Raabin-WBC — 伊朗外周血白细胞分类与分割数据集

INFOBOX — Raabin-WBC 数据集一屏速览

维度	内容
本质	外周血白细胞多任务显微图像数据集（分类 / 检测 / 分割 / 定位四合一），非 WSI、非单细胞专集
全称	A large dataset of white blood cells containing cell locations and types, along with segmented nuclei and cytoplasm
团队	University of Tehran（School of ECE）+ K. N. Toosi University of Technology + Nimaad Health Equipment Development Company（伊朗）
论文	Sci Rep 12, 1123 (2022)，doi 10.1038/s41598-021-04426-x（CC BY 4.0）+ 预印本 bioRxiv 2021（CC BY-NC 4.0）+ 配套分割论文 Sci Rep 11:19428 (2021)，doi 10.1038/s41598-021-98599-0
采集链	外周血涂片染色 → 显微镜成像（两台显微镜 + 两台相机）→ 手机 Android 应用选细胞标注 → 桌面应用二次标注 → Easy-GT 提核金标准 → graph-based 去重
规模（官方 Table 3）	血涂片 73 张（CML 1 + 贫血 2 + 嗜酸增多 2 + 正常 68）；显微镜大图 20,936；边界框（WBC+伪影）40,763；双标注 25,408；核质金标准 1,145 细胞
类别	成熟 五类：中性粒 / 嗜酸 / 嗜碱 / 淋巴 / 单核；细分亚型含 metamyelocyte、band、small/activated lymphocyte、burst、artifact
分类子集	14,514 张（575×575）：嗜碱 301 / 嗜酸 1066 / 淋巴 3461 / 单核 795 / 中性粒 8891
标注	两名专家独立标注（双标注），分歧矩阵见论文 Table 4；1,099 细胞标为存疑；9,015 未标注
基准	配套 SVM 分类：Raabin-WBC 94.65% / LISC 92.21% / BCCD 94.20%；核分割 Dice 0.9675
获取	官网免费直链 dl.raabindata.com/WBCData.rar，无需注册、无需申请（库内最开放一档）
许可	CC BY 4.0（正式论文口径；预印本 CC BY-NC 4.0，官网声明 free for commercial & non-commercial）
库内互链	acevedo-blood(722)（同为外周血细胞集）、pannuke(218)、nucls(248)、monusac(651)、cryonuseg(844)、herlev-pap(483)、sipakmed(490)、lc25000(178)

Raabin-WBC（Raabin White Blood Cell dataset）是一个"把血常规镜检日常变成多任务公开基准"的伊朗数据集：德黑兰大学与 Nimaad 健康设备公司在 2021–2022 年间，从 73 张染色外周血涂片里采集了 20,936 张显微镜大图，圈出 40,763 个血细胞与伪影边界框（其中 25,408 个由两名专家独立双标注），并为 1,145 个选定细胞逐一手工提取了细胞核与细胞质的分割金标准，以免费直链在官网公开（正式论文 CC BY 4.0）。它一次性覆盖分类、检测、分割、定位四类任务，还刻意用两台显微镜、两台相机采集以检验模型泛化——这使它既是外周血白细胞分类的默认起点之一，也是"设备多样性如何影响深度模型泛化"的经典实验标本。你可能早就用过它：BloodMNIST 的姊妹集 Acevedo 是它的同域邻居，而 Roboflow、Kaggle 上无数白细胞检测项目的底图都源自这里。

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——官网 WBCData.rar 免费直链、CC BY 4.0，全程无注册无申请，这是库内可获取性最高的一档。
2. 要写论文引用：直奔 §4 论文与时间线——数据集论文（Sci Rep 2022）与分割方法论文（Sci Rep 2021）各管一摊，用了核质金标准就必须两篇一起引（官网明写要求），别只引一篇（坑 2）。
3. 想对标指标：直奔 §5 基准与评估——先问自己用哪个 split、哪套子集（14,514 还是 17,965）、哪台设备，再谈 94.65% 能不能放同一张表里（坑 4、坑 5）。

§0 导读：这个数据集解决什么问题

血常规镜检（外周血涂片白细胞分类）是血液学最古老也最高频的人工判读任务：一张涂片要看上百个细胞，而"分叶几叶算中性粒、核染色质怎么区分淋巴与单核"这类知识长在检验医师脑子里。2010 年代深度学习成熟后，缺口不在方法而在数据：公开的血细胞图像集要么规模太小（几百张）、要么任务单一（只分类不分割）、要么采集设备单一（无法检验跨设备泛化）。更重要的是，分类与分割两类任务往往分属不同数据集——分类集没有像素级金标准，分割集规模又小得可怜。

Raabin-WBC 的回答是把"正常外周血白细胞"这一个场景做深做全：一张涂片先产出完整视野的大图（可做检测/定位），再裁剪出数万个单细胞边界框（可做分类），最后对 1,145 个细胞手工描出核与质的像素轮廓（可做分割）——一个数据集覆盖四类任务。官方在 Sci Rep 摘要里的自我定位是：提供"free access dataset of normal peripheral white blood cells"（免费开放的正常外周血白细胞数据集），并通过"两台显微镜、两台相机"的多样性设计，展示"深度学习方法的泛化能力如何被设备多样性影响"。这是它区别于同域邻居 Acevedo（纯分类、单设备）的结构性特征。

§0 读法三则：

1. 这个条目是"数据集 + 分类/分割双论文 + 衍生基准生态"三合一叙事：本体是官网 RAR 包（分类+检测+分割），方法论是 2021 分割论文的 SVM/Dice 基准，衍生生态是 apple2373/wbc-benchmark 等域漂移基准——三者划分、任务、许可语境各不相同（§5.6 统计卫生守则）。
2. 全文硬数字分四个口径且必须分开看：40,763（边界框，最全）/ 40,000（宣传约数）/ 17,965（双标注子集）/ 14,514（五类分类子集）——任何一个数字脱离口径都是误导（坑 4）。
3. 检索时别被"Mendeley Data"带偏：本数据集自托管于 raabindata.com，Mendeley 上名为 snkd93bnjr 的是巴塞罗那 PBC 数据集（对应库内 acevedo-blood 条目），并非本数据集（坑 7）。

§1 数据集速览：十问十答

Q1：这 20,936 张大图从哪来？
伊朗 Nimaad Health Equipment Development Company 现场采集的 73 张染色外周血涂片。涂片的疾病构成论文 Table 3 写得清楚：CML（慢性髓系白血病）1 张、normal-anemia（正常伴贫血）2 张、normal-eosinophilia（正常伴嗜酸增多）2 张、normal（正常）68 张——绝大多数是正常血象，疾病涂片仅作少量多样性补充。供血者精确人数论文未披露（遗留疑点，见 §2.5 与事实清单）。

Q2：图像怎么采出来的？为什么强调"两台设备"？
为制造真实的设备多样性，采集刻意使用两台不同品牌的显微镜 + 两台不同相机。论文的核心实验设计就是：用固定设备数据训练深度模型，再用另一台设备的数据测试，量化"设备多样性对泛化能力的冲击"。这意味着数据集里天然混入了设备/染色相关的域差异——对研究者是泛化研究的富矿，对粗心使用者则是"训练集测试集设备不一致而不自知"的陷阱（坑 5，§5.3）。

Q3：到底有多少张图？四个数字哪个为准？
四个都对，但口径不同，必须分开用：

• 40,763：边界框总数（含 WBC 与伪影 artifact），论文 Table 3 官方计数——这是"最全"口径。
• 约 40,000：摘要在内的宣传约数（“about 40,000 images of white blood cells and color spots”）。
• 17,965：双标注子集（含 Train / Test-A / Test-B 三个划分，Test-B 为低质量中性粒与淋巴）——第三方分类基准常用口径。
• 14,514：五类分类裁剪子集（575×575），最广泛被引用的"分类任务"口径（§2.2 分布表）。
  把 40,763 与 14,514 混为一谈、或拿 17,965 的训练脚本去套 14,514 的指标，是本数据集最高频的引用错误（坑 4）。

Q4：类别是 5 类还是更多？
成熟白细胞是 5 类：中性粒（neutrophil）、嗜酸（eosinophil）、嗜碱（basophil）、淋巴（lymphocyte）、单核（monocyte）——这是所有分类基准的输出头口径。但官方标注比 5 类更细：中性粒含 **Metamyelocyte（晚幼粒）与 Band（杆状核）**子类，淋巴含 small lymphocyte 与 activated/large lymphocyte 子类，另有 **Burst（smudge cell 涂片伪影）**与 **Artifact（干燥伪影）**标签。细分标签的逐张归属未随包完整发布（§2.3、§3.2）。

Q5：谁标注的，可靠吗？
两名专家独立双标注（double labeling）——论文强调"most of the cells are labeled by two experts"（大多数细胞由两名专家标注），并发布了两专家分歧矩阵（Table 4）。可靠性的诚实边界：论文未发布统一的观察者间一致性系数（如 Cohen’s kappa），但分歧矩阵本身量化了哪些类对最易混（大/小淋巴、Band vs 成熟中性粒）。另有 1,099 个细胞被标为 not recognized（存疑）、9,015 个细胞未标注——这些是理解标注可靠性的一手材料（§3.2）。

Q6：有分割金标准吗？有多少？
有，共 1,145 个细胞的核质分割金标准（ground truth of nucleus and cytoplasm）：淋巴 242 / 单核 242 / 中性粒 242 / 嗜酸 201 / 嗜碱 218（嗜碱为整细胞轮廓）。核金标准由自研 Easy-GT 软件辅助提取。这是它与纯分类集（如 Acevedo）最本质的区别——能直接训练与评测像素级分割（§2.4、§3.3）。

Q7：性能上限多少？
分两条线：配套分割论文（Sci Rep 2021）报告核分割 Dice 0.9675、SVM 五类分类在 Raabin-WBC 上 94.65%（LISC 92.21%、BCCD 94.20%），且超参只在 Raabin-WBC 上固定、不对其他集重调——论文以此论证特征方法比预训练 CNN 泛化更强。第三方深度模型（wbc-benchmark 等）报告更高准确率，但受划分与设备影响大（§5 逐项口径）。

Q8：怎么拿到？什么许可？
官网 https://www.raabindata.com/free-data/ 免费直链 https://dl.raabindata.com/WBCData.rar，**无需注册、无需申请、无需申请邮件**——库内获取门槛最低的一档。许可：正式论文 CC BY 4.0，官网明写"free of charge (for the commercial and non-commercial projects)"（商业与非商业项目均免费）。注意预印本 bioRxiv 标的是 CC BY-NC 4.0，与正式版口径不同，引用时以正式论文为准并双口径存照（坑 3）。

Q9：它和 Acevedo / BloodMNIST 什么关系？
同域邻居，不是派生关系。Acevedo 数据集（库内 acevedo-blood，rid 722）是巴塞罗那 Hospital Clinic 的 17,092 张纯分类集（8 组，CC BY 4.0），其降采样派生品是 BloodMNIST。Raabin-WBC 与 Acevedo 是"外周血白细胞公开集"这一家族里最常被并列对照的两个成员——同样五类白细胞，但 Raabin-WBC 更大（40,763 边界框 vs 17,092）、任务更全（含分割）、设备更多样。两者常被作为跨数据集泛化的对照对（wbc-benchmark 就是训练 Raabin-WBC、测 LISC；Acevedo 系则训练 Acevedo、测 Raabin-WBC）。

Q10：为什么它对 AI-Ready 重要？
它是库内"多任务 + 开放 + 多样性设计"三条优点并存的样本：官网直链 CC BY 4.0（可获取性满分）、四类任务一个包（任务覆盖满分）、两台设备（域泛化研究价值极高）。它的短板同样典型——无固定 split、无患者级元数据、细亚类标签不完整、观察者间一致性系数缺失——这让它成为"数据本身富矿、元数据工程欠账"的现成教学案例（§7、DAIMS 附录）。

Q11：为什么强调"两台显微镜、两台相机"？这对使用者意味着什么？
这是本数据集最独特的设计，也是最大的使用陷阱。论文用两台显微镜 + 两台相机采集，动机是检验泛化：模型在固定设备上表现好，换台设备就掉点——本数据集把这种真实的设备差异保留在数据里。对使用者意味着：① 若训练/测试混用两台设备的数据，你测的是"同分布性能"；② 要复现论文的泛化实验，必须按设备分组划分；③ 别把"同一细胞颜色不同"误当数据错误，那是设计使然（§2.8、§5.3、坑 5）。

Q12：它有固定划分吗？会不会有数据泄漏风险？
官网包内有 Train/Test-A/Test-B 三个目录，但没有逐文件 CSV split。更关键的是：20,936 张大图来自仅 73 张涂片，同涂片的多张视野同源——若按大图随机划分，训练集与测试集会共享同源涂片，导致涂片级泄漏，指标虚高。正确做法是按涂片分组划分（§5.3、坑 5）。这是本数据集做严谨评测时最容易踩、后果最严重的工程坑。

Q13：它和 Raabin 白血病数据集是一回事吗？
不是。官网同时提供两个免费数据集：Raabin-WBC（本条目，正常外周血白细胞，40,000+ 图）与 Raabin 白血病数据集（10,000+ 图、4 类白血病）。两者主题相邻（白细胞）但任务与类目不同——本条目只覆盖正常的 Raabin-WBC；想研究白血病细胞请转向白血病数据集，且那是独立资源（§8.6）。

§2 数据构成与规格

2.1 规模总览：官方 Table 3 全分布

数据集的官方家底是论文 Table 3（Raabin-WBC information table，清洗后口径），逐项如下：

条目	数值	说明
血涂片（film/smear）总数	73	CML 1 + normal-anemia 2 + normal-eosinophilia 2 + normal 68
显微镜大图（large microscopic images）	20,936	完整视野大图，供检测/定位
边界框（bounding boxes，含 WBC 与 artifact）	40,763	最大口径的"细胞+伪影"计数
0 位专家标注的 WBC	10,385	尚未经专家确认
1 位专家标注的 WBC	4,971	单专家标注
2 位专家标注的 WBC（双标注）	25,408	数据质量的核心资产
淋巴核质金标准	242	含核与质
单核核质金标准	242	含核与质
中性粒核质金标准	242	含核与质
嗜酸核质金标准	201	含核与质
嗜碱整细胞金标准	218	整细胞轮廓（非分核/质）
核质金标准合计	1,145	242+242+242+201+218

三个观察：

1. 双标注率是质量的硬指标：40,763 个边界框里 25,408 个由两名专家独立标注（约 62%），这是本数据集相对多数"单专家标注"血细胞集的制度性优势——双标注让分歧可测（Table 4），也让标签可靠性有了量化抓手。
2. 73 张涂片 vs 20,936 张大图：平均每张涂片产出约 287 张显微镜视野——这个比例说明数据粒度是"视野级"而非"涂片级"，同一涂片的多张视野存在涂片内相关性（同源染色批次、同源患者），做划分时必须按涂片分组，否则训练集与测试集泄漏（§5.3）。
3. 疾病涂片是极少数：73 张里 68 张是正常涂片，仅 1 张 CML、2 张贫血、2 张嗜酸增多——数据集底色是"正常血象"，疾病涂片只贡献形态多样性，不足以支撑血液病检出任务（§2.7、§7.3）。

2.2 五类分类子集：14,514 张的全分布

第三方文献（DCENWCNet arXiv 2502.05459、PMC12559723 等）最广泛引用的是五类分类裁剪子集 14,514 张（分辨率 575×575）：

类（英文）	中文	张数	占比
neutrophils	中性粒细胞	8,891	61.26%
lymphocytes	淋巴细胞	3,461	23.85%
eosinophils	嗜酸性粒细胞	1,066	7.34%
monocytes	单核细胞	795	5.48%
basophils	嗜碱性粒细胞	301	2.07%
合计	—	14,514	100%

四个观察：

1. 重度类不平衡：中性粒占 61%，嗜碱仅 2%，最多类是最少类的 29.5 倍——这是真实血象的自然比例（中性粒本就是外周血白细胞主体），不是构造缺陷。代价是朴素训练下模型会偏向中性粒，做分类研究必须报告分组召回/宏平均 F1而非只看准确率（§5.5）。
2. 14,514 与 17,965 的关系：17,965 是"双标注子集"口径（含 Train/Test-A/Test-B），14,514 是其中覆盖全部五类的裁剪集（第三方常排除只含低质量中性粒与淋巴的 Test-B 后得到）。两个数字对应两套用途，不可混用（坑 4）。
3. 575×575 的分辨率：裁剪图分辨率高，保留原色与形态细节；相比之下 Acevedo 是 360×363，BloodMNIST 是 28×28——分辨率档位差异直接影响可比性（§5.6）。
4. 无"其他/垃圾"类：五类全是明确形态学实体，无 Background/Ignore/Unknown——闭集假设成立，代价是模型对"图里不是这五类"毫无准备（§5.5）。

2.3 标签体系：五类之外的细分亚型

Raabin-WBC 的一个被低估的设计是标注比五类更细。论文原文（§2-1 Labels）：

类别	亚型标签	临床/形态学含义
中性粒 neutrophil	Metamyelocyte（晚幼粒）、Band（杆状核）	未成熟粒系前体；Band 增多是核左移/反应性中性粒细胞增多的信号
淋巴 lymphocyte	small lymphocyte、activated / large lymphocyte	小淋巴是获得性免疫主体（B/T 细胞）；活化淋巴即大淋巴/淋巴母细胞样
其他	Burst（smudge cell）	涂片制备中被压碎的细胞残余
其他	Artifact（干燥伪影）	染色后常见的干燥伪影

关键限定：这些亚型标签的逐张归属未随包完整发布。论文给了双专家分歧矩阵（Table 4），明示最易混的类对是"大淋巴 vs 小淋巴"“Band vs 成熟中性粒”“Artifact vs Burst”“大淋巴 vs 单核”“小淋巴 vs Burst”——这既是细粒度研究的富矿，也是"别声称有官方亚类划分"的红线（坑 4 同族）。

对使用者的三重含义：

1. 五类分类是安全起点：所有基准都以五类输出头为准，亚型拆分是自选动作。
2. 做细粒度研究要自建标注：官方未发布亚型逐张答案，任何"Band 准确率"都是自标口径。
3. 伪影类不可忽视：Burst/Artifact 的存在意味着原始边界框里含有非细胞目标——直接从 40,763 边界框做分类而不做清洗，会把伪影当细胞训练（§3.4）。

2.4 图像规格与粒度光谱

属性	规格
显微镜大图	JPG/BMP，完整视野，供检测/定位
分类裁剪图	575×575 px（第三方口径），单细胞
核质掩膜	细胞核与细胞质二层分割金标准（1,145 细胞）
颜色	RGB（染色原色）
元数据	每张大图配一个 .json 字典（细胞坐标与标签、涂片染色法、疾病类型）
相机/显微镜	两台显微镜 + 两台相机（多样性设计）

粒度光谱上，Raabin-WBC 的一个独特之处是同时覆盖三个粒度层：

涂片层（73 张 film）
   │
   ▼
视野层（20,936 张显微镜大图）—— 检测 / 定位任务
   │
   ▼
细胞层（40,763 边界框 → 裁剪单细胞）—— 分类 / 检测任务（14,514 五类子集最常用）
   │
   ▼
像素层（1,145 细胞核质掩膜）—— 分割任务

对比同域集：Acevedo 只在"细胞层"（17,092 单细胞）；多数分割集（如 CryoNuSeg）只在"像素层"（30 张）；Raabin-WBC 是罕见的"四层贯通"集。这让它一句话就能讲清价值——一个包同时喂饱分类、检测、分割、定位四条 pipeline。

2.5 采集链：从涂片到金标准

论文 Fig. 3 描绘的采集流程，翻译成数据链路：

① 外周血采样 → 涂片 → 染色（多种染色法）
   │
   ▼
② 显微镜成像（两台显微镜 × 两台相机）
   手机适配器（Fig. 4 自研）把智能手机架在目镜上，边看边拍
   │
   ▼
③ Android 应用标注（Fig. 7 两个 app）
   专家在手机上选细胞、圈边界框、打标签
   │
   ▼
④ 桌面应用二次标注（Fig. 8）
   大屏复核，双专家独立标注
   │
   ▼
⑤ Easy-GT 软件（Fig. 10）提取细胞核金标准
   │
   ▼
⑥ graph-based 图像处理去重（同细胞多版本、轻微位移重复）

六站各有数据学含义：

1. 手机适配器 + Android app 是效率设计：把"显微镜→拍照→标注"塞进专家手里的手机，大幅降低现场标注成本——这也是本数据集能积累 40,763 个标注的组织基础（§9.1 方法学启示）。
2. 双专家独立标注是质量设计：同一细胞由两人分别标注，分歧由论文显式量化（Table 4），而非"取平均"掩盖。
3. 去重环节不可忽视：涂片同一区域多次成像会产生近似重复图，论文用 graph-based 方法去除——但承认"仍可能有少量重复残留"，做严格划分时需自行再去重（§5.3）。

2.6 逐类形态档案：五类白细胞怎么认

§2.2 的分布表给出"多少"，本节给出"是什么、怎么认、难在哪"。形态描述为标准血液形态学通识（MGG/Giemsa 染色下），供读图参考；各类张数为 14,514 子集口径（§2.2）。

2.6.1 中性粒细胞 neutrophils——8,891 张（61.26%）
核分 2–5 叶、叶间以细丝相连（分叶核），胞质淡粉含细中性颗粒。外周血白细胞中占比最高（约 60%），急性感染/炎症时增多。本数据集占比最大类，也是分类基准准确率的主要贡献者——正因为量最大，它的召回高会掩盖小类的低召回（§5.5）。易混对象：Band（杆状核，未完全分叶）。

2.6.2 淋巴细胞 lymphocytes——3,461 张（23.85%）
核圆或椭圆、染色质致密深染，胞质少（薄环状）、天蓝色。分小淋巴（B/T 细胞，核占九成）与活化/大淋巴（胞质增多）。正常占比约 30%。易混对象：小淋巴 vs 幼红（但本数据集无幼红类）、小淋巴 vs Burst、大淋巴 vs 单核——后两对是论文 Table 4 明示的高分歧类对。

2.6.3 嗜酸性粒细胞 eosinophils——1,066 张（7.34%）
核多为双叶（眼镜状），胞质满布粗大、均匀的橙红色嗜酸颗粒——MGG 染色下辨识度最高的类之一。正常占比约 3%，过敏与寄生虫感染时增多。易混对象：几乎无强对手（颗粒独一无二），是"好认的少数类"。

2.6.4 单核细胞 monocytes——795 张（5.48%）
细胞较大，核肾形/马蹄形/折叠、染色质疏松呈网状，胞质灰蓝丰富、含细尘样颗粒（"磨玻璃"感）。正常占比约 6%。易混对象：大淋巴（靠染色质质地区分——单核疏松、淋巴致密）。

2.6.5 嗜碱性粒细胞 basophils——301 张（2.07%）
核常被粗大深紫黑色嗜碱颗粒遮盖而难辨，正常占比约 1%（占比最低的正常白细胞）。本数据集样本最少（301），叠加"被颗粒遮盖难辨认"，是最难类——低样本 + 高难度双重困境（§5.5 残余错误集中于此）。易混对象：被遮盖时与其他粒细胞难分。

2.7 双专家分歧地图：从 Table 4 读标注难度

论文 Table 4 发布了双专家标注的分歧矩阵，这是理解"哪些类对真难"的一手材料。明示的高分歧类对：

类对	分歧性质	形态学根因
大淋巴 vs 小淋巴	同类别内亚型边界	活化程度是连续谱，无硬边界
Band vs 成熟中性粒	粒系成熟阶段边界	核分叶程度是连续量，杆状→分叶无清晰阈值
Artifact vs Burst	伪影 vs 细胞残骸	都是"非完整细胞"，形态重叠
大淋巴 vs 单核	跨类别近邻	都大、都有较多胞质，靠染色质质地
小淋巴 vs Burst	跨类别近邻	压碎的小细胞与完整小细胞形态相近

两个推论：

1. "五类准确率"掩盖了亚型层难度：表内最难的两对（大/小淋巴、Band/成熟中性粒）在五类口径下被合并，94.65% 之类的指标看不到这些边界。
2. 分歧即研究机会：这些类对正是细粒度分类与"标注不确定性建模"的天然试验场；但引用时务必标明"分歧来自官方 Table 4，非本条目新测"（§10 引用规范）。

2.8 设备多样性的数据学含义（坑 5 的正面读法）

两台显微镜 + 两台相机是本数据集最独特的设计，也是最大的使用陷阱。论文的动机是检验泛化：深度学习模型在固定设备数据上表现好，换个设备就掉点——Raabin-WBC 用真实的设备差异把这个问题数据化。

对使用者的三条提示：

1. 先分辨设备再划划分：若训练/测试集混用两台设备的数据，你测的是"同分布性能"；要复现论文的泛化实验，必须按设备分组（§5.3）。
2. 域差异是特征不是噪声：染色批次、相机色彩响应、显微镜光学差异——这些在多数数据集里被标准化消除，在本数据集里被保留，是域泛化/域适应研究的现成素材。
3. 别把设备差异误报为"数据错误"：同一细胞在两台设备下颜色不同是设计使然，不是标注错误或数据损坏。

2.9 临床关联：五类白细胞升降对应什么病

白细胞分类的临床意义在于"哪一类升高/降低"对应特定疾病谱。下表把五类白细胞的临床关联与数据集覆盖情况并置（疾病信息为标准血液学通识，非数据集标注）：

类	升高相关	降低相关	本数据集覆盖
中性粒	细菌感染、急性炎症、慢性髓系白血病（CML）	病毒感染、粒细胞缺乏症、药物抑制	✅ 正常为主；含 1 张 CML 涂片
淋巴	病毒感染、慢性淋巴细胞白血病、结核	免疫缺陷、艾滋病	✅ 正常形态（含 small/activated 亚型）
嗜酸	过敏、寄生虫感染、部分肿瘤	库欣综合征、应激	✅ 正常为主；含 2 张嗜酸增多涂片
单核	慢性感染、自身免疫病、单核细胞白血病	再生障碍性贫血	✅ 正常形态
嗜碱	过敏、慢性炎症、嗜碱性白血病	甲亢、急性感染	✅ 正常形态（最难类）

关键限定必须反复重申：数据集是"正常血象为主"，疾病涂片只贡献形态多样性，不构成异常类目。上表的临床关联是理解"为什么这些类重要"的背景知识，不是说数据集能诊断这些病（§7.3、坑 8）。特别地，CML 与贫血涂片的存在只说明"采集时纳入了少量疾病样本以增加多样性"，其逐细胞标签仍落到五类正常形态，没有"这一张是 CML"的逐细胞病理标签。

2.10 图像规格的域差异：为什么"同一细胞不同样"

本数据集刻意保留了两台显微镜 + 两台相机的成像差异，这在图像层面表现为三类可观察的域偏移：

1. 颜色域偏移：不同相机传感器的白平衡与色彩响应不同，同一染色涂片在两张图上呈现不同色温——这直接影响依赖颜色特征的方法（基于 MGG 色相的细胞分类）。
2. 锐度/分辨率域偏移：不同物镜数值孔径与相机像素密度导致细节锐度差异，影响细颗粒纹理（嗜酸性颗粒、嗜天青颗粒）的可分性。
3. 照明均匀度域偏移：显微镜光路与手机拍照的白平衡处理带来视野内亮度梯度差异——这是 WBC-LIILayer 那类"光照不变层"工作的动因（§8.3）。

对方法的含义：把设备差异当特征而非噪声——域泛化研究的价值正在于此；但对"只想做五类分类"的使用者，它是必须显式处理（按设备分组）的混杂因素（§5.3、坑 5）。

§3 采集与标注流水线

3.1 现场标注：手机让专家"边看边标"

传统血细胞数据集标注是"先成像、后标注"两段式，本数据集用手机适配器 + Android 应用把两段合一：专家在显微镜前正常观察，用挂在目镜上的手机拍照，直接在 app 上圈选细胞并打标签。这个设计的数据学价值是降低了标注与成像的上下文损失——标注者看着原始涂片决策，而不是对着翻拍的图。

3.2 双专家独立标注与分歧量化

标注流程的核心是 double labeling：大多数细胞由两名专家独立标注，不互相参照。论文的做法带来三个可量化资产：

1. 分歧矩阵（Table 4）：双专家分歧按类对统计，直接暴露最难类对（§2.7）。
2. not recognized 标签：1,099 个细胞被两名专家标为"无法辨认"——这是数据集的诚实处，提醒使用者"白细胞形态学真有一部分连专家都难判"。
3. 未标注细胞：9,015 个细胞尚未经标注——即边界框里有一部分是"已知存在、尚未定类"的目标。

必须诚实说明的边界：论文未发布统一的观察者间一致性系数（如 Cohen’s kappa）。可靠性背书来自双标注机制与分歧矩阵本身，而非单一一致性数字——引用时不要替论文"脑补"一个 kappa 值。

3.3 核质金标准的提取：Easy-GT

分割金标准（1,145 细胞）由自研软件 Easy-GT 辅助提取：软件用图像处理技巧让标注者更高效地勾出细胞核轮廓，细胞质则借助核凸包等启发式辅助（论文表述为提取"nucleus and cytoplasm"的 ground truth）。使用分割标注前要理解两点：

1. 嗜碱是整细胞轮廓：其余四类给的是"核 + 质"两层，嗜碱（218 个）给的是"整细胞"——因为嗜碱颗粒遮盖核，核质分离不可靠（§2.6.5）。做统一分割任务时必须处理这个口径不一致（坑 6）。
2. 1,145 是抽样而非全体：金标准只覆盖 40,763 边界框的约 2.8%——是"精选子集"，不是逐细胞全覆盖。做分割研究引用规模时写 1,145，不要误传成"全数据集都有分割标签"。

3.4 数据包内容与"未随包发布"清单

官网下载包（WBCData.rar）随附的内容是：显微镜大图、边界框标签、分类标签、1,145 细胞的核质掩膜、以及每张大图的 JSON 字典（细胞坐标与标签、涂片染色法、疾病类型）。未随包发布的清单同样重要：

1. 固定 train/val/test 划分：没有官方 split 文件（§5.1）。
2. 供血者元数据：精确人数、年龄、性别、民族分布——全缺（§2.5）。
3. 亚型逐张归属：Metamyelocyte/Band/small/activated lymphocyte 的逐张答案未完整发布（§2.3）。
4. 观察者间一致性系数：只有分歧矩阵，无汇总系数（§3.2）。
5. 设备/相机逐张映射：哪张图出自哪台设备，未随包给对照表（做域泛化研究需自行推断，坑 5）。

这份"未发布清单"是 DAIMS 评估中 M 维（元数据质量）失分的主因（附录 M），也是 AI-Ready 视角下本数据集最值得改进的地方。

3.5 JSON 字典：本数据集被低估的元数据层

相较于 Acevedo 的"目录即标签"，Raabin-WBC 每张大图配 JSON 字典（细胞坐标、标签、涂片染色法、疾病类型）——这是图像级元数据的雏形。它的价值在于：

1. 支持检测任务：坐标 + 标签即检测框，无需另行标注。
2. 保留涂片语境：染色法与疾病类型让"按染色/疾病分层"的划分成为可能。
3. JSON 即"细胞级 manifest"：比纯目录结构更接近 AI-Ready 的溯源要求——但注意它绑定在"大图"粒度，裁剪细胞图与 JSON 的对应关系需自行建立（§6 附录代码）。

3.6 数据包内容清单（随包 vs 未随包）

内容	是否随包发布	粒度
显微镜大图（20,936）	✅	视野级
边界框坐标与标签	✅（JSON）	细胞级
五类分类标签	✅（含裁剪图）	细胞级
核质分割掩膜（1,145）	✅	像素级
涂片染色法 / 疾病类型	✅（JSON）	涂片级
供血者元数据	❌	—
设备/相机逐张映射	❌	—
亚型逐张归属	部分	细胞级
固定 train/val/test CSV	❌	—
观察者间一致性系数	❌	—

这张表的用法：左边列是你能直接用的，右边列是你必须自己补的。AI-Ready 视角下，本数据集的"可用资产"很厚（四任务数据齐全），但"溯源资产"很薄（患者、设备、划分信息缺失）——这决定了它适合"快速开始训练"，不适合"追溯每一个细胞的来源"（附录 H）。

3.7 伦理与匿名化口径

论文未详述伦理审查细节，但可从数据构成推断基本口径：

1. 无身份信息：数据集不含姓名、病历号、面部等任何直接标识符；图像是细胞级显微视野，无人体照片。
2. 供者信息最小化：只披露涂片级疾病类型（CML/贫血/嗜酸增多/正常），不披露逐供者人口学——这是隐私保护的最小披露，也是"患者级研究不可行"的根源（§2.5）。
3. 使用边界：数据集是科研与教学资源，不得用于临床诊断或个体健康评估（§7.3、附录 P 红线）。

对使用者的硬性提示：不要试图从数据集反推供者身份或做个体级结论——数据构成不支持，且超出伦理边界。

§4 论文与时间线

4.1 双论文结构：数据集论文与方法论文各管一摊

论文	角色	关键内容
Sci Rep 12:1123 (2022)，doi 10.1038/s41598-021-04426-x	数据集论文	数据集本体、Table 3 规模、Table 4 分歧矩阵、初步深度学习实验
Sci Rep 11:19428 (2021)，doi 10.1038/s41598-021-98599-0	分割方法论文	核分割算法（Dice 0.9675）、SVM 分类（Raabin-WBC 94.65% / LISC 92.21% / BCCD 94.20%）
bioRxiv 预印本 2021-05-04，doi 10.1101/2021.05.02.442287	数据集预印本	数据集描述（CC BY-NC 4.0）

引用规范：官网明写——只引用数据集时引数据集论文；若使用了核质金标准（ground truth），必须额外引用分割方法论文。这是本数据集区别于多数数据集的一条硬性引用要求（坑 2）。

4.2 时间线

2021-05-04  bioRxiv 预印本发布（CC BY-NC 4.0）
2021-09-30  分割方法论文 Sci Rep 11:19428 发表（CC BY 4.0）
2022-01-21  数据集论文 Sci Rep 12:1123 发表（CC BY 4.0）
2022-11     Roboflow 出现第三方镜像
2023        apple2373/wbc-benchmark（ICASSP 2023）域漂移基准上线
2023        CCreal/WBC-LIILayer-Generalization 光照不变层工作
2025        GPB 综述收录（doi 10.1093/gpbjnl/qzaf021）
2025        Kaggle 镜像（CC BY 4.0）出现

一条派生链值得注意：Raabin-WBC → wbc-benchmark（域漂移基准）→ 一系列第三方复现，使它从"一个数据集"演化为"一个泛化研究评测场"（§8）。

4.3 作者与机构

• Zahra Mousavi Kouzehkanan（德黑兰大学 ECE + Nimaad）：一作/核心作者
• Sepehr Saghari、Sajad Tavakoli、Peyman Rostami、Mohammadjavad Abaszadeh、Farzaneh Mirzadeh、Esmaeil Shahabi Satlsar、Maryam Gheidishahran、Fatemeh Gorgi、Saeed Mohammadi：合作者
• Reshad Hosseini（德黑兰大学 ECE）：资深作者
• 机构：University of Tehran（School of ECE）+ K. N. Toosi University of Technology + Nimaad Health Equipment Development Company（数据集在其监督下编制，论文声明无利益冲突）

4.4 检索名坑：一个数据集的多副面孔

检索本数据集时常见的几个"曾用名"与误认：

1. “Raabin-WBC”：官方惯用名，最稳的检索词。
2. “Raabin WBC dataset” / “Raabin dataset”：去连字符变体，均指向同一数据。
3. 误认 Mendeley：本数据集不在 Mendeley Data——Mendeley 上的 snkd93bnjr 是巴塞罗那 PBC 数据集（对应库内 acevedo-blood）。把两者混为一谈是高频错误（坑 7）。
4. 误认 Zenodo：Zenodo 上有第三方上传的 RaabinWBCSeg 衍生分割集（doi 10.5281/zenodo.17970161），那是第三方加工版，非官方发布——引用官方数据请认官网 raabindata.com。

最稳的唯一标识是：官网 raabindata.com + 论文 doi 10.1038/s41598-021-04426-x + 下载直链 dl.raabindata.com/WBCData.rar。

4.5 license 双口径存照

载体	license	说明
数据集论文（Sci Rep 2022 正式版）	CC BY 4.0	Open Access 正式口径
预印本（bioRxiv 2021）	CC BY-NC 4.0	与正式版不同，存照
官网数据页	“free of charge (for the commercial and non-commercial projects)”	明确含商业用途
第三方镜像（Kaggle / Roboflow）	CC BY 4.0	与正式论文一致

处理原则：以正式论文 CC BY 4.0 + 官网"免费含商业"声明为准；预印本 CC BY-NC 4.0 作为历史口径存照，不与正式版混用（坑 3）。任何"本数据集禁止商用"的说法都源自对预印本口径的误引。

§5 划分与评估

5.1 官方划分：Train/Test-A/Test-B 三目录

本数据集没有发布"逐文件 CSV 式"的固定 split，但官网 RAR 包内确实组织了 Train / Test-A / Test-B 三个划分目录（第三方代码如 apple2373/wbc-benchmark 明确要求"下载 Train、TestA、TestB 到 ./data/RaabinWBC/"）。三者的角色：

划分	内容	用途
Train	训练主集	模型训练
Test-A	测试集 A	同设备/常规测试
Test-B	测试集 B	通常为低质量中性粒与淋巴，用于检验鲁棒性/泛化

关键提醒：Test-B 只含低质量的中性粒与淋巴细胞（第三方口径），不覆盖全部五类——若把它当"五类平衡测试集"用，会得到误导性的分类指标。此外，官方未公开发布三个目录的精确样本数与逐文件清单，文献引用也常只写"Train/TestA/TestB"而不给数字（§5.6）。

5.2 社区惯例划分

由于官方 split 不够"显式"，社区形成了两套惯例：

1. 沿用官方三目录：直接按 Train/Test-A/Test-B 组织（wbc-benchmark、CCreal 等），可比性最好。
2. 自建比例划分：第三方论文（如 DCENWCNet arXiv 2502.05459）在 14,514 五类子集上做 80/20 划分——训练 9,875（嗜碱 212/嗜酸 744/淋巴 2,427/单核 561/中性粒 6,231）、测试 4,639（嗜碱 89/嗜酸 322/淋巴 1,034/单核 234/中性粒 2,660），并分层采样保持类别比例。

两套划分不可跨口径对标——引用任何准确率前先问"哪个划分"（§5.6 第 1 条）。

5.3 划分策略与泄漏风险（本数据集的头号工程坑）

本数据集有一个结构性泄漏风险，源于其采集粒度：20,936 张显微镜大图来自仅 73 张涂片，同一涂片的多张视野同源（同染色批次、同患者/供者）。若在网络大图级别随机划分，训练集与测试集会共享同源涂片，模型可能"记住涂片特征"而非学细胞形态，指标虚高。

正确的划分策略：

1. 按涂片分组划分（group split）：以涂片 ID 为分组单位，确保同一涂片的所有视野只落在训练或测试一侧。这是本数据集做严谨评测的前提。
2. 按设备分组（域泛化）：若研究目标是论文倡导的"设备多样性泛化"，按显微镜/相机分组划分（如一台设备训练、另一台测试）。
3. 去重后再划分：论文承认去重后"仍可能有少量重复残留"，严格实验应自行再做一次感知哈希/特征去重（§3.1）。
4. 避免的三种错误：网络大图随机划分（涂片泄漏）、仅按五类裁剪图随机划分（忽略同源）、用 Test-B 当平衡测试集（覆盖面不全，§5.1）。

5.4 外部验证建议

论文的核心科学主张是"设备多样性影响泛化"，因此最贴合本数据集的外部验证设计是跨设备/跨数据集迁移：

• 跨设备：一台显微镜数据训练 → 另一台测试（复现论文泛化实验）。
• 跨数据集（同域）：Raabin-WBC 训练 → 测 LISC / BCCD / Acevedo（第三方 wbc-benchmark 的经典设定：训练 RaabinWBC、测 LISC）。
• 跨数据集（跨域）：血细胞 → 骨髓细胞、外周血 → 涂片全图等，检验域差。

跨数据集评测时务必注意分辨率、染色法、类别体系差异——LISC 是 5 类但染色/分辨率不同，BCCD 含红/白细胞/血小板三类，直接套用输出头会张冠李戴（§7.1）。

5.5 类别不平衡：为什么不能只看准确率

14,514 子集里中性粒占 61.26%、嗜碱仅 2.07%（29.5:1），这是本数据集评估的头号统计陷阱：

1. 准确率会被大类绑架：一个"全预测中性粒"的退化模型准确率约 61%——比随机高得多，但毫无用处。
2. 必报分组指标：应报告分组召回、宏平均 F1、混淆矩阵，尤其关注嗜碱、单核两个小类。
3. 残余错误集中在哪：按论文 Table 4 的分歧地图（§2.7），最难的是嗜碱（样本最少 + 形态被遮盖）、大淋巴 vs 单核、Band vs 成熟中性粒——这些是数据集的"能力天花板"所在。
4. 加权采样的双刃剑：拉平类别会提升小类召回，但会人为抹掉真实血象结构；做"临床仿真"评测时保留原始占比更有生态效度。

5.6 统计卫生守则：引用前先自查四问

本数据集的数字口径极其丰富，引用前必答四问：

1. 哪个子集？40,763（边界框）/ 17,965（双标注）/ 14,514（五类分类）——三个数字代表三种用途。
2. 哪个划分？官方 Train/Test-A/Test-B、社区 80/20、还是自建——不可跨口径比准确率。
3. 哪台设备/哪个域？同设备测试 vs 跨设备测试，指标含义完全不同。
4. 哪个许可口径？正式论文 CC BY 4.0 vs 预印本 CC BY-NC 4.0——写用途限制时必须区分。

四问全过，才允许把一个准确率数字写进对比表（附录 N 使用守则）。

5.7 官方基准拆解：94.65% 与 Dice 0.9675 是怎么来的

配套分割论文（Sci Rep 11:19428）给出本数据集的两条官方基线与一套跨数据集泛化实验，值得逐项拆开：

5.7.1 核分割 Dice 0.9675
方法三步：① 新算法分割细胞核；② 细胞质只取"落在核凸包内"的部分参与分割（以此绕开细胞质难分割的问题）；③ 提取 3 个形状特征 + 4 个新颜色特征。核分割 Dice 达 0.9675——这是官方分割能力的锚点。注意这个 Dice 是核的相似度，不是核+质整体；引用时写明"核分割"。

5.7.2 SVM 五类分类 94.65%
用上述形状+颜色特征训练 SVM，在 Raabin-WBC 上五类分类准确率 94.65%。论文的关键设计是：SVM 超参只在 Raabin-WBC 上固定，不针对 LISC 与 BCCD 重调——这使跨数据集结果（LISC 92.21%、BCCD 94.20%）成为"泛化能力"的对照。

5.7.3 与预训练 CNN 的泛化对比
论文的核心论点：在同样的跨数据集设定下，其手工特征 + SVM 的方法比预训练 CNN 泛化更强（CNN 在新数据集上掉点更严重）。这一结论把"设备/数据集多样性 → 泛化能力"的主题落实为可复现的实验对照，也是本数据集被广泛用作域泛化基准的原因。

5.7.4 使用这些数字的三个限定

1. 94.65% 是"SVM + 手工特征 + 超参仅本集固定"口径，与端到端深度模型的数字不可直接比。
2. Dice 0.9675 是核分割，不是细胞分割或质分割。
3. 跨数据集数字（92.21%/94.20%）必须成组引用，单独拎一个会丢失"泛化对照"的语境。

§6 获取与许可：一扇门，一张纸

6.1 获取：库内最开放的一扇门

项	内容
官方站点	https://www.raabindata.com/
数据页	https://www.raabindata.com/free-data/
下载直链	https://dl.raabindata.com/WBCData.rar
官方代码	https://github.com/nimaadmed/WBC_Feature
门槛	无注册、无申请、无邮件审批——点击即下
格式	RAR 归档（JPG/BMP 图像 + JSON 标注 + 掩膜）

这是库内可获取性光谱的最开放一档（与 acevedo-blood 的 Mendeley 直链并列）。注意：官网 free-data 页在抓取时返回过 404（站点改版），但首页与下载直链仍然有效——若数据页失效，直接从首页的 “Free Normal WBC Dataset” 区块点 “Download Here”。

6.2 CC BY 4.0 的义务与自由

正式论文口径 CC BY 4.0，官网声明"免费供商业与非商业项目使用"。据此：

• 自由：可商用、可衍生、可再分发、可训练商业模型。
• 义务：署名（引用数据集论文，用了核质金标准再补引分割论文）+ 标明许可 + 注明是否修改。
• 禁止：不得暗示原作者背书你的工作。

6.3 版本链

官网 RAR 为单一发布版本，抓取时点未见 .2 版分支。稳定性红利：本数据集自 2021 发布以来未见官方勘误公告，数据本体可信度高。但注意第三方镜像（Kaggle、Roboflow、Zenodo 衍生分割集）各自版本独立，引用官方数字请认官网（§4.4）。

6.4 AI-Ready 快评：高分项与失分项并置

维度	评价
✅ 可获取性	官网直链、无 gate、CC BY 4.0——满分
✅ 任务覆盖	分类/检测/分割/定位四合一——罕见
✅ 质量机制	双专家标注 + 分歧矩阵 + 1,145 核质金标准
✅ 多样性设计	两显微镜两相机，域泛化研究素材
⚠️ 划分	无显式 CSV split，需按涂片分组防泄漏
⚠️ 元数据	无供血者信息、无设备逐张映射、无一致性系数
⚠️ 亚型	细分标签未完整随包发布
⚠️ 口径	四个规模数字 + 双 license，引用易混

一句话：数据本体是富矿，元数据工程是欠账——即取即用没问题，深度溯源要自己补功课。

6.5 下载留痕与完整性校验实操

# 1) 下载（官网直链，无需认证）
curl -L -o WBCData.rar https://dl.raabindata.com/WBCData.rar

# 2) 解压（需 unrar/7z）
unrar x WBCData.rar   # 或 7z x WBCData.rar

# 3) 清点（口径核对）
find . -iname '*.jpg' -o -iname '*.bmp' | wc -l   # 图像计数
find . -iname '*.json' | wc -l                    # 大图 JSON 字典计数
# 参考口径：显微镜大图 20,936 / 边界框 40,763 / 核质金标准 1,145 细胞

# 4) 记录校验和（溯源留痕）
sha256sum WBCData.rar | tee WBCData.rar.sha256

§7 同域数据集对照

7.1 血细胞显微图像公开集景观

数据集	规模	类别	任务	设备/来源	获取	许可
Raabin-WBC（本集）	40,763 边界框 / 14,514 分类 / 1,145 分割	5 类（+亚型）	分类/检测/分割/定位	两显微镜两相机，伊朗	官网直链	CC BY 4.0
Acevedo / PBC（acevedo-blood）	17,092 单细胞	8 组 10 类型	分类	CellaVision DM96，西班牙	Mendeley 直链	CC BY 4.0
BloodMNIST（MedMNIST）	17,092（派生自 Acevedo）	8 类	分类（28×28）	派生	medmnist 包	CC BY 4.0
LISC	约 250 图	5 类	分类	伊朗	第三方托管	研究用途
BCCD	360 标注图	3 类（WBC/RBC/血小板）	检测	众包	GitHub	各异
Matek 骨髓集	171,375	21 类	分类	德国	部分非公开	各异
PBS_HCB（PBC）	17,092	8 组	分类	巴塞罗那	Mendeley	CC BY 4.0

三条对照结论：

1. Raabin-WBC 的差异化优势是"任务全 + 设备多"：论纯分类规模，Acevedo 17,092 与其分类子集 14,514 相当；但 Raabin-WBC 独有核质分割金标准（1,145）与设备多样性设计，且总边界框量（40,763）更大。
2. Acevedo 是它最常被并列的邻居：两者同为"五/八类外周血白细胞 + CC BY 4.0"，常被作为跨数据集泛化的对照对——但类别体系不同（Acevedo 五类白细胞 + 未成熟粒 + 幼红 + 血小板共 8 组）、分辨率不同（360×363 vs 575×575），直接套用输出头会错配（§5.6）。
3. LISC / BCCD 是论文的对比集：分割论文用 LISC（92.21%）与 BCCD（94.20%）对比 Raabin-WBC（94.65%）——引用这三个数字时必须带上"同一 SVM 方法、超参只在 Raabin-WBC 上固定"的限定（§5.6）。

7.2 官方自我定位

论文的核心宣称是"免费开放的正常外周血白细胞数据集 + 多任务支持 + 设备多样性实验"。它不与 Acevedo 争"首个"，而是强调任务覆盖广度与泛化研究价值——这是它在外周血细胞数据集家族的生态位：不是"最大的分类集"，而是"最全的多任务集 + 最好的域泛化试验场"。

7.3 正常与异常的边界：它不做的事

73 张涂片里 68 张正常、仅 5 张疾病涂片（1 CML + 2 贫血 + 2 嗜酸增多），且疾病涂片只贡献形态多样性，不构成异常细胞类目。因此：

• 不能用于白血病/血液病检出：没有原始细胞、异型淋巴等病理类目的系统标注。
• "正常"是供者维度而非每张图：疾病涂片的存在与少量反应性形态，说明"正常底色 + 少量多样性"是它的真实构成。
• 想研究异常细胞要转向含病理类目的数据集（多数规模更小或不公开）。

§8 生态与互链（库内条目）

8.1 库内家族图谱（条目名 + rid）

条目	rid	关系
acevedo-blood	722	最贴近的同域邻居：外周血细胞分类集（8 组 17,092），常与本集互为跨数据集泛化对照
pannuke	218	泛癌种细胞核分割（核分割方法互链）
nucls	248	乳腺细胞核分割（核分割方法互链）
monusac	651	MoNuSAC 2020 多器官核分割
cryonuseg	844	冷冻切片 H&E 核实例分割
herlev-pap	483	宫颈细胞学显微图像
sipakmed	490	宫颈细胞涂片显微图像
lc25000	178	肺/结肠 H&E 病理
topmed	169	心脏/肺/血液多组学
blueprint	239	欧盟血液表观基因组

8.2 检索路径建议

• 想找同类分类集：从本条目 → acevedo-blood（外周血细胞）；→ herlev-pap/sipakmed（脱落细胞）。
• 想找核分割方法：从本条目 → pannuke/nucls/monusac/cryonuseg（细胞核分割家族）。
• 想找血液多组学对照：→ topmed/blueprint（分子层，非图像，仅作"血液"主题关联）。

8.3 外部生态位

• wbc-benchmark（apple2373）：ICASSP 2023 域漂移基准，训练 RaabinWBC、测 LISC，是本数据集作为泛化评测场的代表。
• WBC-LIILayer-Generalization（CCreal）：光照不变层提升泛化。
• nimaadmed/WBC_Feature：官方代码。
• Kaggle / Roboflow 镜像：第三方托管（CC BY 4.0），方便快速取用但需注意版本独立。

8.4 与 acevedo-blood（rid 722）条目的分工声明

本条目与 acevedo-blood 是库内"外周血细胞"双子星，分工如下：

1. 本条目（raabin-wbc）：以多任务 + 设备多样性 + 双专家标注 + 分割金标准为核心叙事；分类子集 14,514、边界框 40,763、核质金标准 1,145。
2. acevedo-blood 条目：以纯分类 + 单设备流水线 + 8 组类别 + BloodMNIST 派生链为核心叙事；规模 17,092 单细胞。
3. 双条目共同承诺：跨数据集对照时，两文均写"同域对照"而非"派生"；凡涉具体指标，统一标注所用子集/划分/分辨率口径；任何一侧修订派生或对照表述，同步另一侧。

为什么这条分工值得写进正文：两个数据集常被并列引用，读者极易把"14,514 五类"与"17,092 八组"混为一谈，或误以为一方派生自另一方——把分工与差异钉死，读者在任一侧都能获得完整叙事。

8.5 导航：本条目速查地图

你的问题	去处
有多少张图、几个数字口径	§2.1、§2.2、坑 4
五类怎么认、难在哪	§2.6、§2.7
有分割金标准吗	§2.4、§3.3、坑 6
怎么划划分不泄漏	§5.3、坑 5
怎么下、什么许可	§6、坑 3
和 Acevedo 什么关系	§1 Q9、§7.1、§8.4
指标怎么用	§5.5、§5.6、附录 N
已知的坑有哪些	§10（坑 1–坑 8）
质量评估全表	附录 B、附录 M
想动手跑代码	附录 D、附录 J

8.6 外部生态全景（数据集→研究→应用的传播链）

本数据集的影响力可从"谁在用、用来做什么"读出，分三层：

第一层：官方与直接衍生

• nimaadmed/WBC_Feature：官方代码，论文配套。
• 官网保留 Raabin 白血病数据集（10,000+ 张、4 类白血病）作为姊妹资源——提示该平台在"正常 WBC"之外还布局了"异常 WBC"线，但本条目只覆盖正常的 Raabin-WBC。

第二层：第三方基准与泛化研究

• apple2373/wbc-benchmark（ICASSP 2023）：White Blood Cell Classification under Domain Shift，训练 RaabinWBC、测 LISC，配套 ResNet50-GN 等 backbone 与预训练权重——把本数据集变成"域漂移基准"的代表数据。
• CCreal/WBC-LIILayer-Generalization：可学习光照强度不变层（LII-Layer），针对显微图像的照明域差异。
• 多个第三方分类/分割复现仓库。

第三层：数据消费与集成

• Roboflow Universe（raabintest）：CC BY 4.0，分类任务，v4 版本 3,944 图（70/20/10 划分）。
• Kaggle（oulabspring 版）：CC BY 4.0，含 images/masks 目录（分割衍生）。
• 衍生数据集采样：TXL-PBC（PMC12559723）等外周血细胞整合集从中各取 100–500 样本。
• 综述收录：GPB 2025（doi 10.1093/gpbjnl/qzaf021）“Biological Data Resources and ML Frameworks for Hematology Research” Table 2 将其列为标准血细胞图像数据集之一。

三层传播链的共同点是**“泛化"主题贯穿始终**：官方用双设备设计埋下泛化问题，第三方基准用跨数据集评测放大这个问题，下游集成则把它当成"多样性好的训练源”。理解这条链，就能理解本数据集在外周血细胞数据生态里的独特位置——它不追求"最大分类集"的名号，而是扮演"域泛化试验场"的角色。

8.7 库内互链的用法示例

把 §8.1 的互链点串成两条可操作路径：

1. 从"白细胞分类"出发做横向评测：本条目（5 类，多任务）→ acevedo-blood（8 组，纯分类）→ herlev-pap/sipakmed（脱落细胞另一域）。这条路径适合研究"分类模型跨细胞类型/跨域泛化"。
2. 从"细胞核分割"出发做方法迁移：本条目（1,145 核质金标准）→ pannuke/nucls/monusac/cryonuseg（各规模核分割集）。这条路径适合研究"核分割方法在不同染色/组织下的可迁移性"，本数据集提供的是"外周血 + 双设备"这一独特域。

§9 方法学启示：三条可迁移的经验

9.1 “手机即标注站”：把标注成本压进现场

本数据集最值得学习的方法学创新是手机适配器 + Android 应用：专家在显微镜前正常观察，用挂在目镜上的手机拍照并当场标注，把"成像→标注"两段合一。这条经验对任何"专家稀缺、样本采集现场化"的医学数据集都成立——降低每次标注的上下文切换成本，是扩大标注规模的组织前提。40,763 个标注的积累，靠的不是更强的专家团队，而是更顺手的工具链。

9.2 “双设备采集”：把泛化问题设计进数据本身

多数数据集追求"单一设备、标准化采集"以降低噪声；Raabin-WBC 反其道而行，刻意用两台显微镜、两台相机采集，把"域差异"作为一个变量保留下来。这条经验的价值在于：与其事后用算法模拟域偏移，不如在采集阶段就把真实域差异"种"进数据。它使本数据集成为域泛化/域适应研究的现成试验场，也让论文的"泛化能力受设备多样性影响"这一结论有了真实数据支撑，而非合成实验。

9.3 “一个包四任务”：粒度贯通的设计红利

从涂片（73）→ 视野（20,936）→ 细胞（40,763）→ 像素（1,145），本数据集在四个粒度层都留有数据。这条经验的启示是：在采集时就规划多粒度导出，让同一批原始数据服务多种下游任务——避免了"分类集缺分割标签、分割集规模太小"的常见割裂。代价是包的复杂度上升、口径变多（§5.6），但任务覆盖的收益远超管理成本。

§10 避坑清单：八个已踩过的坑

坑 1：把 40,763 当唯一的"数据集规模"。40,763 是边界框总数（含 WBC 与 artifact 伪影），不是图像数。显微镜大图是 20,936 张，五类分类子集是 14,514 张，双标注子集是 17,965 张。把边界框当图像、或把四个数字随意互换，是最常见的规模误报。正确做法：按用途选口径并显式标注（§2.1、§2.2）。

坑 2：只引数据集论文，漏引分割论文。官网明写——若使用了核质金标准（ground truth），除数据集论文外必须引用分割方法论文（Sci Rep 11:19428，doi 10.1038/s41598-021-98599-0）。只引一篇会被审稿人判为引用不全；只引分割论文而漏数据集论文同样错误。正确做法：用了分割标注就两篇一起引（§4.1）。

坑 3：把许可写成"非商用"。本数据集正式论文是 CC BY 4.0，官网也明写"免费供商业与非商业项目使用"。误报"非商用"的根源是预印本 bioRxiv 标的是 CC BY-NC 4.0——把预印本口径当成数据集许可。正确做法：以正式论文 CC BY 4.0 为准，预印本口径仅作历史存照（§4.5、§6.2）。

坑 4：混用 14,514 / 17,965 / 40,763 三个口径。14,514 是五类分类裁剪子集、17,965 是双标注子集（含 Test-B 低质量中性粒与淋巴）、40,763 是边界框总数。拿 17,965 的训练脚本去套 14,514 的指标、或用 40,763 声称"分类规模"，都是口径错配。正确做法：任何数字出行都带口径标签（§2.2、§5.6）。

坑 5：按大图随机划分导致涂片泄漏。20,936 张大图来自仅 73 张涂片，同涂片的多张视野同源。随机划分会让训练集与测试集共享涂片，模型"记住涂片"而非学形态，指标虚高。同时，本数据集的两台显微镜/两台相机构成真实域差异，混用会掩盖泛化评测的真实含义。正确做法：按涂片分组划分（防泄漏）+ 按设备分组（做域泛化）（§5.3）。

坑 6：把嗜碱分割标签当"核+质两层"用。1,145 个核质金标准里，淋巴/单核/中性粒/嗜酸给的是"核 + 质"两层，但嗜碱（218 个）给的是整细胞轮廓（因嗜碱颗粒遮盖核，核质不可分）。做统一两层分割任务时若不处理这个不一致，会得到错误的前景/背景掩膜。正确做法：分割训练时对嗜碱特殊处理（整细胞当核、或单独成类）（§3.3、§2.6.5）。

坑 7：把本数据集误认作 Mendeley Data 数据集。本数据集自托管于 raabindata.com，不在 Mendeley。Mendeley 上的 snkd93bnjr 是巴塞罗那 PBC 数据集（对应库内 acevedo-blood）。两者虽同域（外周血白细胞、CC BY 4.0），但规模、类别体系、采集设备均不同。正确做法：认官网 raabindata.com + doi 10.1038/s41598-021-04426-x（§4.4、§7.1）。

坑 8：拿"五类准确率"当血液病筛查能力。数据集 73 张涂片里 68 张正常，仅 5 张疾病涂片且不构成异常类目；五类输出头全是正常白细胞形态。把 94.65% 之类的分类准确率解读为"能筛查白血病"，是把闭集分类模型误当临床诊断工具——既错误又有伦理风险。正确做法：明确任务边界为"正常白细胞形态分类/分割"，异常检出另寻含病理类目的数据集（§7.3）。

FAQ（高频问答 35 问）

A. 基础认知

Q1：Raabin-WBC 是什么？
伊朗德黑兰大学与 Nimaad 公司发布的正常外周血白细胞显微图像数据集，支持分类、检测、分割、定位四类任务，官网免费公开，正式论文 CC BY 4.0。

Q2：Raabin 是什么意思？
来自发布平台 “Raabin Health Data”（raabindata.com）——数据集是该平台的首个免费数据资源，后缀 WBC = White Blood Cell。

Q3：它是图像数据集还是别的模态？
纯显微图像数据集（JPG/BMP），无分子/检验数值模态。附 JSON 标注字典，但 JSON 里也是细胞坐标与标签，不是 CBC 化验值（坑 8 同族）。

Q4：有多少张图？
看她问哪个口径：边界框 40,763 / 显微镜大图 20,936 / 五类分类子集 14,514 / 双标注子集 17,965（坑 4）。

B. 数据与获取

Q5：从哪下？要注册吗？
官网 dl.raabindata.com/WBCData.rar 直链，无注册、无申请、无邮件审批（§6.1）。

Q6：什么许可？能商用吗？
CC BY 4.0，官网明写商业与非商业项目均免费——可商用，义务是署名（§6.2）。

Q7：包多大？什么格式？
RAR 归档，内含 JPG/BMP 图像、边界框标签、核质掩膜、每张大图的 JSON 字典。

Q8：有官方代码吗？
有，nimaadmed/WBC_Feature（论文配套特征提取与分类代码）。

C. 标注与质量

Q9：谁标注的？
两名专家独立双标注（double labeling），分歧矩阵见论文 Table 4；核金标准由 Easy-GT 辅助提取。

Q10：有观察者间一致性系数吗？
没有统一的 kappa 之类系数，只有分歧矩阵。可靠性背书是双标注机制本身（§3.2）。

Q11：有多少细胞被标为存疑？
1,099 个标为 not recognized（无法辨认）；另有 9,015 个细胞未标注（§3.2）。

Q12：有分割标签吗？多少？
有，1,145 个细胞的核质金标准；其中嗜碱是整细胞轮廓（坑 6）。

D. 基准与指标

Q13：官方基准是多少？
配套分割论文：核分割 Dice 0.9675；SVM 分类 Raabin-WBC 94.65% / LISC 92.21% / BCCD 94.20%（§5.5）。

Q14：能拿到 99%+ 吗？
第三方深度模型常报告更高，但受划分/设备影响大；引用必须带子集与划分限定（§5.6）。

Q15：为什么不能只看准确率？
类别 29.5:1 不平衡，全预测中性粒就有 61% 准确率。必报宏平均 F1 / 分组召回（§5.5）。

Q16：Test-B 是什么？
官方三个划分目录之一，通常只含低质量中性粒与淋巴，用于鲁棒性测试，不覆盖五类（§5.1）。

E. 划分与工程

Q17：有官方 train/test 划分吗？
包内有 Train/Test-A/Test-B 三目录，但无逐文件 CSV split；社区也常用 80/20 自建（§5.1、§5.2）。

Q18：怎么划划分最安全？
按涂片分组（防同源泄漏）+ 按设备分组（做域泛化）（§5.3、坑 5）。

Q19：怎么防止数据泄漏？
以涂片 ID 为分组单位，同涂片视野只落一侧；再做一次去重（§5.3）。

Q20：图像分辨率多少？
分类裁剪图第三方口径 575×575；大图为原始显微镜分辨率（§2.4）。

F. 库内与生态

Q21：和 acevedo-blood 什么关系？
同域对照（非派生）：Acevedo 是 8 组 17,092 纯分类集，本集是 5 类多任务集，常互为跨数据集泛化对照（§8.4）。

Q22：和 BloodMNIST 什么关系？
无直接派生。BloodMNIST 派生自 Acevedo；本集约等于 Acevedo 的"更大、更多任务"邻居（§1 Q9）。

Q23：有哪些第三方基准？
wbc-benchmark（ICASSP 2023 域漂移）、WBC-LIILayer（光照不变层）等（§8.3）。

G. 边界与伦理

Q24：能做白血病筛查吗？
不能。数据集是正常血象为主，无异常类目系统标注（坑 8、§7.3）。

Q25：有患者信息吗？
无。供血者人数、年龄、性别、民族均未披露，无患者级划分可能（§2.5、§3.4）。

Q26：能作临床诊断工具吗？
不能。这是科研图像数据集，分类结果无临床效力，不得用于自我诊断（§7.3）。

H. 工程细节

Q27：怎么分辨哪张图来自哪台设备？
官方未随包给逐张设备映射表，做域泛化需自行推断（坑 5、§3.4）。

Q28：JSON 字典和大图怎么对应？
按文件名/路径对应；裁剪细胞图与 JSON 的映射需自行建立（§3.5、附录 J）。

Q29：怎么核对下载完整性？
图像计数对齐口径（大图 20,936）+ sha256 留痕（§6.5）。

Q30：细亚型（Band/metamyelocyte）能直接拿来训吗？
不能直接用——逐张归属未随包完整发布，任何亚型划分都是自标口径（§2.3、坑 4）。

Q31：五类白细胞的临床意义是什么？
各类升降对应不同疾病谱（如中性粒↑细菌感染、淋巴↑病毒感染、嗜酸↑过敏/寄生虫）。但这是背景知识——数据集是正常血象为主，疾病涂片仅 5 张且不构成异常类目（§2.9）。

Q32：图像里的颜色差异是数据损坏吗？
不是。两台显微镜 + 两台相机导致的颜色/锐度/照明域差异是设计保留的特征，是域泛化研究的素材（§2.10、坑 5）。

Q33：如果官网数据页打不开怎么办？
free-data 页在抓取时曾返回 404（站点改版）。从首页 raabindata.com 的 “Free Normal WBC Dataset” 区块点 “Download Here”，或直接用下载直链 dl.raabindata.com/WBCData.rar（§6.1）。

Q34：能把它和 Acevedo 合并训练吗？
技术可行（同为外周血白细胞、同 CC BY 4.0），但类别体系不同（本集 5 类 vs Acevedo 8 组）、分辨率不同（575×575 vs 360×363）——合并需先统一标签映射与分辨率，并注意两集染色/设备域差异（§7.1、§8.4）。

Q35：有中文或双语标签吗？
没有。原始标签为英文（neutrophil/eosinophil 等），本条目提供了中英对照（§2.2、§2.6、术语表）。

事实清单（硬事实 40 条）

1. 数据集全称：A large dataset of white blood cells containing cell locations and types, along with segmented nuclei and cytoplasm（惯称 Raabin-WBC）。
2. 数据集论文：Sci Rep 12, 1123 (2022)，doi 10.1038/s41598-021-04426-x，CC BY 4.0。
3. 预印本：bioRxiv 2021-05-04，doi 10.1101/2021.05.02.442287，CC BY-NC 4.0（口径与正式版不同）。
4. 配套分割论文：Sci Rep 11, 19428 (2021)，doi 10.1038/s41598-021-98599-0，CC BY 4.0，Published 2021-09-30。
5. 使用核质金标准须额外引用分割论文（官网硬性要求）。
6. 团队：University of Tehran（School of ECE）+ K. N. Toosi University of Technology + Nimaad Health Equipment Development Company。
7. 一作/核心作者：Zahra Mousavi Kouzehkanan；资深作者 Reshad Hosseini。
8. 官网：https://www.raabindata.com/；数据页 /free-data/；下载直链 dl.raabindata.com/WBCData.rar。
9. 官方代码：https://github.com/nimaadmed/WBC_Feature。
10. 血涂片总数 73：CML 1 + normal-anemia 2 + normal-eosinophilia 2 + normal 68（Table 3）。
11. 显微镜大图 20,936 张。
12. 边界框（含 WBC 与 artifact）40,763 个。
13. 单专家标注 WBC：0 位 10,385 / 1 位 4,971 / 2 位（双标注）25,408。
14. 核质金标准 1,145 细胞：淋巴 242 / 单核 242 / 中性粒 242 / 嗜酸 201 / 嗜碱（整细胞）218。
15. 五类分类子集 14,514 张（575×575）：中性粒 8,891 / 淋巴 3,461 / 嗜酸 1,066 / 单核 795 / 嗜碱 301。
16. 双标注子集 17,965 张（含 Train/Test-A/Test-B）。
17. 摘要宣传口径：约 40,000 张 WBC 与色斑（color spots）图像。
18. 成熟五类：neutrophil / eosinophil / basophil / lymphocyte / monocyte。
19. 细分亚型：中性粒含 Metamyelocyte、Band；淋巴含 small、activated/large；另有 Burst、Artifact。
20. 双专家分歧矩阵见论文 Table 4；高分歧类对：大/小淋巴、Band vs 成熟中性粒、Artifact vs Burst、大淋巴 vs 单核、小淋巴 vs Burst。
21. 1,099 个细胞被标为 not recognized；9,015 个细胞未标注。
22. 采集设计：两台不同显微镜 + 两台不同相机（多样性/泛化检验）。
23. 采集工具：手机适配器 + 两 Android 应用（现场选细胞标注）+ 桌面应用（二次标注）+ Easy-GT（核金标准）。
24. 去重：graph-based 图像处理去除近似重复细胞（承认仍可能残留少量）。
25. 每张大图配 JSON 字典（细胞坐标与标签、涂片染色法、疾病类型）。
26. 数据格式：JPG/BMP 图像 + JSON + 掩膜，RAR 归档。
27. 官方划分目录：Train / Test-A / Test-B（无逐文件 CSV split）。
28. Test-B 通常为低质量中性粒与淋巴，不覆盖五类。
29. 配套分割论文结果：核分割 Dice 0.9675。
30. 配套分割论文分类：Raabin-WBC 94.65% / LISC 92.21% / BCCD 94.20%（SVM，超参仅在 Raabin-WBC 固定）。
31. 数据集论文实验：9 个预训练模型对比，论证设备多样性对泛化的影响。
32. 许可（官方口径）：CC BY 4.0 + 官网"免费供商业与非商业项目"。
33. 获取门槛：无注册、无申请、无审批。
34. 库内最贴近同域条目：acevedo-blood（rid 722，外周血细胞分类集）。
35. 第三方域漂移基准：apple2373/wbc-benchmark（ICASSP 2023，训练 RaabinWBC 测 LISC）。
36. 第三方泛化工作：CCreal/WBC-LIILayer-Generalization（光照不变层）。
37. 综述收录：GPB 2025（doi 10.1093/gpbjnl/qzaf021，PMC12321297）Table 2。
38. 第三方镜像：Roboflow Universe（CC BY 4.0，v4 3,944 图）、Kaggle（CC BY 4.0）。
39. 衍生分割集：Zenodo RaabinWBCSeg（doi 10.5281/zenodo.17970161）为第三方加工版，非官方。
40. 抓取核验时点：2026-10-04（官网、Nature/Sci Rep 论文页、bioRxiv、Springer Table 3、PubMed 34593873、第三方仓库多源）。

术语表（34 条）

术语	释义
外周血（peripheral blood）	循环血液，区别于骨髓穿刺样本；血涂片镜检对象
血涂片（blood smear / film）	血液薄涂于玻片经染色后的显微镜样本
白细胞（WBC / leukocyte）	免疫细胞总称，本数据集的目标细胞
中性粒细胞（neutrophil）	分叶核成熟粒系细胞，正常白细胞中占比最高（约 60%）
嗜酸性粒细胞（eosinophil）	橙红粗颗粒、双叶核，过敏与寄生虫应答相关
嗜碱性粒细胞（basophil）	深紫黑颗粒、常遮核，正常血中最稀少者之一
淋巴细胞（lymphocyte）	圆核致密染色质的免疫细胞，T/B/NK 总称
单核细胞（monocyte）	大细胞、肾形核、灰蓝胞质，巨噬细胞前体
Metamyelocyte（晚幼粒）	中性粒未成熟前体，核肾形凹陷；本数据集细分标签之一
Band（杆状核）	中性粒未完全分叶阶段；核左移信号；细分标签之一
核左移（left shift）	杆状核等未成熟中性粒比例增高的血象改变
Burst（smudge cell）	涂片制备中被压碎的细胞残余；伪影标签
Artifact（伪影）	染色/干燥造成的非细胞目标；随边界框标注
双标注（double labeling）	同一目标由两名专家独立标注的质量机制
观察者间一致性（inter-observer agreement）	多标注者一致程度；本数据集仅有分歧矩阵、无汇总系数
边界框（bounding box）	目标检测的外接矩形标注；本数据集 40,763 个
核质分割（nucleus/cytoplasm segmentation）	像素级区分细胞核、细胞质的任务
金标准（ground truth）	人工标注的权威参考；本数据集 1,145 细胞核质掩膜
Easy-GT	本数据集自研的细胞核金标准提取软件
显微镜大图（large microscopic image）	完整视野图像；本数据集 20,936 张
575×575	五类分类裁剪图分辨率（第三方口径）
MGG / Giemsa 染色	血细胞形态学标准染色法
域偏移（domain shift）	训练与测试分布不一致（如换设备）；本数据集的两设备设计即研究此问题
域泛化（domain generalization）	跨域保持性能的能力；wbc-benchmark 的核心命题
类别不平衡（class imbalance）	类间样本量差异；本数据集 29.5:1
宏平均 F1（macro-F1）	各类指标等权平均，抗不平衡；本数据集首选指标
分组划分（group split）	按涂片等分组单位划分以防泄漏
数据泄漏（data leakage）	训练与测试共享同源信息致指标虚高
Test-A / Test-B	官方两个测试目录；Test-B 为低质量中性粒与淋巴
闭集假设（closed-set）	假设输入均属训练类目；五类分类器固有局限
检测 / 定位（detection / localization）	定位细胞位置的任务；本数据集支持
JSON 字典	每张大图的元数据文件（坐标、标签、染色法、疾病类型）
域适应（domain adaptation）	用目标域数据调整模型以适应域差
CC BY 4.0	署名即可自由使用（含商用）的开放许可

附录 A：数据字典（表字段说明）

本数据集不使用关系型表格，而是采用"文件夹 + 图像 + JSON 字典"的组织方式。下表还原 JSON 字典的字段语义，供工程化入库时对照。

字段（推断名）	类型	含义	备注
cells / cell	数组/对象	该大图内各血细胞的记录集合	每条含坐标与类别
cell_type / type	字符串	类别标签（neutrophil/eosinophil/basophil/lymphocyte/monocyte，及亚型）	含 Burst、Artifact
location / bbox	数组	细胞边界框坐标（x, y, w, h 或两点式）	与 40,763 边界框口径对应
stain	字符串	涂片染色方法（如 Giemsa / MGG）	影响外观分布
disease / condition	字符串	供体疾病类型（normal 为主，含 CML、normal-anemia 等）	与 Table 3 的 film 分类对应
image_name	字符串	原大图文件名	用于回链
resolution	数值对	大图或裁剪图尺寸	裁剪分类图多为 575×575

说明：字段名为从官方 JSON 结构归纳的语义名，不保证与原始键名逐字一致；工程引用前应以实际下载包内 JSON 为准（坑 8）。

附录 B：DAIMS 数据资产成熟度评分表（24 项）

下表按 DAIMS（Data Asset Maturity）框架对本数据集逐项打分，满分 5 分制（0=缺失，5=业界标杆），并给出依据与库内定位。综合得分反映"数据本身强、元数据工程弱"的典型画像。

维度	子项	得分	依据
可发现性 Discovery	官方主页可达	5	raabindata.com 稳定可达
可发现性 Discovery	搜索引擎/综述收录	5	被 GPB 2025 综述 Table 2 等收录
可发现性 Discovery	唯一标识（DOI）	3	论文有 DOI，数据本体无平台 DOI，自托管
可发现性 Discovery	稳定下载链接	3	dl.raabindata.com 直链，但 free-data 页曾 404
可访问性 Accessibility	无需申请即下载	5	完全开放，无需注册/审批，含商用
可访问性 Accessibility	无需专用工具	4	需 unrar/7z 解压 .rar
可访问性 Accessibility	文件完整性校验	1	官方未提供校验和/清单
可访问性 Accessibility	版本可追溯	2	无显式版本号，仅靠官网/论文时点
可用性 Usability	文档完整度	3	论文详尽，官网说明较简
可用性 Usability	标签体系清晰	4	5 类 + 亚型 + 伪影，层级明确
可用性 Usability	元数据随包发布	3	有 JSON 字典，但字段说明不完整
可用性 Usability	图像格式通用	5	JPG/BMP，通用易读
可用性 Usability	多任务支持	5	分类/检测/分割/定位一体
可用性 Usability	类别平衡性	2	29.5:1 强不平衡
质量 Quality	专家标注	5	血液学专家双标注
质量 Quality	金标准掩膜	5	1,145 细胞核质掩膜
质量 Quality	观察者一致性量化	2	仅分歧矩阵，无 kappa 汇总
质量 Quality	去重与清洗	4	graph-based 去重
质量 Quality	设备多样性	5	双显微镜 + 双相机
质量 Quality	患者级元数据	1	无患者 ID / 人口学
质量 Quality	划分规范性	2	官方三目录，但无固定可复现 split
治理 Governance	许可明确	5	正式论文 CC BY 4.0，官网免费含商用
治理 Governance	伦理/隐私说明	3	正常外周血、脱敏图像；匿名化说明较简
治理 Governance	引用规范	4	强调需同引分割论文
治理 Governance	长期维护承诺	3	官网自托管，机构背景可依赖但有风险

综合画像：可用性与质量维度接近满分，可访问性中等，治理与元数据维度偏弱。核心短板为"无平台 DOI、无校验和、无患者级元数据、无固定 split、无一致性系数"。

附录 C：与 acevedo-blood（rid 722）分工对照

对照项	Raabin-WBC（本条目）	acevedo-blood（rid 722）
来源机构	德黑兰大学 + K.N. Toosi + Nimaad（伊朗）	Hospital Clinic de Barcelona（西班牙）
宿主	官网自托管 raabindata.com	Mendeley Data（snkd93bnjr）
规模	40,763 边界框 / 14,514 分类 / 17,965 双标注	17,092 图
类别	5 类成熟 WBC + 亚型 + 伪影	8 组细胞
任务	分类 + 检测 + 分割 + 定位	纯分类（另有 BloodMNIST 降采样派生）
设备	双显微镜 + 双相机（多样性内建）	单中心成像
License	CC BY 4.0（正式）	CC BY 4.0
典型用途	域泛化训练源；多任务基准	跨数据集泛化目标域；轻量分类
库内定位	多任务 + 开放 + 多样性样板	分类 + 派生（BloodMNIST）样板

分工声明：两者非派生关系，是"外周血白细胞公开集"家族最常并列的两个成员。研究与条目写作时应显式区分：本条目侧重"多任务 + 设备多样性 + 自托管开放"，acevedo-blood 侧重"分类 + Mendeley 托管 + BloodMNIST 派生链"。

附录 D：最小可用加载代码（Python）

# 读取一张显微镜大图对应的 JSON 字典，并抽取细胞列表
import json, os, glob

DATA_ROOT = "./WBCData"          # 解压后的根目录
json_paths = glob.glob(os.path.join(DATA_ROOT, "**", "*.json"), recursive=True)

for jp in json_paths[:5]:
    with open(jp, "r", encoding="utf-8") as f:
        meta = json.load(f)
    cells = meta.get("cells", meta)          # 字段名以实际包为准
    n = len(cells) if isinstance(cells, list) else "n/a"
    print(os.path.basename(jp), "-> 细胞数:", n, "| 染色:", meta.get("stain"))

# 统计五类分类子集的类别分布（若已按类别分文件夹）
from collections import Counter
import glob, os

root = "./RaabinWBC_classification"
counter = Counter()
for cls_dir in glob.glob(os.path.join(root, "*")):
    if os.path.isdir(cls_dir):
        counter[os.path.basename(cls_dir)] = len(
            glob.glob(os.path.join(cls_dir, "*.jpg")) +
            glob.glob(os.path.join(cls_dir, "*.png"))
        )
print(counter)   # 期望量级：Neutrophil ~8891 / Lymphocyte ~3461 / Eosinophil ~1066 ...

附录 E：常用评估指标速查

指标	公式要点	本数据集适配性
准确率 Accuracy	正确/总数	受 29.5:1 不平衡污染，慎用
宏平均 F1 macro-F1	各类 F1 等权平均	首选，抗不平衡
平衡准确率 Balanced Acc	各类召回率平均	次选，直观
每类召回 Recall	该类正确/该类总数	必看，尤其嗜碱/单核
混淆矩阵 Confusion Matrix	类×类计数	必看，暴露淋巴/单核混淆
核分割 Dice	2·\	A∩B\
平均精度 mAP	检测 IoU 阈值下 AP 均值	用于 40,763 边界框检测任务

附录 F：血细胞形态速认卡

类别	核	质	颗粒	一句话速认
中性粒细胞	分叶（3-5 叶）	淡粉	细中性颗粒	“分叶核 + 淡粉质”
嗜酸性粒细胞	双叶	淡	橙红粗颗粒	“双叶核 + 橙红粗颗粒”
嗜碱性粒细胞	常被遮	少	深紫黑粗颗粒	“紫黑颗粒盖核”
淋巴细胞	圆、致密染色质	少、蓝	无/少量	“圆核 + 窄蓝质”
单核细胞	肾形/马蹄形	多、灰蓝	细尘样	“肾形核 + 灰蓝质”

注：速认卡面向入门，真实判读须结合染色、放大倍数与临床背景；易混对为"大淋巴 vs 单核"“小淋巴 vs Burst”。

附录 G：常见混淆对与判别要点

混淆对	判别要点	来源
大（活化）淋巴 ↔ 单核	单核胞质更宽、更灰蓝、有空泡；大淋巴仍偏蓝窄质	Table 4 分歧
小淋巴 ↔ Burst 伪影	Burst 无完整核结构、染色质弥散	Table 4 分歧
Band ↔ 成熟中性粒	Band 核不分叶呈杆状；成熟者分叶	Table 4 分歧
Artifact ↔ Burst	Artifact 为干燥/染色伪影；Burst 为压碎细胞	Table 4 分歧
中性粒 ↔ 嗜酸（低质图）	低质量下颗粒色不易辨，需结合核分叶	Test-B 低质量子集

附录 H：库内互链全清单（条目名 + rid）

条目	rid	关系
acevedo-blood	722	直接同类（外周血 WBC），最贴近对标
pannuke	218	病理细胞核分割
nucls	248	病理细胞核分类/分割
monusac	651	细胞核实例分割
cryonuseg	844	冷冻切片核分割
herlev-pap	483	脱落细胞（宫颈）
sipakmed	490	宫颈细胞
lc25000	178	病理（肺/结肠）
topmed	169	血液多组学
blueprint	239	血液表观组学

rid 以抓取时点库内记录为准；引用前建议以 SQL 复核（见 §8.1）。

附录 I：检索与复现命令速查

# 1) 下载（官网直链，无需认证）
wget -c https://dl.raabindata.com/WBCData.rar

# 2) 解压（需 unrar 或 7z）
unrar x WBCData.rar ./WBCData || 7z x WBCData.rar -o./WBCData

# 3) 清点（口径核对）
find ./WBCData -name "*.json" | wc -l      # 对照 20,936 大图
find ./WBCData -name "*.jpg" -o -name "*.png" | wc -l

# 4) 记录校验和（溯源留痕）
find ./WBCData -type f -exec md5sum {} \; > raabin_wbc_md5.txt

-- 定稿前库内查重（只读）
SELECT record_id, url_name FROM ai_ready_dataset
WHERE status = 1 AND url_name ILIKE '%raabin%';

附录 J：论文引用 BibTeX

@article{kouzehkanan2022raabin,
  title   = {Raabin-WBC: a large free access dataset of white blood cells
             from normal peripheral blood},
  author  = {Kouzehkanan, Zahra Mousavi and Saghari, Sepehr and Tavakoli, Sajad
             and Rostami, Peyman and Abaszadeh, Mohammadjavad and Mirzadeh, Farzaneh
             and Satlsar, Esmaeil Shahabi and Gheidishahran, Maryam and Gorgi, Fatemeh
             and Mohammadi, Saeed and Hosseini, Reshad},
  journal = {Scientific Reports},
  volume  = {12},
  pages   = {1123},
  year    = {2022},
  doi     = {10.1038/s41598-021-04426-x}
}

@article{tavakoli2021segmentation,
  title   = {New segmentation and feature extraction algorithm for
             classification of white blood cells},
  author  = {Tavakoli, Sajad and Ghaffari, Ali and Kouzehkanan, Zahra Mousavi
             and Hosseini, Reshad},
  journal = {Scientific Reports},
  volume  = {11},
  pages   = {19428},
  year    = {2021},
  doi     = {10.1038/s41598-021-98599-0}
}

官网要求：使用本数据集时两篇论文应一并引用（数据集论文 + 分割论文，坑 4）。

附录 K：数据包内容清单（据论文与官网归纳）

内容	形态	对应口径
显微镜大图	JPG/BMP	20,936
大图 JSON 字典	JSON	每图一个
细胞裁剪图（5 类分类子集）	JPG（约 575×575）	14,514
边界框标注	随 JSON	40,763
双标注子集	分目录	17,965
核质分割金标准掩膜	图像掩膜	1,145 细胞
亚型标签（Metamyelocyte/Band 等）	随 JSON/目录	部分细胞

附录 L：术语中英对照速查（补充）

中文	英文	说明
血涂片	blood smear / film	73 张
双标注	double labeling	25,408 细胞
存疑未识别	not recognized	1,099 细胞
未标注	unlabeled	9,015 细胞
金标准	ground truth	1,145 细胞核质
域偏移	domain shift	换设备场景
宏平均 F1	macro-F1	首选指标
分组划分	group split	防泄漏

附录 M：元数据质量专项说明

本数据集最值得记录之处，恰在其"数据丰、元数据欠"的落差。以下逐项说明元数据现状与影响：

• 有 JSON 字典但无字段规范：坐标与标签可解析，但字段名、坐标系约定未随包文档化，跨团队加载易出错（坑 8）。
• 无患者级表：无患者 ID、年龄、性别、采集时间，无法做患者级划分或人口学分层分析。
• 无固定官方 split 清单：Train/Test-A/Test-B 三目录存在，但缺可复现的样本级清单，第三方大量自定 70/20/10 或其它划分（§5.2）。
• 无观察者一致性汇总系数：有 Table 4 分歧矩阵，但缺 Cohen’s kappa / Fleiss kappa 等标量指标，量化标注质量需自行从矩阵推算。
• 无文件校验和：官方未发布 MD5/SHA 清单，完整性依赖下载方自行留痕（附录 I 第 4 步）。
• 疾病类型字段粒度粗：film 层面有 normal/CML 等，细胞层面不携带供体疾病标签，跨疾病亚组分析受限。

结论：使用前应自行补齐"字段约定 + 划分清单 + 校验和"三份轻量元数据，即可把本数据集从"好数据"提升到"可复现的好数据"。

附录 N：使用守则（速记版）

• 先引用，后使用：数据集论文 + 分割论文一并引用。
• 先核对，后入库：下载后立刻清点大图数、边界框数、金标准数，与 20,936 / 40,763 / 1,145 对照（附录 I）。
• 先分组，后划分：按涂片分组划分，切勿随机拆图致泄漏（坑 2）。
• 先定指标，后训练：以 macro-F1 为主，报告混淆矩阵与每类召回（§5.5）。
• 先验 JSON，后工程：字段名以实际包为准，勿照搬本文档推断名（坑 8）。
• 商用可，但注明口径：CC BY 4.0 / 官网免费含商用为准，勿引预印本 CC BY-NC 造成误判（坑 3）。

附录 O：版本与抓取记录

项	值
条目抓取时点	2026-10-04
论文正式版	Sci Rep 12, 1123 (2022)
预印本	bioRxiv 2021-05-04
配套分割论文	Sci Rep 11, 19428 (2021)
官网	https://raabindata.com/
下载直链	https://dl.raabindata.com/WBCData.rar
官方代码	https://github.com/nimaadmed/WBC_Feature
free-data 页状态	抓取时 404（站点改版，以首页链接为准）

附录 P：待核事项清单

• [ ] WBCData.rar 实际文件大小与 SHA256（本次仅核链未下载）。
• [ ] Test-A / Test-B 精确样本数（官方划分目录级）。
• [ ] JSON 字典原始键名逐字确认。
• [ ] 双标注 25,408 之外是否另有第三专家仲裁记录。
• [ ] CML（1 张 film）与 normal 的分布是否影响分类训练建议。

附录 Q：一句话定位

Raabin-WBC 是外周血白细胞公开集里"多任务 + 开放 + 设备多样性"三条优点并存的样板：一次下载即可同时做分类、检测、分割与定位，代价是无固定 split、无患者级元数据、无一致性系数——用好它的关键，在于自己补齐这三份元数据工程欠账。

---

尾注与来源 URL 列表

本条目所有硬数字与事实均来自下列一手来源，抓取可复核时点为 2026-10-04。按"论文 / 官方站点 / 第三方生态"三类归集。

一、论文与出版

• 正式论文（Sci Rep 12, 1123, 2022，doi 10.1038/s41598-021-04426-x）：https://www.nature.com/articles/s41598-021-04426-x
• 论文 PMC 全文（PMC9276698）：https://pmc.ncbi.nlm.nih.gov/articles/PMC9276698/
• 预印本（bioRxiv 2021，doi 10.1101/2021.05.02.442287）：https://www.biorxiv.org/content/10.1101/2021.05.02.442287v1
• 配套分割论文（Sci Rep 11, 19428, 2021，doi 10.1038/s41598-021-98599-0）：https://www.nature.com/articles/s41598-021-98599-0
• PubMed 记录（数据集论文）：https://pubmed.ncbi.nlm.nih.gov/34593873/

二、官方站点与代码

• 官网首页：https://raabindata.com/
• 数据页（抓取时 404，存照）：https://www.raabindata.com/free-data/
• 下载直链（.rar）：https://dl.raabindata.com/WBCData.rar
• 官方代码库：https://github.com/nimaadmed/WBC_Feature

三、第三方生态与镜像

• wbc-benchmark（ICASSP 2023，域偏移基准）：https://github.com/apple2373/wbc-benchmark
• WBC-LIILayer-Generalization：https://github.com/CCreal/WBC-LIILayer-Generalization
• Kaggle 镜像（CC BY 4.0）：https://www.kaggle.com/datasets/oulabspring/raabin-wbc
• Roboflow Universe 镜像（CC BY 4.0）：https://universe.roboflow.com/raabin-wbc
• 综述收录（GPB 2025，doi 10.1093/gpbjnl/qzaf021）：https://doi.org/10.1093/gpbjnl/qzaf021

四、纠偏存照

• Mendeley 上 snkd93bnjr 实为巴塞罗那 PBC（Acevedo）数据集，非本数据集：https://data.mendeley.com/datasets/snkd93bnjr/1
• 本条目库内对标条目 acevedo-blood（rid 722）。

来源使用原则：数字以正式论文 Table 3 与官网声明为准；口径冲突（如 40,000 宣传口径 vs 40,763 边界框口径）逐一标注来源，不同口径不混用（§2.1、§4.5、坑 1）。

---

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：

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

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。