2023-08-03，仅一版）。
3. 通讯作者 Amirreza Mahbod（论文正文邮箱 amirreza.mahbod@dp-uni.ac.at），团队来自 Danube University Krems、Medical University of Vienna 与 ACMT Wiener Neustadt，共 9 位作者。
4. 数据规模：665 张 512×512 8-bit RGB PNG patch，30,698 个手工核实例（Table 2 汇总行；摘要口径「>30,000」）。
5. 「31」的双重含义（已调和）：31 类器官/组织 = 31 张 WSI（23 类人类组织 + 8 类小鼠器官各 1 张）；论文 Data Records 写「from 31 organs」、README 写「selected 31 WSI」，两口径相容。
6. human 部分 472 patch / 23,247 核 / 均值 49.3；mouse 部分 193 / 7,451 / 38.6；合计 665 / 30,698 / 46.2。
7. 小鼠部分为 8 周龄雄性 C57BL/6J 的 8 器官：股骨、肩胛下脂肪、心、肾、肝、胫骨前肌、脾、胸腺（论文 Table 2 / Kaggle v5 口径；README 旧文本 13 器官口径已废弃）。
8. 人类 23 类组织含 1 类肿瘤组织（melanoma，12 patch）；含脑组织两类（小脑 12 patch/549 核、大脑 12/146）；无 MRI、无胶质瘤专项。
9. 标本来源：人类切片由 Adolf Ellinger 自 MedUni Vienna 解剖与细胞生物学中心（细胞生物学与超微结构研究系）教学标本库提供，长期教学用途、论文注明无需伦理审查。
10. 制备双轨：10 类人类组织火棉胶包埋 15-20 μm 厚切片；13 类 FFPE 4-5 μm；小鼠全部 FFPE 4 μm；染色剂 ROTH（Austria）、封片 Entellan（Merck）。
11. 扫描链：TissueFAXS（TissueGnostics, Austria；软件 v6.0）+ Zeiss Axio Imager Z1 + Plan-Neofluar 40×/0.75 NA（40× air）+ Baumer HXG40c 相机。
12. patch 提取方式：扫描以 2048×2048 FOV 存储，资深细胞生物学家选代表性 FOV，每 FOV 中心裁切一张 512×512 patch，无损 PNG。
13. 标注：ImageJ 1.53 ROI Manager freehand 逐核描边；3 名细胞生物学背景学生标注并检测模糊区，资深细胞生物学家（Isabella Ellinger）复核修正；明确拒绝半自动工具（如 AnnotatorJ）以防偏差。
14. 衍生掩膜（README 官方十个文件夹口径，MATLAB 2020a 从 ImageJ ROI 生成）：distance maps、label masks（重叠区独立编号）、label masks modify（重叠区归属单实例，评估用此版）、mask binary、mask binary without border（相邻核接触边界移除）、mask binary without border erode、overlay、stacked mask（3D mat）、weighted_maps 与 weighted_maps_erode；另有 ambiguous masks 与 raw ROI zip；生成代码公开于 GitHub。
15. ambiguous area mask 为首个全量提供模糊区掩膜的核分割数据集；MoNuSAC 仅在其测试集部分图像提供（partial）。
16. 划分：scikit-learn KFold(n_splits=5, random_state=19, shuffle=True)，每折 133 张；划分代码随 Kaggle 与 GitHub 发布。
17. 六模型基准（Table 3）：Shallow U-Net 1.9M（Dice 78.8/AJI 50.5/PQ 42.7）、Deep U-Net 7.7M（79.7/49.4/40.4）、Attention U-Net 2.3M（80.5/45.7/36.4）、Residual attention U-Net 2.4M（81.4/46.2/36.9）、Two-stage U-Net 3.9M（76.6/52.8/47.2）、Dual decoder U-Net 3.5M（79.4/55.9/51.3）。
18. 冠军分离：Dice 最佳为 Residual attention U-Net（81.4）；AJI/PQ 最佳为 Dual decoder U-Net（55.9/51.3）。
19. 官方软件栈：TensorFlow 2.6.2、Keras 2.6.0、scikit-learn 0.23.2、scikit-image 0.19.1、Albumentations 1.1.0、Pandas 1.3.5、Matplotlib 3.5.1。
20. 获取：Kaggle 双入口——ipateam/nuinsseg（论文口径，kernels 挂 datasetId=1911713）与 masih4/nuinsseg（个人账号，实测 v5、1.8 GB、48.4k files、Annually、Usability 8.75、CC BY 4.0）；HuggingFace 无官方镜像。
21. 代码：github.com/masih4/NuInsSeg，MIT 许可，created 2022-01-05、last pushed 2024-07-15（抓取时点 40 stars/3 forks）。
22. 资助：FFG grant 872636；NVIDIA GPU 捐赠；TissueGnostics 扫描设备支持。
23. 前作：CryoNuSeg（Comput Biol Med 2021;132:104349），冰冻切片 30 tiles/7,596 核/10 器官；NuInsSeg 标注流程沿用其 procedure。
24. Table 1 极值：NuInsSeg tiles 数 665 全场第一、器官数 31 全场第一、核数 30,698 仅次于 MoNuSAC 31,411；是唯一 vague mask 全量 ✓ 的数据集。
25. 核密度极值：小鼠脾 236.7 核/patch、胸腺 223.7 最高；小鼠胫骨前肌 5.9、人脐带 9.6 最低。
26. README 标注 SOP：ROI Manager 开 show all+labels → freehand selection → 逐核描边按 T 收录 → More→Save 导出 zip（每 .roi 文件一核）；模糊区同流程另描。
27. README 官方掩膜文件夹十个 + ambiguous masks + raw ROI zip；label masks 重叠区独立编号、label masks modify 重叠区裁决归属（评估用 modify 版，README 明示）。
28. FFG grant 872636 属项目 Deep Learning-based knowledge transfer methods for nuclei segmentation in microscopic images（DeepNucleiDetection），项目页 projekte.ffg.at/projekt/3258628。
29. README 的「Mouse organs」标题下 13 项清单系 human FFPE 13 类清单误贴（含 melanoma 等纯人类项目）；权威 mouse 口径为论文 Table 2 的 8 器官。
30. Scientific Data 引用卷期：volume 11, number 1, article/page 295（README BibTeX 口径），出版月日 2024-03-14。

术语表（22 条）

术语	释义
核实例分割（nuclei instance segmentation）	同时判定每个像素是否属于核（分割）并区分每个核的个体身份（实例）的任务
H&E 染色	苏木精-伊红染色：核蓝紫、胞质粉红，常规病理的标准染色
WSI（whole slide image）	全切片数字化图像；本数据集不直接用 WSI 而用其 FOV
FOV（field of view）	扫描系统的单视野图像；TissueFAXS 按 2048×2048 FOV 存储
ROI（region of interest）	标注区域对象；ImageJ ROI Manager 中每个核存为一个多边形 ROI
freehand	ImageJ 的自由画笔描边模式，逐核手绘精确轮廓
binary mask	二值掩膜：核=1、背景=0，语义分割监督形态
labeled mask	编号掩膜：每个核一个整数 ID，实例分割监督形态
distance map	距离变换图：每像素取值为其到最近核边界的距离
weighted mask	加权掩膜：紧邻核的边界像素权重更高，用于加权损失
ambiguous area mask	模糊区掩膜：标注员无法可靠归属的像素区域，NuInsSeg 全量首创
Dice	语义分割相似度度量，2
AJI（aggregated Jaccard index）	实例级聚集 Jaccard：预测实例与真值实例逐对匹配后按面积聚合，核分割常用
PQ（panoptic quality）	全景质量：分割质量×识别质量的综合实例指标
KFold 交叉验证	五折交叉验证：665 张分 5 组轮换训练/验证，每折 133 张
FFPE	福尔马林固定石蜡包埋，常规病理制片工艺，切 4-5 μm
celloidin（火棉胶）	包埋介质，适合硬组织/大块组织，本数据集切 15-20 μm 厚片
TissueFAXS	TissueGnostics 的活片扫描与定量分析平台
C57BL/6J	小鼠近交系标准品系；本数据集为 8 周龄雄性
CryoNuSeg	前作数据集：冰冻切片 H&E 核实例分割（2021）
MoNuSeg / MoNuSAC	同领域经典数据集：TCGA 多器官核分割（2019）与其多器官多机构扩展挑战（2020）
AI-Ready	数据可被 AI 管线直接消费的工程标准：可发现、可获取、可互操作、许可清晰、可复现

附录

附录 A：条目信息速查卡

项	值
条目名	NuInsSeg
url_name	nuinsseg
类型	数据集+基准+代码三件套（Kaggle 数据 / 六模型基准 / GitHub 工具链）
论文	Scientific Data 2024;11:295（doi:10.1038/s41597-024-03117-2）
团队	DPU Krems + MedUni Vienna + ACMT（通讯 Amirreza Mahbod）
规模	665×512² patch / 30,698 核 / 31 类器官组织（23 human + 8 mouse）
许可	数据 CC BY 4.0｜代码 MIT｜论文开放获取
抓取时点	2026-10-04
库内互链	monuseg(30)/consep(228)/pannuke(218)/lizard(238)/nucls(248) 为主

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	8	Scientific Data 正式发表+arXiv 双索引、Kaggle 页元数据完整；但双入口（ipateam/masih4）与二手「脑 MRI」误传轻微分散检索信号
A 可获取性	9	Kaggle 公开直链（CC BY 4.0）+ GitHub 代码（MIT）；1.8 GB 轻量、无需注册审核；仅 HF 无镜像减一分
I 可互操作	9	十种掩膜形态覆盖语义/实例/回归/加权全任务谱；统一 512×512 PNG；MATLAB 掩膜生成脚本开放可再加工；唯一小碍是 stacked 3D mat 为 MATLAB 专有格式
M 元数据质量	9	论文 Table 1/2/3 全硬数字、逐器官统计、设备链版本号齐全；三种核数写法（>30,000/30,698/30.698）与 mouse 器官两代口径在文档层有漂移但不影响数据本体
S 可持续性	7	Kaggle+GitHub 双平台稳定、代码维护至 2024-07；机构与一作双入口的长期归责略有含糊；Annually 更新频率下历史版本无快照
综合评级	8.4/10（优）	公开直链+许可宽松+划分可复现+掩膜形态产品化，AI-Ready 四要素执行彻底；失分集中在文档口径漂移与平台归责含糊

附录 C：逐项证据链自证

关键数字/事实	来源	位置
665 patches/30,698 核/31 器官	论文 Data Records+Table 2	ar5iv 全文（arXiv:2308.01760 排版版）
逐器官 patch/核数（23+8 行）	论文 Table 2	同上
human 472/23,247/49.3、mouse 193/7,451/38.6	论文 Table 2 汇总行	同上
六模型 Dice/AJI/PQ 全表	论文 Table 3	同上
五折 KFold random_state=19、每折 133 张	论文 Technical Validation	同上
TissueFAXS/Axio Imager Z1/40×0.75/HXG40c/v6.0	论文 Methods（Sample acquisition）	同上
2048² FOV 中心裁切 512²	论文 Methods（Field of view and patch selection）	同上
ImageJ 1.53 freehand/3 学生/资深复核/拒绝半自动	论文 Methods（Generation of ground truth…）	同上
火棉胶 15-20μm 10 类/FFPE 4-5μm 13 类	论文 Methods（Sample preparation）	同上
教学标本/无需伦理审查	论文 Methods（Sample preparation）	同上
Kaggle ipateam/nuinsseg 与 kernels datasetId=1911713	论文 Data Records+Technical Validation	同上
masih4/nuinsseg v5/1.8GB/48.4k files/CC BY 4.0/Usability 8.75	Kaggle 数据页实测	kaggle.com 抓取 2026-10-04
GitHub MIT/created 2022-01-05/pushed 2024-07-15/40 stars	GitHub API 实测	api.github.com 抓取 2026-10-04
FFG 872636/NVIDIA/Adolf Ellinger/Peter Pietschmann	论文致谢	ar5iv 全文
TF 2.6.2/Keras 2.6.0 等软件栈	论文 Usage Notes	ar5iv 全文

附录 D：数据获取决策树

需求是什么？
├── 快速上手跑通第一个模型
│   └── Kaggle masih4/nuinsseg（或 ipateam/nuinsseg）→ 官方 EDA kernel → CV kernel
├── 本地深度定制训练
│   ├── 1) Kaggle 下载数据（CC BY 4.0）
│   ├── 2) GitHub clone 代码（MIT，含掩膜生成脚本+U-Net 训练）
│   └── 3) 加载官方 fold 划分（random_state=19），不要重切
├── 只需要某种掩膜形态
│   ├── 语义分割 → binary mask
│   ├── 实例分割/检测 → labeled mask（注意按像素值读取）
│   ├── 边界/加权策略 → erode/weighted/border-removed
│   └── 不确定性研究 → ambiguous area mask + 论文 §3.3 口径
├── 做跨数据集对比
│   └── MoNuSeg(库内 rid 30)/CoNSeP(228)/PanNuke(218)/Lizard(238)/NuCLS(248)
│       注意统一模糊区口径（附录 H）
└── 想在 HuggingFace 上 load_dataset？
    └── 没有官方镜像——走 Kaggle（坑 6）

附录 E：五折划分加载要点（代码骨架）

from sklearn.model_selection import KFold
import numpy as np

# 官方口径复现：random_state=19, shuffle=True
patch_ids = np.arange(665)
kf = KFold(n_splits=5, shuffle=True, random_state=19)
folds = list(kf.split(patch_ids))          # 每折 train 532 / val 133

for i, (tr, va) in enumerate(folds):
    assert len(va) == 133                  # 官方每折 133 张
    # 用 fold i 的 va 做验证集，其余为训练集

要点：① 顺序敏感——先 shuffle 后切分由 KFold 内部完成，自己写随机置换可能顺序不同；② 跨框架迁移（PyTorch 等）时以上述索引为准重写 DataLoader，不要调用各框架自带 split；③ 论文数字是五折聚合，单折数字会偏离论文口径。

附录 F：ambiguous mask 三种用法（代码骨架）

import numpy as np
from PIL import Image

img = np.array(Image.open("patch.png"))            # 512×512×3
amb = np.array(Image.open("ambiguous.png")) > 0    # 512×512 bool

# 用法 1：损失排除区（以 Dice loss 为例）
def dice_loss(pred, target, exclude=amb):
    w = (~exclude).astype(np.float32)              # 模糊区权重 0
    inter = (pred * target * w).sum()
    denom = (pred * w).sum() + (target * w).sum()
    return 1 - 2 * inter / (denom + 1e-7)

# 用法 2：不确定性加权（模糊区降权而非全排除）
def soft_weight(alpha=0.3):
    w = np.ones_like(amb, dtype=np.float32)
    w[amb] = alpha                                 # 模糊区权重 alpha∈(0,1)
    return w

# 用法 3：评估分口径（严格 vs 宽容）
def dice_with_without_amb(pred, gt, amb):
    d_all  = dice(pred, gt)                        # 含模糊区（严格口径）
    d_free = dice(pred[~amb], gt[~amb])            # 排除模糊区（宽容口径）
    return d_all, d_free

报告建议：跨数据集对比时统一选一种口径并在表注声明；论文基准未细分口径，你的「宽容口径」数字略高于论文属预期。

附录 G：Table 1 里四个小众数据集速记

CPM-15（15 tiles/2,905 核/2 器官/TCGA）与 CPM-17（32/7,570/4 器官/TCGA）是两届核分割挑战的小规模训练集；Janowczyk（143/12,000/1 器官/2000×2000）是单器官大 tile 集；Crowdsource（64/2,532/1 器官/TCGA）为众包标注集。四者均无 vague mask，规模与覆盖都不构成 NuInsSeg 的替代品，列出仅供穷尽检索时对号。

附录 G2：31 类组织/器官速查卡（中英文+密度档）

#	组织/器官	物种	patch	核数	均值/patch	密度档
1	小脑 Cerebellum	human	12	549	45.8	中
2	大脑 Cerebrum	human	12	146	12.2	低
3	结肠 Colon	human	12	349	29.1	低
4	会厌 Epiglottis	human	11	228	20.7	低
5	空肠 Jejunum	human	10	874	87.4	高
6	肾 Kidney	human	11	1,222	111.1	高
7	肝 Liver	human	40	1,370	34.3	中
8	肺 Lung	human	11	318	28.9	低
9	黑色素瘤 Melanoma	human	12	533	44.4	中
10	肌肉 Muscle	human	9	127	14.1	低
11	食管 Oesophagus	human	47	2,046	43.5	中
12	腭扁桃体 Palatine tonsil	human	12	1,045	87.1	高
13	胰腺 Pancreas	human	44	2,178	49.5	中
14	腹膜 Peritoneum	human	12	468	39.0	中
15	胎盘 Placenta	human	40	1,966	49.2	中
16	唾液腺 Salivary gland	human	44	3,129	71.1	高
17	脾 Spleen	human	34	3,286	96.7	高
18	胃贲门 Stomach (cardia)	human	12	671	55.9	中
19	胃幽门 Stomach (pylorus)	human	12	441	36.8	中
20	睾丸 Testis	human	12	380	31.7	中
21	舌 Tongue	human	40	1,415	35.4	中
22	脐带 Umbilical cord	human	11	106	9.6	低
23	膀胱 Urinary bladder	human	12	400	33.3	中
24	股骨 Bone (femur)	mouse	6	757	126.2	高
25	肩胛下脂肪 Fat (subscapularis)	mouse	42	549	13.1	低
26	心 Heart	mouse	28	738	26.4	低
27	肾 Kidney	mouse	40	1,597	39.9	中
28	肝 Liver	mouse	36	646	17.9	低
29	胫骨前肌 Muscle (tibialis anterior)	mouse	28	165	5.9	低
30	脾 Spleen	mouse	7	1,657	236.7	超高
31	胸腺 Thymus	mouse	6	1,342	223.7	超高

（密度档口径见 §2.2 分组表：超高 >200、高 80-130、中 30-80、低 <30 核/patch。）

附录 G3：掩膜像素值语义字典（数据字典）

文件夹	像素值语义	dtype 注意
mask binary	0=背景、1=核前景	直接可读
mask binary without border	同上，但相邻核接触边界像素被移除（置 0）	边界带是「无监督区」
mask binary without border erode	同上并整体腐蚀一轮	实例间隙更大
label masks	每实例唯一整数 ID；重叠区分配新数值（独立于两个母实例）	ID 非连续，勿当类别数
label masks modify	每实例唯一整数 ID；重叠区裁决给其中一个实例	评估标准输入
distance maps	每像素=到最近核的（变换）距离值	浮点/整型视版本
weighted_maps（含 erode 版）	背景/核体低权重、接触边界高权重	与去边 binary 配对使用
overlay	原图+轮廓叠加的可视化图	不作训练输入
stacked mask (.mat)	三维数组，每层一个实例的二值切片	scipy.io.loadmat
ambiguous masks	模糊区像素=1（其余 0）	布尔语义

附录 G4：检索路径示范（关键词组合与预期命中）

目标	推荐查询式	预期命中
本体论文	“NuInsSeg” AND (“nuclei instance segmentation” OR “H&E”)	Scientific Data 11:295 / arXiv:2308.01760
数据本体	kaggle “nuinsseg”（或 site:kaggle.com nuinsseg）	ipateam/nuinsseg 与 masih4/nuinsseg
掩膜生成代码	github “NuInsSeg” / masih4/NuInsSeg	README+MATLAB 脚本
资助项目	“872636” 或 “DeepNucleiDetection”	FFG 项目页+项目站
前作	“CryoNuSeg”	CBM 2021;132:104349
模糊区方法学	“ambiguous area” OR “vague mask” AND “nuclei segmentation”	本数据集+MoNuSAC
反例（勿采信）	“NuInsSeg” AND (“MRI” OR “brain tumor” OR “glioma”)	二手误传（坑 1），回论文核对

检索卫生两条：一、凡命中「NuInsSeg+MRI/脑肿瘤」的二手页面，回论文标题与 Kaggle 页核对后再引用；二、Kaggle 页面数字（版本/文件数）随更新滚动，引用时存照抓取日期。

附录 G5：常见失败模式排查表

症状	高概率根因	处置
labeled mask 读出来近乎全黑	编号掩膜正常现象（ID 值小且稀疏）	按像素值读取+ID→颜色映射显示
训练 loss 为 NaN	直接把 label ID 当类别做 softmax（类别数=最大 ID）	语义任务换 binary/去边版；实例任务换检测/聚类头
评估 AJI 远低于论文	用了 label masks（重叠区独立编号）而非 modify 版	换 label masks modify 作评估输入
mouse spleen/thymus 折 AJI 崩	高密度粘连场景，后处理分水岭失效	上 weighted/erode 掩膜训练+更细的分水岭参数
跨库测试（MoNuSeg）暴跌	扫描域差+尺寸差（512² vs 1000²）	Macenko 归一化+滑窗切片对齐输入尺度
复现 Dice 与论文差 >2pp	自行重切了折/口径未对齐/框架迁移	用官方 random_state=19；核对模糊区口径；容器化官方栈

附录 G6：库内核分割条目量化对照总表

（NuInsSeg 行为论文口径；其余条目数字以其各自条目/原论文口径为准，此处取常用引用值，跨库对比时以库内条目原文复核。）

条目（rid）	tiles	核数（常用口径）	器官/来源	标注方式	独有维度
NuInsSeg（本条目）	665	30,698	31 类，MUV	全手工 freehand+终审	全量 ambiguous mask；mouse
MoNuSeg（30）	44	28,846	9 器官，TCGA	手工+挑战赛校验	社区基线最厚
CoNSeP（228）	41	24,319	结直肠 1 种，UHCW	手工	五类核型分类
PanNuke（218）	数千级	数十万级	泛癌多类	半自动流水线	规模×泛癌覆盖
Lizard（238）	聚合六库	聚合	多来源聚合	聚合+质量分级	实例质量标签
NuCLS（248）	数百级	20 万+级	乳腺癌，TCGA	多观察者+多模型	观察者间一致性

三句话使用指南：要「手工精度参照系」配 MoNuSeg/CoNSeP；要「规模与覆盖」配 PanNuke/Lizard；要「标注可靠性方法论」配 NuCLS——NuInsSeg 在这三个方向各贡献一块拼图（模糊区协议/物种扩展/单中心高精度）。

附录 G7：五折的分层改造（进阶代码）

官方划分是全集合随机。若你的研究问题涉及泛化，建议在官方划分之外增补分层版本（报告时注明与论文口径不可直接对比）：

import pandas as pd
from sklearn.model_selection import GroupKFold, StratifiedKFold

# 假设 meta 表：patch_id, organ, species, density_bin(按附录 G2 分四档)
meta = pd.read_csv("meta.csv")

# 方案 A：按器官系统分组（leave-system-out，按 §2.2 六系统组）
gkf = GroupKFold(n_splits=6)
for tr, va in gkf.split(meta, groups=meta["system_group"]):
    pass  # 组间泛化：训练见不到 va 系统组的任何 patch

# 方案 B：按密度档分层（保持每折密度分布一致）
skf = StratifiedKFold(n_splits=5, shuffle=True, random_state=19)
for tr, va in skf.split(meta, meta["density_bin"]):
    pass  # 每折超高/高/中/低占比与全集一致

要点：GroupKFold 无 shuffle 参数（组全换）；分层划分的指标不能与论文 Table 3 直接排序——划分人群不同。

附录 G8：ambiguous mask 占比自助统计（EDA 扩展脚本）

论文未给全集模糊区占比统计（Q24 遗留），一行脚本自助补齐：

from pathlib import Path
import numpy as np
import pandas as pd
from PIL import Image

ratios = {}
for p in Path("nuinsseg_data/ambiguous_masks").glob("*.png"):
    amb = np.array(Image.open(p).convert("L")) > 127
    ratios[p.stem] = float(amb.mean())

s = pd.Series(ratios).sort_values(ascending=False)
print(s.describe())          # 全集占比分布
print(s.head(10))            # 模糊区最重的 10 张
print((s == 0).sum())        # 无模糊区的图（README 图注显示存在此类）

拿到分布后再决定 §3.3 的消费方式：占比普遍很低（<5%）时排除口径的 Dice 增益有限；个别图 >20% 时逐图检查是否标注质量信号。

附录 G9：核分割数据集学习路径（新人一页纸）

第一步（建立直觉）：NuInsSeg Kaggle EDA kernel
  → 看 10 个掩膜文件夹长什么样、密度档差距（5.9 vs 236.7）
第二步（跑通基线）：官方 shallow U-Net kernel（官方五折，TF 栈）
  → 复现 Dice 78.8 量级，确认管线无泄漏
第三步（理解指标）：按附录 G2 速查卡复算 AJI/PQ
  → 体会「Dice 冠军 ≠ 实例冠军」（§5.2）
第四步（接触不确定性）：ambiguous mask 三种用法（§3.3/附录 F）
  → 做 2×2 口径实验（§4.3 组合拳 2）
第五步（走出单中心）：MoNuSeg（库内 rid 30）零样本 + Macenko 归一化
  → 量化域差（附录 G5 排查表最后一行）
第六步（方法进阶）：HoVer-Net/Cellpose 接入（Q25）
  → label masks modify 为评估标准输入

每一步的产出都可写进实验记录；走完六步，你就同时拥有了「这个数据集的完整心智模型」与「一条可复现的实验基线」。

附录 H：跨数据集口径对照建议

口径项	NuInsSeg	MoNuSeg/MoNuSAC/CoNSeP	统一建议
tile 尺寸	统一 512×512	1000×1000 / 散布尺寸	统一裁到 512×512 或整图推理分别报告
模糊区	全量 ambiguous mask 可排除	无（强行归属）	对比实验统一「强行归属」口径，NuInsSeg 不用模糊区
评估指标	Dice/AJI/PQ	AJI/Dice 为主	至少同时报 AJI；PQ 需同一实例匹配实现
划分	官方五折 random_state=19	各自官方切分	不重切；报告划分来源
染色/扫描	单中心 TissueFAXS	TCGA 多中心/UHCW	跨库结论注明域差异

附录 I：坑点档案（与 §10 对照）

坑	一句话档案	触发场景
坑 1	「脑 MRI」口径错误，实为 H&E 组织学（仅含 24 张脑组织 patch）	任务 brief/二手转述
坑 2	mouse 器官 13（旧）vs 8（论文/v5）	引用 README/About 旧文本
坑 3	核数三种写法：>30,000 / 30,698 / 30.698	摘要 vs 表格 vs 欧式千分位
坑 4	31 是器官类型数不是 WSI 数；1 FOV ≈ 1 patch	推算每 WSI patch 数
坑 5	license 双轨（CC BY 4.0/MIT）+ Kaggle 双入口	商用/再分发/引许可
坑 6	HF 无官方镜像	管线假设 HF load_dataset
坑 7	Dice 冠军（Residual attention）≠ AJI/PQ 冠军（Dual decoder）	转述 SOTA
坑 8	通讯邮箱 dp-uni（论文正文）vs meduniwien（arXiv 元数据）	学术联络
坑 9	模糊区口径跨数据集不可比；CryoNuSeg 无库内条目勿造链	跨库对比/内链

附录 J：双口径登记表

#	项	口径 A	口径 B	处理
1	核数	30,698（Table 2 精确）	>30,000（摘要）/30.698（Table 1 欧式）	主用 30,698，注出处
2	mouse 器官数	8（论文 Table 2/v5 Data Explorer）	13（GitHub README/Kaggle About 旧文本）	按 8 成稿，13 存照
3	Kaggle 入口	ipateam/nuinsseg（论文 Data Records）	masih4/nuinsseg（个人账号，实测 v5/CC BY 4.0）	两入口并列，license 以实际页面为准
4	通讯邮箱	amirreza.mahbod@dp-uni.ac.at（论文正文）	@meduniwien.ac.at（arXiv 元数据）	按论文正文
5	「31」含义	器官/组织类型数（论文原文）	「31 张 WSI」（二手误读）	按论文原文

附录 K：维护计划与触发点

触发点	条件	动作	优先级
Kaggle 数据更新	v6+ 发布（Annually 节奏）	核对规模/器官清单是否漂移，更新 §2 与坑 2/3	1
官方账号合并	ipateam/masih4 双入口归一	简化 §6.1 与附录 J	2
HF 镜像出现	官方或社区上传 HF	更新 §6.3、坑 6、附录 D	3
新基准发布	transformer 系/基础模型在 NuInsSeg 上发榜	§5 扩表	4
前作入库	CryoNuSeg 建条	启用 §9.3 内链、更新坑 9	5

附录 L：引文规范

@article{mahbod2024nuinsseg,
  title   = {NuInsSeg: A fully annotated dataset for nuclei instance
             segmentation in H\&E stained histology images},
  author  = {Mahbod, Amirreza and Polak, Christine and Feldmann, Katharina
             and Khan, Rumsha and Gelles, Katharina and Dorffner, Georg
             and Woitek, Ramona and Hatamikia, Sepideh
             and Ellinger, Isabella},
  journal = {Scientific Data},
  volume  = {11},
  number  = {1},
  pages   = {295},
  year    = {2024},
  doi     = {10.1038/s41597-024-03117-2}
}

@article{mahbod2023nuinsseg,
  title   = {NuInsSeg: A fully annotated dataset for nuclei instance
             segmentation in H\&E stained histology images},
  author  = {Mahbod, Amirreza and Polak, Christine and Feldmann, Katharina
             and Khan, Rumsha and Gelles, Katharina and Dorffner, Georg
             and Woitek, Ramona and Hatamikia, Sepideh
             and Ellinger, Isabella},
  journal = {arXiv preprint arXiv:2308.01760},
  year    = {2023}
}

@article{mahbod2021cryonuseg,
  title   = {CryoNuSeg: A dataset for nuclei instance segmentation
             of cryosectioned H\&E-stained histological images},
  author  = {Mahbod, Amirreza and Schaefer, Gerald and Bancher, Benjamin
             and L{\"o}w, Christoph and Dorffner, Georg and Ecker, Rupert
             and Ellinger, Isabella},
  journal = {Computers in Biology and Medicine},
  volume  = {132},
  pages   = {104349},
  year    = {2021},
  doi     = {10.1016/j.compbiomed.2021.104349}
}

引用优先级：数据与基准数字引 Scientific Data 正式版（mahbod2024nuinsseg）；提及预印本时间线引 arXiv 版；讨论冰冻切片对照引 CryoNuSeg。使用数据本体时按 CC BY 4.0 署名义务同时引论文 DOI。

附录 M：本条目生产档案

• 生产通道：RSI 闭环派发（任务头 2026-10-04T07:22:26），代理 agent-b-nuinsseg
• 存在性核验：WebSearch 多轮 + Kaggle 页 + GitHub API/README + arXiv API + ar5iv 论文全文，硬数字三源以上互证；任务 brief「脑 MRI」口径经四源裁决为错误（教训 12 体系又一实证），已按实核口径成稿并存照
• 事实研究：PMC 与 nature 被反爬拦截（reCAPTCHA/Client Challenge），论文全文以 ar5iv.labs.arxiv.org 替代取得（Tables 1/2/3 与 Methods 全量）；raw.githubusercontent.com 失效改走 api.github.com base64 解码；hf-mirror 确认无镜像
• FACTS.md：writing/nuinsseg/FACTS.md，纪律包九节+置顶裁决节
• 成稿方式：五 part 直写私有区（.parts_agent-b-nuinsseg_1791069903_1660757）后 cat 拼接
• 坑点：§10 九则（坑 1-9「坑 N：」编号制）
• 互链计划：正文内链 monuseg/consep/pannuke/lizard/nucls 五主链 + relatedLink 8 条（含 crag/glas/bcss）
• slug 查重：0 行命中；写锁 .lock = agent-b-nuinsseg 1791069903

附录 N：FAIR/AI-Ready 检查单

检查项	状态	说明
F1 全局唯一标识	✅	DOI（论文）+ Kaggle datasetId 1911713 + GitHub repo
F2 富元数据	✅	论文 Table 1/2/3 + 逐器官统计 + 设备链版本
A1 可访问协议	✅	Kaggle/GitHub HTTP 公开直链，无需注册审核
A2 元数据可访问	✅	即便不取数，论文与 Kaggle 页元数据全开放
I1 互操作格式	✅	PNG/CSV/ROI zip 十种形态；MATLAB mat 一项小碍
I2 词汇表引用	✅	AJI/PQ/Dice 等标准指标与标准器官命名
R1 来源溯源	✅	标本来源/设备链/人员分工全部署名到人
R2 分析可复现	✅	五折固定种子+划分代码+训练代码+3 kernels
R3 结果多元数据	✅	六模型三指标完整成绩单随论文发布
AI-Ready 综合	优	直链、宽松许可、零划分自由度、任务谱全覆盖

附录 O：缩写速查

缩写	全称
NuInsSeg	Nuclei Instance Segmentation
WSI	Whole Slide Image
FOV	Field of View
ROI	Region of Interest
AJI	Aggregated Jaccard Index
PQ	Panoptic Quality
FFPE	Formalin-Fixed Paraffin-Embedded
MUV	Medical University of Vienna
UHCW	University Hospitals Coventry and Warwickshire
TCGA	The Cancer Genome Atlas
DPU	Danube University Krems
ACMT	下方备注
FFG	Österreichische Forschungsförderungsgesellschaft（奥地利研究促进署）
NuCLS	NuCLEi CLassification and Segmentation（乳腺癌核标注多观察者数据集）
DeepNucleiDetection	FFG 872636 项目：核分割知识迁移方法（NuInsSeg 的母项目）
EDA	Exploratory Data Analysis（探索性数据分析，官方 Kaggle kernel 之一）
DAIMS	Discoverability/Accessibility/Interoperability/Metadata/Sustainability

（ACMT：论文署名机构，位于 Wiener Neustadt 的应用科技大学应用数学与生命科学方向；全称以论文机构列表为准，条目不作展开。）

附录 P：基于本数据集的研究检查清单（12 项）

1. 口径核对：引用规模用 30,698（Table 2），别用摘要约数或欧式千分位写法（坑 3）。
2. 器官清单：mouse 8 器官口径（坑 2）；「31」是类型数不是 WSI 数（坑 4）。
3. 官方划分：加载 random_state=19 的五折，重切分即失去与论文的可比性。
4. 掩膜选择：语义/实例/回归/加权任务分别取 binary/labeled/distance/weighted；labeled 按像素值读取。
5. 模糊区口径：训练与评估统一声明（排除/降权/强行归属三选一）；跨数据集对比用强行归属口径对齐无掩膜的 MoNuSeg 等（附录 H）。
6. 密度分层：按器官分层采样训练、分层报告指标——全集均值 46.2 核/patch 掩盖 5.9-236.7 的跨度。
7. 基准对标：注明指标名——Dice 冠军与 AJI/PQ 冠军是两个模型（坑 7）。
8. 栈迁移声明：离开 TF 2.6.2 官方栈需注明实现差异；对标论文数字优先容器化复现。
9. 物种边界：mouse 仅 193 patch/8 器官/单一品系性别周龄，跨物种结论谨慎外推。
10. license 合规：数据 CC BY 4.0（署名引 DOI）、代码 MIT；商用无障碍，再分发注明版本（v5）与抓取日期。
11. 获取路径：Kaggle 双入口任一（ipateam/masih4），HF 无镜像（坑 5/6）。
12. 伦理声明：人类组织为教学存档、无元数据；论文注明无需伦理审查，但使用声明中仍应包含「不试图识别供体」条款。

附录 Q：版本史与本条目修订记录

版本/时点	事件	影响范围
2023-08-03	arXiv:2308.01760 v1 发布（仅一版）	预印本时间线
2024-03-14	Scientific Data 11(1):295 正式发表	全部口径锚点
Kaggle v1-v4	迭代历史（无公开快照，README mouse 清单错贴疑似早期残留）	坑 2
Kaggle v5	当前版本（1.8 GB/48.4k files/CC BY 4.0；2026-10-04 实测）	全部统计口径
2026-10-04	本条目研究+成稿（agent-b-nuinsseg）	本条目
（待触发）	附录 K 维护计划五个触发点	对应章节

附录 R：致谢与利益声明

• 本条目为千方病案医数集 RSI 闭环产出，事实依据与来源已在附录 C 逐项留痕；抓取时点 2026-10-04。
• 条目作者与 NuInsSeg 团队、TissueGnostics、FFG、NVIDIA 无任何利益关联；条目不含任何形式的推广内容。
• 数据使用合规提醒随条目发布：CC BY 4.0 署名义务通过引用论文 DOI 履行；本条目的二次转述（表格/分析）不改变上游许可。
• 感谢上游团队以开放许可发布数据与代码——这是本条目得以成立的前提。

---

尾注

本条目由千方病案医数集 RSI 闭环写手代理 agent-b-nuinsseg 于 2026-10-04 撰写。事实档案见 writing/nuinsseg/FACTS.md；论文全文取证采用 arXiv:2308.01760 的 ar5iv 排版版（PMC 与 nature.com 因反爬不可达，已存照）；Kaggle 与 GitHub 页面数据为 2026-10-04 抓取时点。任务 brief 中的「脑浸润胶质细胞核实例分割数据集（MRI）」口径经多源互证裁决为错误，全篇按实核的 H&E 组织学口径成稿，存照见 FACTS.md §9.1 与本条目坑 1。库内互链建议：monuseg(30)/consep(228)/pannuke(218)/lizard(238)/nucls(248) 五主链，crag(208)/glas(196)/bcss(258) 等备选；CryoNuSeg、MoNuSAC 暂无库内条目，发布后由主会话重建病理分割家族导航。

---

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：

• panda-plus — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 评测基准 / 肿瘤学
• wsss4luad — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 评测基准 / 肿瘤学
• monusac — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 评测基准 / 肿瘤学
• cric — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 评测基准 / 肿瘤学
• segpc-2021 — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 评测基准 / 肿瘤学
• luad-histoseg — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 评测基准 / 肿瘤学
• precise-prostate-ihc — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 评测基准 / 肿瘤学
• sinus-her2-nuclei — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 评测基准 / 肿瘤学
• prostate-cnb-wsi — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 评测基准 / 肿瘤学
• pannuke — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 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。