信息速览
INFOBOX — UMID 一屏速览
维度 内容 本质 首个公开可用的尿液沉渣显微图像细胞检测数据集（论文原话 first urine images dataset publicly available） 团队 BITS Pilani（印度）第一作者 Dipam Goswami；采图医生 Rajiv Gupta（Rajpura 诊所） 论文 arXiv:2111.10374（2021-11-19 提交，q-bio.QM；预印本，无同行评审期刊版本） 数据 366 张 1280×720 明场显微图；3,733 个细胞标注；RBC 44% / pus 33% / epithelial 23% 类别 RBC（红细胞）/ pus cells（脓细胞、WBC）/ epithelial cells（上皮细胞）；missed label 单列不训练 标注 Microsoft VoTT；单独细胞画框、簇内细胞点标注（约 20%）、missed label 类（约 11%） 划分 训练 ≈76% / 验证 ≈10% / 测试 ≈14%（按 3733 个标注细胞划分，非按图像） 采集 两台 MAGNUS CH20iBIMF 明场显微镜（400× HPF）+ COSUSB5000 5 MP 相机；新旧机图像比约 10:2 特色 in-the-wild 真实低质量临床图像（模糊、伪影、失焦），主张「低质量训练才落地基层」 获取 GitHub dipamgoswami/UMID-Urine-Microscopic-Image-Dataset公开直链；Roboflow 镜像（366 图）许可 官方仓库未明示；Roboflow 镜像标 CC BY 4.0（存照） 库内互链 chula-parasitic-egg、sth-schisto-eggs（显微细胞/卵检测）、raabin-wbc（白细胞显微分类）、microvqa
UMID 是一个「把基层诊所的显微镜搬进数据集」的尝试：它不追求漂亮的图像，而是刻意收录真实临床条件下拍出的模糊、失焦、带伪影的尿沉渣显微照片——因为作者相信，只有在这种「脏数据」上训练出来的模型，才能真正在缺乏熟练检验技师的农村诊所里跑起来。作为首个公开的尿液沉渣显微图像细胞检测数据集，它用 366 张图、3733 个标注、三类细胞（红细胞 / 脓细胞 / 上皮细胞），以及两套原创标注策略（簇内点标注、missed label 类），为尿液分析的自动化提供了一块可复用的公开基座。
导语读法三则：
- 只想下数据跑起来：直奔 §6 获取与许可——GitHub 公开直链即刻可下，但许可未明示这点务必先看清。
- 关心标注方法论：直奔 §4 与 §5——「点标注 + missed label」两项新策略是这个数据集最可迁移的贡献。
- 做细胞检测模型：直奔 §7 评估与基准——注意论文是数据集论文，未给定量基线指标，这一点需要自己补实验。
§0 导读：这个数据集解决什么问题
尿常规（urinalysis）是全球最基础的临床检验之一。它的镜检环节要求检验技师把离心后的尿沉渣置于玻片、在高倍视野下人工辨认并计数三类主要细胞：红细胞（RBC）、白细胞（脓细胞 / pus cells）、上皮细胞（epithelial cells），再结合每高倍视野（HPF）的计数给出诊断线索——RBC 升高提示血尿（肾肿瘤、泌尿道肿瘤、感染、外伤），脓细胞升高提示尿路或肾脏炎症，上皮细胞升高提示泌尿道炎症。这个流程劳动密集、耗时、且高度依赖技师经验，正是自动化最有价值的切入点。
但深度学习要自动化这一步，先得有数据。UMID 论文在「相关研究」一节点破了行业困境：此前研究尿液沉渣细胞检测的论文不少，但它们的训练数据全部是私有的——Xu et al. 2019 只分 RBC/WBC 两类，Liang et al. 2018 分 8 类（含 USE 数据集 5,377 图 / 42,759 标注，不公开），Li et al. 2020 细分上皮亚类，Ji et al. 2019 还计入细菌和精子。这些数据集没有一个对外开放，后来者无法复现、无法对标、无法在此基础上继续推进。UMID 的回答是：做第一个公开的。
UMID 的三层贡献可以这样归纳。第一层是数据：366 张真实临床尿沉渣显微图，1280×720，3,733 个已核验细胞标注，三类细胞。第二层是标注方法论——作者提出并实践了两项新策略以解决尿沉渣图像的固有难点：面对密集重叠的细胞簇，放弃画框、改为在细胞中心附近点一个点（cluster 点标注），把标注从「纠结边界」变成「点一下」，大幅降低标注时间与标注者疲劳；面对连医生都无法确信分类的模糊/失焦细胞，单列一个 missed label 类，不参与训练，避免强迫网络记住错误特征。第三层是主张：作者坚持收录真实条件下的低质量图像（blur、artifact、失焦），理由是现实中医生和技师因病人流量大、显微镜常年不保养，根本不按推荐规程操作——模型必须在这种条件下可用，才对基层有意义。
§0 读法三则：
- 这个条目是「数据集 + 标注方法论文」二合一，没有衍生基准、没有挑战赛，阅读时不要期待 PANDA 型的三层资产结构。
- 全文核心数字出自 arXiv 论文正文；论文自身、GitHub README、Roboflow 镜像三处口径在图像数（366 vs 367）与测试集比例（14% vs 15%）上有出入，均已在本条目坑点与 §9 存照。
- 检索时注意「UMID」这个缩写并非唯一——若在 PubMed 等库中遇到同名缩写（如 UMID 泛指未识别显微结构），须以作者名（Dipam Goswami）与 arXiv 号锚定本数据集。
§1 数据集速览：十问十答
阅读地图：本条目共 11 个主章节 + FAQ + 事实清单 + 术语表 + 21 个附录。若时间有限，按以下路径选读——
- 5 分钟速览：INFOBOX + §1 十问十答。
- 数据使用路径：§2（构成）→ §6（获取与许可）→ 附录 S（训练骨架）。
- 方法学兴趣：§4（标注方法论）→ §8.6/§8.7（方法学启示）。
- 临床背景：§5（类别体系与形态学）→ 附录 M（判读规则）。
- 避坑：§10 + 附录 U（常见误用）。
Q1：UMID 是什么，谁做的？
UMID（Urine Microscopic Image Dataset，尿液沉渣显微图像数据集）是首个公开可用的尿液沉渣显微图像细胞检测数据集。由 BITS Pilani（印度比尔拉理工学院皮拉尼校区）的 Dipam Goswami 等四人团队构建，采图由合作诊所医生 Rajiv Gupta 在其日常患者诊断中完成。arXiv:2111.10374 于 2021-11-19 提交。
Q2：数据规模到底是多少？366 还是 367 张？
论文正文 §3.4 与第三方 Roboflow 镜像均为 366 张；GitHub README 写 367 张。本条目以 366 为准（论文 + 独立镜像两源一致），367 存照为 README 口径差异。标注总数为 3,733 个细胞（论文摘要笼统写「around 3700」）。
Q3：图像是什么规格，怎么拍的？
1280×720 分辨率。采集用两台明场显微镜（MAGNUS OPTO SYSTEMS INDIA，型号 CH20iBIMF），10× 目镜（视场数 18mm）+ 40× 消色差物镜，即 400× 高倍视野（HPF）；一台 COSLAB 5 百万像素数字相机（型号 COSUSB5000）接在目镜上成像。作者特意选择低分辨率，因为高分辨率下相机回传到桌面的视频流太慢，医生为效率放弃了高分辨率。
Q4：三类细胞分别长什么样，临床意义是什么？
- RBC（红细胞）：体积最小、圆形、无核无颗粒、边界相对锐利；随尿 pH 变形——pH=6 双凹盘状、pH<6 曼陀罗状（thorn apple）、pH>6 浅盘状，有时呈环形。正常值 0-1/HPF，升高提示血尿。
- 脓细胞（pus cells，即 WBC）：比 RBC 大、圆形、表面暗而颗粒状、可有分叶核；单独或成簇分布。正常值 1-4/HPF，升高提示尿路/肾脏炎症。
- 上皮细胞（epithelial cells）：形状最不规则、体积最大、含小核（可双核）；单独或成簇分布。正常值 0-15/HPF，升高提示泌尿道炎症。
Q5：训练/验证/测试怎么分？
按 3,733 个标注细胞（而非按图像）划分为训练 ≈76%、验证 ≈10%、测试 ≈14%。论文明确说明「划分基于标注细胞总数而非图像数」，因为细胞特征才是学习的主要来源。注意 GitHub README 写测试集为 15%，与论文 14% 有出入（存照）。
Q6：什么是「cluster 点标注」？
尿沉渣图像中细胞常成簇紧密重叠，画框极易产生不一致的边界。作者提出：簇内细胞不画框，而是在细胞中心附近点一个点；由点可估计细胞尺寸，训练时生成「伪框」（pseudo boxes）使用。这样既避免边界争议，又大幅降低标注时间与「标注者疲劳」。全数据集约 20% 的细胞用点标注。
Q7：什么是「missed label」类？
有些细胞连医生都无法可靠判断类别（多因失焦、模糊）。若强行归入主类或背景，等于强迫网络学习错误特征。作者因此单列一个 missed label 类，只画框不参与训练，把这类细胞留给网络自行预测。全数据集约 11% 的细胞属此类。
Q8：三类细胞占比如何？
约 RBC 44%、pus 33%、epithelial 23%。论文称分类略有偏斜但模型性能没有偏向某一类。由于 pus 与 epithelial 更常成簇，点标注中这两类相对更多。
Q9：怎么获取，许可是什么？
GitHub 仓库 dipamgoswami/UMID-Urine-Microscopic-Image-Dataset 公开直链（images + annotations 目录）；另有 Roboflow Universe 镜像（plasmonai/umid-urine-microscopic-image-dataset，366 图，类别 ep/missedlabel/object/pus/rbc，含已训练模型 API）。官方仓库未附 LICENSE 文件，第三方 Roboflow 镜像标注为 CC BY 4.0——许可存在存照差异，商用/再分发前建议向作者确认。
Q10：为什么叫「in-the-wild」，和别的显微数据集有何不同？
因为它是真实临床条件下的低质量图像，不是为数据集专门采集的「漂亮样本」。作者在论文中直言：现实中医生因病人流量大、显微镜长期不保养，并不严格遵循推荐采集规程，导致图像常有半圆环伪影（疑似镜头-光源错位）、多层结构造成的深度性模糊和失焦。UMID 刻意保留这些「缺陷」，主张只有在这种条件下训练出来的模型，才能真正部署到基础设施薄弱的基层医疗。
§2 数据构成与规格
2.1 规模、来源与机构构成
| 维度 | 数值 | 来源 |
|---|---|---|
| 图像数 | 366 张（README 写 367，存照） | 论文 §3.4 / Roboflow 镜像 |
| 分辨率 | 1280 × 720 | 论文 §3.2 |
| 细胞标注总数 | 3,733 | 论文 §3.4 |
| 类别数 | 3 类（RBC / pus / epithelial）+ missed label | 论文 §1/§3.4 |
| 划分 | 训练 ≈76% / 验证 ≈10% / 测试 ≈14%（按细胞数） | 论文 §3.4 |
| 点标注占比 | 约 20%（簇内细胞） | 论文 §3.4 |
| missed label 占比 | 约 11% | 论文 §3.4 |
| 采集机构 | 大学医院（作者之一为医生） | 论文 §3 |
| 采集设备 | 两台 MAGNUS CH20iBIMF 明场显微镜 | 论文 §3.2 |
| 图像来源比例 | 旧机:新机 ≈ 10:2 | 论文 §3.2 |
图像采集的故事值得单说：论文明确写道，采集者是「我们大学医院的一位医生」（a physician at our university hospital），他在日常患者诊断过程中顺带采集了所有尿沉渣显微图像，遵循的是常规流程。他的首要目标是人工辨认和计数尿沉渣以助诊断，而非为数据集拍摄高质量图像。因此，「采集到的图像不是一个人为了训练出卓越性能的机器学习模型而想要获取的最佳图像集」。但作者认为，这个「缺陷」恰恰与数据集的目标高度契合——他们想要的正是一个能在低质量图像上稳健工作的模型。
机构构成：
- 第一作者 Dipam Goswami 与第四作者 Vinti Agarwal：BITS Pilani（印度比尔拉理工学院皮拉尼校区）。
- 第二作者 Hari Om Aggrawal：独立研究者（印度），此前任职于 Institute of Mathematics and Image Computing, University of Lübeck（德国吕贝克大学数学与图像计算研究所）——计算机视觉背景。
- 第三作者 Rajiv Gupta：Gurudwara Singh Sabha Charitable Dispensary, Rajpura（印度拉杰普拉的一家慈善诊所）——实际采图的临床医生。
2.2 图像规格与采集限制
UMID 的图像规格（1280×720）是现实约束的产物，不是设计选择。论文解释了原因：相机的视频流传回桌面在高分辨率下很慢，医生为效率放弃了高分辨率图像采集。当相机接上显微镜，医生更倾向于用桌面的视频流来辨别细胞，而非直接透过目镜观察——因为视频流提供了更大的灵活性和便捷性来扫描整个尿沉渣玻片。因此作者记录下的是相机链路的实际输出分辨率。
采集设备细节：
- 显微镜：两台明场显微镜，均为 MAGNUS OPTO SYSTEMS INDIA PVT. LTD 产品，型号 CH20iBIMF。目镜 10× 放大、视场数 18mm；消色差物镜 40× 放大。每个高倍视野（HPF）在 400× 放大下检查（10× 目镜 × 40× 物镜）。
- 相机：COSLAB 5 百万像素显微镜数字相机，型号 COSUSB5000，接在显微镜的一个目镜上，把尿样的数字图像采集并存到桌面。
- 质量差异：两台显微镜中，一台的图像质量明显低于另一台。数据集中来自新旧两台显微镜的图像比例约为 10:2（旧机占多数）。
2.3 图像质量的「固有缺陷」清单
论文用整整一节（§3.2 Image acquisition — recommended vs in practice）说明为什么这些图像「不干净」。这些限制不是意外，而是 UMID 想捕捉的现实：
- 半圆环状伪影：图像中主要观察到一种半圆形环状伪影。作者找不到确切原因，但怀疑主要是镜头与光源之间错位所致。
- 多层结构与深度性模糊：玻片上的尿样有一定深度，细胞分布在不同深度层，即「尿玻片具有多层结构」。因此并非所有细胞都能在某一焦平面的景深内清晰可见。要辨认样本中的每一个细胞，需要大量聚焦调整。
- 视野局部性与 20-30 HPF 规程：显微镜只能检查整个尿样的一小部分区域。规程建议一个尿样检查 **20-30 个高倍视野（HPF）**并累积发现以构建最终诊断报告——这无疑极其耗时。
- 「实践 vs 规程」的落差：作者观察到，实践中医生只对少数敏感病例遵循建议；否则他们只花几秒钟分析一张尿玻片，大约覆盖 10 个 HPF，并把镜头焦距调整到仅够区分细胞特征和大小即可。因此采集到的图像大多带有一定程度的模糊，物体边缘不够锐利，细胞颗粒度退化。
- 深度相关的不均匀模糊：由于多层结构，图像中细胞会因各自深度不同而呈现不同程度的模糊。有些细胞高度失焦，超出镜头景深——这种不均匀模糊效应有时让经验丰富的医生都难以区分细胞。为处理这类情况，作者引入了 missed label 类。
这一系列的「缺陷」正是 UMID 与「实验室精拍」型显微镜数据集的分水岭，也是「in-the-wild」宣称的技术依据。
2.4 采集场景与 COVID-19 的影响
论文坦承，由于 COVID-19 限制导致到医院就诊的患者有限，他们只能从医院获取有限数量的图像。这直接解释了为什么 UMID 的规模（366 张）显著小于同期的 USE（5,377 张）等数据集。作者在讨论局限时也把数据量小归因于此。
另一处关键的伦理与隐私设计：论文明确写道，由于缺乏适当的基础设施，患者信息没有被存储在任何地方，因此图像「在来源处就已固有匿名化」（inherently anonymized at the source）。这是被动匿名化——不是主动去标识，而是系统本身就不留存患者关联信息。
作者同时自曝一条 limitation：图像受到医生采集习惯的偏置（bias of the doctor towards his acquisition habits）——即图像风格带有这位医生个人的取景与聚焦偏好。这是研究的一个局限。
2.5 与同类尿沉渣数据集的规模对照
UMID 论文的相关工作与后续第三方文献（dp-yolo 论文）共同勾勒了尿沉渣检测数据集的图景，UMID 在其中以「首个公开」和「小规模真实数据」定位：
| 数据集 | 规模 | 类别 | 是否公开 |
|---|---|---|---|
| UMID（本条目） | 366 图 / 3,733 标注 | 3 类：RBC / pus / epithelial（+missed label） | 公开（GitHub） |
| USE（Liang et al. 2018） | 5,377 图 / 42,759 标注 | 8 类 | 私有 |
| Tuncer et al. | 8,509 实例 / 409 患者 | 8 类（含细菌、酵母、管型、晶体等） | 私有 |
| Urised11 | 7,364 图 / 58,196 标注 | 11 类 | 私有 |
| Xu et al. 2019 | — | 仅 RBC / WBC | 私有 |
| Li et al. 2020 | — | 上皮亚类 | 私有 |
关键洞察：UMID 的规模在同类中最小，但它几乎是唯一一个对研究者完全开放的数据集。后续的 dp-yolo 论文（第三方）明确引用 UMID 为「366 images with a total of 3.733 k labels, three types」，并把「多数公开尿沉渣数据集图像数量有限、标注缺乏统一性与标准化」作为领域痛点——UMID 是打破「公开」这一壁垒的第一步，而规模问题（含 11 类、5.8 万标注的 Urised11 等更大数据集）则由后来的工作继续填补。
2.6 类别标注的亚类问题
论文提到一个值得注意的取舍：这三类细胞本可以再细分。例如上皮细胞可进一步分为鳞状上皮细胞（squamous）和移行上皮细胞（transitional）。虽然这些亚分类有临床意义，但在常规尿液诊断报告中很少被报告。因此 UMID 停留在三类粗粒度，与临床报告的实践口径一致，而非追求更细的形态学分类。这一设计哲学与「面向基层与真实报告场景」的整体定位一脉相承。
2.7 数据规模在检测任务中的含义
366 张图、3,733 个标注——对目标检测任务意味着什么？可以做一个粗略的量化感受：
- 平均每张图约 10.2 个细胞标注（3733 ÷ 366），属于「中低密度」目标检测场景（对比 COCO 平均每图约 7 个标注）。
- 若按常见检测模型（如 YOLO / Faster R-CNN）的经验，训练一个三类检测器通常需要数千到数万个实例——UMID 的 3,733 个实例处于「可训练但偏紧」的区间，适合作为预训练源或方法验证集，而非大规模训练的唯一数据源。
- 训练集（约 76% 标注）对应约 2,837 个实例、约 278 张图；测试集（约 14%）约 523 个实例、约 51 张图。这意味着单次评测的统计波动可能较大——报告指标时应给出置信区间或多次划分的结果。
这些量化不是论文提供的，而是本条目基于硬数字的推算，目的是帮助使用者建立规模预期。关键结论：UMID 的规模适合「验证方法可行性」，不适合「训练通用检测器」。
2.8 图像数量与标注数量的关系
一个容易忽略的点：UMID 的划分是按标注细胞数而非按图像数。这带来一个隐含的性质——由于不同图像的细胞数量不等，按细胞划分会导致训练/测试的图像集合在「细胞密度」上可能存在分布差异（细胞多的图更可能同时贡献训练与测试样本，或反之）。论文没有披露具体的图像级划分名单，因此使用者在复现时应注意：不能简单按图像随机划分来近似论文的划分——那会引入与论文不一致的评测条件。最稳妥的做法是向作者确认划分名单，或接受「按图像划分」并明确注明与论文口径的差异。
§3 采集流程：从离心到数字化
3.1 尿沉渣检查的临床标准流程
论文在方法部分简明交代了尿沉渣镜检的标准流程，理解它有助于理解图像为何长这样：
- 患者尿样经离心处理，使固体物质沉到管底。
- 取离心后的沉渣（sediment，即固体部分）置于玻璃玻片上。
- 在显微镜下观察。
- 训练有素的检验技师通过视觉检查识别细胞，并计数各类细胞数量。
- 结合每高倍视野的计数给出诊断线索。
论文指出，这个临床检查要求有专业识别能力的技师，而技师的人工视觉计数过程「劳动密集、耗时、且依赖技师个体」——这正是 UMID 要攻克的痛点。
3.2 采图流程的「实践版」
如前（§2.3）所述，UMID 采集的是「实践版」流程的图像，而非教科书流程：覆盖约 10 HPF、聚焦到刚好够区分细胞的程度、几秒钟完成一张玻片。这种「时间压力下的取景」造成了图像的模糊与不规则失焦，也决定了后续标注方法必须能应对这些缺陷。
3.3 数字化的技术链路
技术链路是「显微镜目镜 → 数字相机 → 桌面视频流 → 存图」：
- 相机（COSUSB5000）接在目镜上，将光信号转为数字图像。
- 图像传到桌面电脑，医生通过视频流实时观察（比直接看目镜更灵活）。
- 医生在需要的时刻从视频流中截取并保存图像。
- 保存分辨率受限于相机在可接受时间内能回传的分辨率，最终为 1280×720。
这条链路也解释了为什么 UMID 没有特殊成像模式（如相位差、暗场）——它是纯明场（bright-field）成像，与基层诊所的常规设备一致。
3.4 长期目标：智能手机适配
论文在讨论中透露了一个有远见的长期目标：作者希望开发一个能在现有实验室设备上工作的系统，只需在显微镜的目镜上加装一个相机或智能手机即可。这一目标直接决定了数据集的设计——图像质量必须匹配「手机接目镜」这种低成本改造方案所能达到的水平，而不是高端自动尿液分析仪（自带专用显微镜，图像质量高）的水平。UMID 因此是「为低成本部署而生的数据集」。
3.5 「实践 vs 规程」的深层含义
UMID 论文中最有社会学意味的一段，是它对「规程为何在现实中失效」的分析。作者指出：在人口众多的国家，患者每日涌入量很高，医生和技师因时间短缺而不严格遵循推荐的采集规程；此外，显微镜不定期保养，导致图像中出现许多缺陷。作者的结论是：与其假设理想情况，不如设计一个能在一定程度上承受这些缺陷的稳健学习框架。
这段论述把 UMID 从「一个数据集」提升为「一种立场」：它主张医学 AI 数据集不应只反映最佳实践下的理想数据，而应反映真实部署环境的平均状态。这一立场与许多追求「高质量、干净、标准化」的数据集哲学形成对比，也是理解 UMID 一切设计取舍（低分辨率、保留伪影、单医生采集）的钥匙。
§4 标注方法论：两项原创策略
UMID 最核心的可迁移贡献不在数据本身，而在它提出的标注方法。论文将标注尿沉渣显微图像描述为一项挑战性任务，难点来源有四：光学模糊、细胞重叠、低对比度、细胞体积小。其中 RBC 因体积小、表面光滑、周围对比度极低，极易被漏标。
4.1 谁来标注：三人联合 + 医生督导
论文明确：论文的三位作者（其中一位是医生）联合标注了图像中的细胞。标注在医学专业人员督导下完成，并经过交叉核验（cross-verified）。使用的软件是 Microsoft VoTT（Visual Object Tagging Tool）。这种「含临床医生的小团队联合标注」模式，与 PANDA-PLUS 那种「学生劳动 + 专家终审」的大规模流水线是两种不同的成本结构——UMID 靠的是小团队的高质量协作。
4.2 策略一：标准标注（Standard annotation strategy）
对目标检测与分类任务，标准做法是按图像中所有前景物体的真值（ground truth）训练网络：每个物体分配一个类别和一个编码其位置与尺寸的边界框。UMID 对单独分布的细胞（a few cells that lie individually）采用这一标准策略——画框 + 类别标签。
4.3 策略二：missed label 类（新策略）
这是 UMID 的第一项原创策略。在某些情况下，医生无法对细胞的正确类别做出可靠判断。理论上，这样的细胞既不能放入主类，也不能放入背景：若把它们当作背景，等于在原则上强迫网络学习错误的分类。UMID 的做法是单列一个 missed label 类，把这些细胞放进去，且在训练时不包含该类的成员，把这类细胞的类别预测留给网络自己去完成。
这个设计的巧思在于：它承认了「真值的不确定性」这一现实，并把它从「噪声」转化为「信息」。相比强行贴标签污染训练集，missed label 是一种更诚实的监督信号处理方式。全数据集约 11% 的细胞属此类，仅画框、标为 missed label，不参与训练。
4.4 策略三：簇内点标注（新策略）
这是 UMID 的第二项原创策略，针对尿沉渣图像中最棘手的问题——细胞簇。在尿图像中，细胞常成簇出现，簇内细胞紧密堆积、相互重叠，因此簇内标注是一项困难、令人困惑且极其耗时的任务；强行画框会导致不一致的边界框（inconsistent bounding boxes）。UMID 因此避免为簇内每个细胞画框，转而提出：在细胞中心附近指定一个单点，而不是决定边界、画框来定位簇内细胞。
点标注的优势：细胞尺寸可以从点估计出来，这些生成的「伪框」（pseudo boxes）可用于训练。标注一个点远比圈一个框简单，能减少时间、精力与纠结。全数据集约 20% 的细胞用点标注，且因 pus 和 epithelial 更常成簇，这两类的点标注相对更多。
4.5 训练集与评测集的标注差异
一个容易被忽略但很关键的细节：训练集中，簇内细胞用点标注、单独细胞用框标注；但测试集和验证集中，作者故意把簇内的细胞也用框标注，以便评测模型的检测性能。这形成了一个巧妙的评测设计——模型在训练时只见过「点」（弱监督），在评测时却要在「框」的真值上被检验检测能力，这本质上是一种「弱监督训练 → 强监督评测」的设置，考验模型从稀疏标注中泛化出完整检测的能力。
4.6 标注策略的可迁移性
UMID 的这两项策略（missed label、簇内点标注）不依赖尿沉渣的特定性质，而是针对「密集重叠小目标 + 存在真值不确定样本」这一普遍情形的通用方案。任何面临以下条件的标注任务都可借鉴：
- 目标密集重叠，画框边界争议大 → 点标注 + 伪框生成；
- 部分样本连专家都无法可靠分类 → 单列不确定类，隔离出训练集。
这也是为什么 UMID 虽小，却在数据集方法学上有一席之地——它贡献的是一套「如何诚实地标注脏数据」的方法论，而非单纯的一批图像。
4.7 标注策略的成本-质量权衡
把 UMID 的三项标注策略放在「成本-质量」轴上，可以看到一条清晰的梯度：
| 策略 | 标注成本 | 定位精度 | 适用对象 |
|---|---|---|---|
| 标准框标注 | 高 | 最高 | 单独分布的清晰细胞 |
| 簇内点标注 | 低 | 中（需生成伪框） | 密集重叠的细胞 |
| missed label | 中（画框不定类） | 仅定位不分类 | 无法确信分类的细胞 |
这条梯度体现了 UMID 的核心方法学主张：不同的标注难度应用不同的标注粒度，而不是一刀切地要求「所有对象都精确画框」。一刀切的做法在密集重叠场景下会既慢又不一致（边界争议），而 UMID 的分层策略在保证评测所需精度的同时，显著降低了标注成本。这一思想对任何「标注预算有限、目标难度不均」的数据集工程都有借鉴价值。
§5 类别体系与形态学：三类细胞的临床画像
UMID 把复杂的尿沉渣世界压缩为三个计数组件，这个压缩不是随意为之，而是严格对应常规尿液诊断报告的实践。
5.1 为什么是这三类
论文交代：常规尿液诊断报告会提及红细胞/erythrocytes、白细胞/leukocytes（脓细胞）、上皮细胞和管型（cast）在每高倍视野的计数。其他尿沉渣成分——晶体（crystals）、细菌（bacteria）、酵母细胞（yeast cells）、盐类（salts）、精子（spermatozoa）——不计入计数，而是以「十字」记号（crosses）表示。管型在尿样中出现极为罕见，采集期间作者没有遇到任何含管型的尿样，因此在研究中不纳入，聚焦于 RBC、pus、epithelial 三类。
这个决策把 UMID 的类别空间锚定在「临床报告真正会计数的那几项」上，避免了为罕见成分浪费标注资源，也让模型的输出直接对应临床报告的字段。
5.2 RBC（红细胞）的形态学
论文对红细胞形态的描述相当细致，因为它直接关联检测难度：
- 圆形细胞，无核、无颗粒，比脓细胞小，边界相对锐利；
- 形态随尿液 pH 变化：pH = 6 时为双凹盘状（biconcave, disc-shaped）；pH < 6 时为曼陀罗形（thorn apple-shaped）；pH > 6 时为浅盘状（light disc）；
- 有时呈环形（ring-shaped）。
临床意义：RBC 的正常范围是 0-1/HPF。数值升高提示血尿，可见于肾肿瘤、泌尿道肿瘤、泌尿道感染或外伤。
检测难点：RBC 体积极小、表面光滑，与周围环境的对比度极低，极易被漏标（论文 §3.3 明确点出这一点）。这也是为什么 RBC 的自动检测是本数据集的核心挑战之一。
5.3 脓细胞（pus cells / WBC）的形态学
- 一般比 RBC 大，圆形，表面暗而颗粒状（dark and granular surface）；
- 可能有分叶核（segmented nucleus）；
- 单独分布或成簇分布（lie individually and in clusters）。
临床意义：脓细胞正常范围是 1-4/HPF。过量提示泌尿道系统炎症和炎症性肾脏疾病。
检测难点：常成簇 → 触发 UMID 的点标注策略；颗粒状表面 → 与某些上皮细胞亚型可能混淆。
5.4 上皮细胞（epithelial cells）的形态学
- 形状不规则，一般比脓细胞大，含一个小核；
- 有时有双核（two nucleus）；
- 可单独分布或成簇分布。
临床意义：上皮细胞正常范围是 0-15/HPF。数值升高提示泌尿道系统炎症。
检测难点：体积大、形状多变 → 边界框难以标准化；与脓细胞一样常成簇 → 点标注适用；双核、形态多样 → 亚类细分问题（见 §2.6）。
5.5 三类细胞的临床正常值总表
| 细胞类别 | 英文 | 正常范围 | 升高提示 | 形态关键特征 |
|---|---|---|---|---|
| 红细胞 | RBC / erythrocyte | 0-1 / HPF | 血尿：肾/泌尿道肿瘤、感染、外伤 | 小而圆、无核无颗粒、pH 依赖变形 |
| 脓细胞 | pus cells / WBC / leukocyte | 1-4 / HPF | 泌尿道/肾脏炎症 | 较大、圆、颗粒状、分叶核 |
| 上皮细胞 | epithelial cells | 0-15 / HPF | 泌尿道炎症 | 不规则、最大、含小核可双核 |
这张表是 UMID 与临床的接口：模型检测出三类细胞的计数，直接映射到这张表的判读逻辑，从而支持「尿常规自动化」的最终目标。
5.6 missed label 类的语义定位
需要强调：missed label 不是第四类细胞，而是一个不确定性的容器。它的成员是被医生判定「无法可靠归类」的细胞——通常是失焦、模糊、或形态模棱两可的对象。它在数据集中的价值不在于被检测，而在于被排除出训练：模型不去学习这些「可能被标错」的样本，从而避免学到错误的特征模式。同时它被保留在数据集中，为未来的不确定性估计研究（uncertainty estimation）留了一个可用的锚点——研究者可以用它来测试模型对困难样本的处理能力。
5.7 三类细胞的混淆风险
虽然 UMID 只分三类，但这三类之间的边界并非泾渭分明，这构成了检测任务的真实难点：
- RBC vs pus：两者都是圆形。RBC 更小、边界更锐利、无颗粒；pus 更大、表面颗粒状、可有分叶核。但在低对比、模糊的图像中，小的 pus 与大的 RBC 可能难以区分。
- pus vs epithelial：上皮细胞有时体积接近较大的脓细胞；关键区分在于上皮细胞形状更不规则、含小核（可双核），而脓细胞颗粒状、可分叶核。
- RBC 的 pH 变形：RBC 随 pH 呈现双凹盘状、曼陀罗状、浅盘状、环形等多种形态，同一类内部形态差异大，增加了类内方差。
这些混淆风险正是 missed label 类存在的另一层理由：当医生自己都对某个细胞「既不像典型的 A 也不像典型的 B」时，与其强行归类，不如放进 missed label——避免把类间模糊样本硬化成错误标签。
5.8 与「十字记号」成分的边界
论文特别指出，晶体、细菌、酵母、盐类、精子这些成分在临床报告中不计入计数，而以「十字」（crosses）表示。UMID 不标注这些成分——它们不在三类之内，也不在 missed label 的语义范围内（missed label 专指「可能是三类之一但无法确信」的细胞，而非「确定不是三类」的其他成分）。使用 UMID 时若需要检测这些成分，必须转向其他数据集或自行标注。这是一个明确的类别边界，误用会引入系统性偏差。
5.9 类别体系的临床映射表
把 UMID 的三类输出映射回临床报告：
| UMID 检测输出 | 临床报告字段 | 判读规则 |
|---|---|---|
| RBC 计数 | 红细胞 / HPF | >1 提示血尿，进一步查肾/泌尿道病变 |
| pus 计数 | 白细胞 / HPF | >4 提示炎症，查尿路感染/肾炎 |
| epithelial 计数 | 上皮细胞 / HPF | >15 提示泌尿道炎症 |
| missed label | （不计入报告） | 保留作不确定性研究 |
这张映射表说明了 UMID 的「临床可用性」：它的输出恰好对应常规尿报告中真正被计数的三个字段，因此检测结果可以直接嵌入判读逻辑。这是它相对「任意分类」数据集的一个实用优势。
§6 获取与许可：一道没有明写许可证的门
6.1 三种获取入口
| 入口 | 地址 | 内容 | 门槛 |
|---|---|---|---|
| GitHub 官方仓库 | github.com/dipamgoswami/UMID-Urine-Microscopic-Image-Dataset |
images 目录 + annotations 目录 | 无（公开直链） |
| Roboflow 镜像 | universe.roboflow.com/plasmonai/umid-urine-microscopic-image-dataset |
366 图，类别 ep/missedlabel/object/pus/rbc，含已训练模型 API | 无（公开） |
| 论文 | arXiv:2111.10374 | 7 页预印本全文 | 无 |
6.2 官方仓库的时间线
GitHub 仓库的提交记录给出了一条清晰的时间线：
- 2021-02-21：images 目录首次上传（数据集图像首发）。
- 2021-11-24：annotations 更新（标注修订）。
- 2023-07-28：README 更新。
值得注意的时间线双口径：图像在 2021 年 2 月就已上传 GitHub，而论文直到 2021 年 11 月才提交 arXiv。也就是说，数据集的公开早于论文的发表——这与多数「先论文后数据」的数据集不同，说明作者是先放出数据、再补上方法学论文。
6.3 许可：一个必须存照的空白
核心事实：抓取时点（2026-10-08）检查 GitHub 官方仓库，未能发现 LICENSE 文件或明确的许可声明。这意味着数据集的再分发、商用、衍生作品的许可边界在官方口径下是模糊的。
第三方镜像口径：Roboflow Universe 上的镜像项目（由用户 plasmonai 创建）明确标注许可为 CC BY 4.0。但这是一个第三方镜像方的标注，不是原作者在其官方仓库中声明的许可。
处理原则：
- 本条目不单方面断言许可为 CC BY 4.0——因为官方仓库没有这样声明；
- 也不断言为「无许可」——因为 Roboflow 镜像给出了一个开放许可口径；
- 最稳妥的表述是「官方未明示 + 镜像标 CC BY 4.0」，并在商用/大规模再分发前向作者确认。
这是 UMID 作为 AI-Ready 数据集的一个明显短板：与 PANDA-PLUS 那种三层许可各自明示的情况相比，UMID 的许可清晰度不足，可能影响其在严格合规场景下的采用。
6.4 版本链与托管记录
- 2021-02：GitHub 首发（images）。
- 2021-11：annotations 更新 + 论文提交 arXiv。
- 2023-07：README 更新。
- 2023-09：Roboflow 镜像创建（记录显示 project year 2023, month 9）。
- 无 Zenodo / PhysioNet / HuggingFace 官方托管记录（经核验）。
也就是说，UMID 的「权威版本」就是 GitHub 仓库本身，没有 DOI 化的数据快照（如 Zenodo DOI）。这对引用与长期存档是一个弱点——学术引用只能引用 arXiv 预印本，而数据集本体没有一个可永久定位的版本标识。
6.5 AI-Ready 评估
以库内 AI-Ready 检查单过一遍：
- 机器可读元数据：论文（arXiv，开放获取）+ GitHub README + Roboflow 镜像卡片——中等，无结构化 dataset card。
- 公开直链：GitHub 与 Roboflow 均为公开直链——良好（这是 UMID 相对请求制数据集的优势）。
- 许可明确性：官方未明示，镜像口径 CC BY 4.0——最大失分项。
- 可复现性：数据可下、论文方法清楚，但无论文级定量基线，复现评测需自建——中等偏弱。
- 文档自洽：图像数（366 vs 367）、测试集比例（14% vs 15%）存在口径漂移——轻微扣分，不影响主线。
综合：AI-Ready 等级「中」——可获取性强（公开直链）、方法学有独到贡献，但许可清晰度与评测基准完备性拖低了等级。对「立刻能下载、能跑通管线」的使用者友好；对「需要明确许可背书、需要现成基线对标」的使用者则需要额外工作。
6.6 库内可获取性光谱中的位置
| 档位 | 库内参照 | UMID 对应 |
|---|---|---|
| 注册墙（最严） | LMC2 型 | — |
| 请求制 | PANDA-PLUS 掩码型 | — |
| 公开直链 | HF / Zenodo / GitHub 直链型 | UMID（GitHub + Roboflow） |
UMID 稳居「公开直链」档，属于最易获取的一类数据集。其独特的问题不是「门难进」，而是「进门后发现没有门牌（许可证）」——这是「开放但许可模糊」的典型形态，在库内可获取性光谱中提供了一个不同于「许可明示的开放」的案例。
§7 评估与基准：一篇没有基线表的论文
7.1 定位：dataset paper，非 benchmark paper
必须清楚指出：UMID 是一篇数据集论文（dataset paper），不是基准论文（benchmark paper）。它的核心贡献是「提供数据 + 提供标注方法」，而没有给出系统的定量基线实验表（如各检测模型在 UMID 上的 mAP / AP50）。这与 PANDA-PLUS-Bench 那种「本体 + 衍生基准 + 多模型结果表」的结构完全不同。
7.2 论文提供了什么评测设计
论文虽无结果表，但明确了评测设计：
- 训练：单独细胞用框、簇内细胞用点（生成伪框）——弱监督。
- 测试/验证：簇内细胞也画框——强监督评测检测性能。
- 因此，使用 UMID 做基准时，标准做法是：在训练集上以「框 + 点」混合监督训练模型，在测试集上以完整的框真值评测检测指标（如各类 AP）。
这个设计本身就是一个可复现的评测协议，只是作者没有跑出数字。
7.3 第三方引用与使用
后续的 dp-yolo 论文（一篇基于 YOLO 改进的尿沉渣检测工作）在其数据综述中引用了 UMID，确认其规格为「366 images with a total of 3.733 k labels, three types: RBC, pus, and epithelial cells」。这说明 UMID 已被第三方用于检测研究的语境，尽管 dp-yolo 的主要实验用的是更大的 Urised11 数据集。
Roboflow 镜像提供已训练模型 API（Hosted Inference API），可作为社区基线的参考实现——但那是镜像创建者（plasmonai）训练的模型，非原作者官方基线，引用时需注明来源。
7.4 基线缺失的后果与补救
「无论文级基线」有两层后果：
- 好处：使用者的实验不受「官方基准数字」的框架约束，可以自由选择评测协议。
- 代价：难以直接与论文对标；跨研究比较缺乏锚点；新人上手需要自己从头搭评测。
补救路径：研究者可利用 Roboflow 镜像的模型 API 或自行采用标准检测框架（Faster R-CNN / YOLO / DETR 系列）在 UMID 上建立基线，并把「框+点混合监督」的评测协议作为方法学贡献点。这也意味着 UMID 的价值更多在于数据与方法，而非现成榜单。
7.5 与库内「数据集论文」的对照
库内存在两类数据集条目：
- 基准型（如 PANDA-PLUS-Bench、多数挑战赛数据集）：自带评测集、指标、榜单。
- 纯数据型（如 UMID）：提供数据与注释，评测留给社区。
UMID 属后者。检索此类条目时，应调整预期——不要期待「开箱即用的基准」，而应把它当作「可自建基准的原始素材库」。这一区分对 AI-Ready 数据集的选型很重要：需要「立刻可对标」的场景应选基准型，需要「自由构建」的场景可选纯数据型。
7.6 自建基线的三条建议
既然论文未给基线，使用者在 UMID 上建立基线时可参考三条实践建议：
- 先解决点→框的转换。训练前的第一步是把点标注转成伪框。细胞的典型尺寸需从数据统计（而非拍脑袋）估计：RBC 最小、上皮细胞最大，三类应先分别统计尺寸分布，再为每类设定伪框边长。
- 测试集不要用伪框。论文明确测试/验证集簇内也画了框，因此评测时直接用真框，不要对测试集做点→框转换——否则会人为降低评测难度或引入偏差。
- missed label 必须过滤。构建训练集时显式过滤掉 missed label 类的框，否则模型会学到「被标错」的样本。同时可以把 missed label 作为困难样本集，测试模型的置信度校准能力。
7.7 数据集局限的完整清单
综合论文自陈与核验所见，UMID 的局限可归为数据、标注、获取三类：
数据类局限：
- 规模小（366 图），源于 COVID-19 导致就诊患者减少；
- 类别少（3 类），缺管型、晶体、细菌、酵母、精子；
- 单机构、单医生采集，图像风格带个人偏置；
- 两台同品牌显微镜，质量不一致（10:2 新旧比）；
- 图像质量刻意保留缺陷（模糊、伪影、失焦）。
标注类局限：
- 约 11% 细胞为 missed label，无法用于监督训练；
- 约 20% 细胞为点标注，需伪框转换才能用；
- 三类粗粒度，不含上皮亚类等临床细分；
- 标注由作者小团队完成，规模难以快速扩展。
获取类局限：
- 官方许可未明示；
- 无 DOI 化版本快照；
- 无结构化 dataset card；
- 无论文级定量基线。
这份清单不意在贬低 UMID——它的价值恰在于「首个公开」与「方法创新」。但作为 AI-Ready 数据集，使用者应在选型时清楚这些边界，避免以不匹配的期望使用它。
§8 生态与影响：一个「第一个公开」的位置
8.1 UMID 的历史定位
UMID 最重要的生态价值不在于规模，而在于它填上了一个「公开」的空白。论文的核心宣称平实而关键：据作者所知，UMID 是第一个向所有研究者公开的尿液图像数据集（the first urine images dataset to be made publicly available to all researchers）。
在此之前，尿液沉渣检测的深度学习研究面临一个结构性障碍：方法论文一篇接一篇，但支撑它们的数据集全部私有。这意味着后来者无法复现前作、无法对标、无法在既有数据上继续推进——整个领域的研究是「断链」的。UMID 的公开打破了这一僵局：从它开始，尿沉渣检测有了一个可供所有人使用的共同基座。这一定位使 UMID 在数据集史上有「分水岭」的意义，尽管它的绝对规模并不大。
8.2 前作谱系（论文相关工作中引用的私有数据集）
UMID 论文的「相关研究」一节勾勒了它之前的研究脉络，这些工作共同说明「为什么需要一个公开数据集」：
- Xu et al. 2019（Intelligent Computing Theories and Application）：基于深度学习的尿沉渣检测，只区分 RBC 和 WBC 两类。
- Liang et al. 2018（Journal of Medical Systems）：端到端自动尿粒子识别系统（USE 数据集，5,377 图 / 42,759 标注），把物体分为 erythrocyte、leukocyte、epithelial cell、crystal、cast、mycete、epithelial nuclei、noise 八类。
- Li et al. 2020（Medical Physics）：尿液可见成分检测，使用了上皮细胞的子类，如 low-transitional epithelium 和 squamous epithelial cells。
- Ji et al. 2019（IEEE Access）：基于深度学习的尿沉渣图像识别，还考虑了细菌和精子。
- Aziz et al. 2018（CVPRW）：用无监督阈值化 + 有监督 U-Net 从尿显微图像中提取物体，但仅限于检测簇（cluster）或预测 RBC/WBC 团的分割掩膜边界。
关键对照：Ji et al. 2019 与 Aziz et al. 2018 的工作都指出了尿数据集中 WBC 和 RBC 簇的常见性，但前者只检测「簇」、后者只预测「簇的分割掩膜边界」——从细胞簇中检测单个细胞，此前尚未被研究。UMID 正是聚焦于此：用弱实例级信息（点标注）来检测密集堆积的单个细胞。这一「从簇中分离个体」的定位，是 UMID 相对于前作的直接推进。
8.3 对后续工作的影响
UMID 的公开产生了可观察的引用效应：
- dp-yolo 论文引用了 UMID 作为领域数据集综述的一部分，确认其规格，并把「多数公开尿沉渣数据集规模有限、标注不统一」作为领域现状描述。这反向印证了 UMID 虽小但已是「公开数据」之一员的地位。
- UMID 的标注方法（点标注 + missed label）为后续尿沉渣乃至其他密集小目标检测任务提供了可借鉴的范式。
- Roboflow 镜像的存在扩大了 UMID 的触达面——通过 Roboflow 平台，不熟悉 GitHub 的使用者也能直接可视化、下载并调用模型 API。
8.4 「AI-Ready」视角下的得失
从千方病案医数集收录的数据集视角看，UMID 呈现一个有意思的形态：
- 得：公开直链（GitHub + Roboflow）、方法学有原创贡献、临床意义清晰、目标是真实部署场景。
- 失：规模小（366 图）、类别少（3 类）、许可未明示、无论文级基线、无版本化 DOI。
它是一个「小而开放、方法扎实、但工程完备性不足」的数据集。对于做方法学研究（尤其是弱监督检测、不确定性处理）的团队，它是很好的素材；对于需要大规模现成训练集的工程团队，它不够用，更可能是作为一个补充或预训练源。
8.5 临床愿景：从数据集到基层部署
UMID 背后有一个明确的临床愿景，值得单独强调：作者的目标是为农村地区的医疗中心提供医疗支持（providing medical support to medical centres across rural areas），这些地区缺乏熟练的检验技师来分析患者的尿样。这个愿景贯穿了数据集的所有设计决策：
- 采真实低质量图像 → 因为基层设备就是这样的；
- 用点标注降低标注成本 → 因为需要可扩展的方法；
- 长期目标是手机接目镜 → 因为基层买不起自动分析仪。
UMID 因此不只是一个技术数据集，它承载着「把尿常规自动化下沉到资源匮乏地区」的社会目标。这一动机在论文中没有被高调宣扬，而是以平实的工程选择呈现出来，但它解释了为什么 UMID 选择「脏数据」而非「漂亮数据」这条不寻常的路。
8.6 弱监督检测方法学上的启示
UMID 对方法学社区的一个隐性贡献在于它示范了「如何为密集小目标构造弱监督信号」。密集重叠目标的标注难题是计算机视觉的经典痛点（行人检测、细胞检测、细胞核分割都面临），常见对策有三：
- 只标点（UMID 的训练集策略）：成本最低，但需要点→框的生成模型；
- 只标框（UMID 的测试集策略）：成本高，边界争议大；
- 标分割掩膜（Pannuke 等）：成本最高，但监督信号最强。
UMID 的创新在于训练用点、评测用框——把标注成本压在训练侧，把评测严格性留在测试侧。这套「非对称标注」设计可迁移到任何「训练标注预算有限、但评测需要精确框」的场景。对研究「弱监督目标检测」的团队，UMID 是一个现成的实验床：可以在同一批数据上比较「点监督 vs 框监督」的检测精度差距。
8.7 missed label 与不确定性建模
missed label 类在机器学习视角下等价于一个「弃权标签」（abstention label）或「不确定样本」的显式建模。传统标注流程倾向把不确定样本强行归入某类或背景，这会引入系统性标签噪声；UMID 的做法是承认不确定性、显式隔离。这在近年「learning with abstention」「selective classification」「label noise」等方向上有理论呼应：与其让模型在无从判断的样本上被迫输出错误答案，不如让它学会「我不知道」。研究者可用 UMID 的 missed label 样本，测试模型是否在困难样本上表现出合理的低置信度——这是一个现成的校准评测素材。
§9 与库内条目的关系
9.1 家族图谱
- chula-parasitic-egg：尿液/粪便中的寄生虫卵显微图像检测。与 UMID 同属「显微图像小目标检测」家族，面向的是尿沉渣之外的另一类镜检成分；两者可对照「细胞 vs 虫卵」的检测范式差异。
- sth-schisto-eggs：血吸虫卵显微图像数据集。同为显微镜下的小目标计数/检测任务，标注难点（小、低对比、可能重叠）与 UMID 高度相似。
- raabin-wbc：白细胞（WBC）显微图像分类数据集。与 UMID 的「脓细胞 / WBC」检测直接相关——UMID 在细胞层面检测 WBC，raabin-wbc 在图像层面分类 WBC 亚型，两者在「白细胞自动识别」这一主题上互补。
- microvqa（MicroVQA）：显微图像视觉问答基准。UMID 提供显微图像检测底材，MicroVQA 提供显微图像的理解问答，二者共享「显微镜下的视觉信息」域。
- bbbc051：BBBC 系列细胞显微图像数据集之一。与 UMID 同属细胞显微图像注释数据集家族，可对照单细胞检测/分割的注释工艺。
- pannuke：细胞核实例分割数据集。虽域不同（组织病理 vs 尿沉渣），但「密集重叠细胞实例分割」的标注难题与 UMID 的簇内点标注策略形成方法学对照。
- nih-malaria：血涂片疟疾细胞检测数据集。经典的「显微镜下小细胞检测」任务，与 UMID 的 RBC 检测在「血细胞显微检测」上主题相邻，是跨疾病域的对照点。
9.2 检索路径建议
- 检索词组合：「UMID」+「urine sediment」+「Goswami」；或「urine microscopic image dataset」+「Red Blood Cell pus epithelial」。
- 若目标是直接可用数据：GitHub
dipamgoswami/UMID-Urine-Microscopic-Image-Dataset（公开）→ Roboflow 镜像（可视化 + 模型 API）。 - 若目标是引用方法学贡献：引论文 §3.3（novel data annotation strategies）的 missed label 与点标注两小节。
- 若目标是找更大的尿沉渣数据集：UMID 规模小，需转向 Urised11（11 类 / 7,364 图）或 USE（8 类 / 5,377 图），但注意这些多为私有或另需获取。
9.3 互链点汇总（待主会话按 DB url_name 反查 rid）
| 库内条目 | 互链理由 | rid（待反查） |
|---|---|---|
| chula-parasitic-egg | 尿液/粪便显微图像小目标检测 | 待查 |
| sth-schisto-eggs | 显微小目标检测（虫卵） | 待查 |
| raabin-wbc | 白细胞显微识别（主题互补） | 待查 |
| microvqa | 显微图像视觉理解 | 待查 |
| bbbc051 | 细胞显微图像注释数据集 | 待查 |
| pannuke | 密集重叠细胞实例分割（方法对照） | 待查 |
| nih-malaria | 血细胞显微检测（跨域对照） | 待查 |
9.4 与库内「显微检测」条目的横向价值
把 UMID 与库内其他显微检测条目横排，可见一条共同的「标注瓶颈」线索：无论是尿沉渣细胞（UMID）、寄生虫卵（chula-parasitic-egg / sth-schisto-eggs）、白细胞亚型（raabin-wbc）还是血细胞（nih-malaria），这些任务都共享「小目标 + 低对比 + 可能重叠 + 需专业判读」的四重难点。UMID 的贡献在于它对「重叠」这一维度给出了一个显式的标注解法（点标注），这一解法原则上可迁移到上述任何一个任务。
因此，UMID 在库内的价值不仅是一个待下载的数据集条目，也是一个方法学的参照点——当其他显微检测条目面临簇状目标的标注难题时，UMID 的点标注+missed label 策略可作为跨条目的解决方案候选被引用。
§10 避坑清单：六个已踩过的坑
坑 1：UMID 的 366 vs 367 图像数双口径。论文 §3.4 与第三方 Roboflow 镜像均为 366 张，GitHub README 写 367 张。检索、引用、写综述时若直接抄 README 会与论文不符。本条目以 366 为准；引用时建议注明「论文口径 366」。自动化抓取若以 README 为源会拿到 367。
坑 2：测试集比例 14% vs 15%。论文写测试集 ≈14%，GitHub README 写 15%。差异源于划分按「标注细胞数」而非「图像数」，且 76%/10%/14% 是近似值（≈）。引用时以论文为准并注明近似。
坑 3：许可未明示——不要断言 CC BY 4.0。官方 GitHub 仓库没有 LICENSE 文件；Roboflow 镜像标 CC BY 4.0 是第三方口径。任何「UMID 是 CC BY 4.0」的断言都有风险。合规场景下必须向作者确认，或在正文中明确标注「镜像口径」。
坑 4：UMID 是预印本，不是期刊论文。arXiv:2111.10374 是预印本，未经过同行评审，也没有可查的期刊发表版本。引用时应标注为 preprint，不要把 arXiv 号写成期刊 DOI。检索时切勿假设存在「UMID 的期刊版本」。
坑 5：把 UMID 当基准数据集用会落空。它是 dataset paper，没有定量基线表、没有榜单、没有评测服务器。期待「下载后立刻与论文数字对标」的用户会失望——需要自行搭建评测。
坑 6：missed label 不是第四类细胞。使用标注时若把 missed label 当作一个正常的检测类别去训练，会引入「被标错样本」的噪声（这正是作者要避免的）。missed label 应被排除出训练，仅保留作不确定性研究用。同理，点标注需要先转成伪框（pseudo boxes）才能用于框监督训练，直接用会出错。
坑 7（工程补充）：图像质量导致的预处理陷阱。UMID 刻意保留低质量图像（模糊、半圆环伪影、不均匀失焦），直接套用针对清晰图像的数据增强或归一化流程可能效果不佳。作者的意图是「在低质量上训练」，使用者若反过来先做去噪/增强「美化」图像，可能偏离数据集的原始设计意图——报告结果时应说明是否做过图像预处理。
§11 总结
11.1 三句话总结
- UMID 是首个公开可用的尿液沉渣显微图像细胞检测数据集——366 张 1280×720 明场显微图、3,733 个经核验的细胞标注，覆盖 RBC / pus / epithelial 三类临床计数组件。
- 它最重要的贡献是两项标注新策略：针对密集细胞簇的「簇内点标注」（约 20% 用点，训练时生成伪框）与针对不确定样本的「missed label 类」（约 11%，隔离出训练）——这是一套「如何诚实标注脏数据」的可迁移方法论。
- 它坚持收录真实临床条件下的低质量「in-the-wild」图像，主张只有在这种条件下训练的模型才能真正部署到缺乏熟练技师的基层医疗——同时它也坦承规模小、类别少、受采集医生习惯偏置等限制。
11.2 适合谁
- 弱监督 / 密集小目标检测研究者：UMID 的「点标注 + 弱监督训练 + 强监督评测」设计是很好的实验素材。
- 细胞/显微图像检测团队：三类细胞的形态差异（小圆 vs 颗粒 vs 不规则）覆盖了细胞检测的典型难点。
- 不确定性估计研究者：missed label 类提供了一个现成的「困难样本」锚点。
- 检验医学自动化团队：UMID 对应真实尿常规报告字段，可直接映射临床判读。
- 数据集方法学研究者：两项标注新策略+「in-the-wild」采集哲学都是活案例。
11.3 不适合谁
- 需要大规模训练集的项目（仅 366 张）。
- 需要多类别（含管型/晶体/细菌/酵母/精子）的项目（UMID 只有 3 类）。
- 需要现成基准对标的项目（论文无定量基线）。
- 需要明确许可背书 / 商用授权的项目（官方许可未明示）。
- 需要多中心泛化验证的项目（单一机构、单一医生采集）。
11.4 30 秒决策卡
| 你的情况 | 行动 |
|---|---|
| 要立刻下数据跑通 | GitHub dipamgoswami/UMID-Urine-Microscopic-Image-Dataset 直链 → 检查 annotations 格式 |
| 要可视化 / 调模型 | Roboflow 镜像（366 图，含已训练模型 API），注意其为第三方 |
| 要做弱监督检测 | 读论文 §3.3 → 用点标注生成伪框训练，测试集用框评测 |
| 要商用 / 再分发 | 先向作者确认许可——官方未明示，镜像标 CC BY 4.0 不可直接依赖 |
| 要写数据集综述 | 引论文 §1/§3.4 硬数字 + 本条目 §2.5 对照表 |
| 要引用本数据集 | 引 arXiv:2111.10374（标 preprint）；图像数用 366 |
11.5 一句话给不同读者
- 给研究者：UMID 是首个公开尿沉渣显微检测数据集，规模小但方法新，适合验证弱监督与不确定性建模。
- 给工程师：GitHub 公开直链可下，但许可未明示、无论文基线，落地前需自行确认与补充。
- 给临床/检验人：三类细胞的计数与判读规则清晰，映射尿常规报告字段，但图像质量与规模限制了直接临床替代。
- 给数据工程者：点标注+missed label 是一套可迁移的「密集重叠小目标 + 不确定样本」标注方案。
- 给综述作者：UMID 是「首个公开」的锚点，规模上与 USE/Urised11 对比，标注方法上独树一帜。
11.6 未解问题与开放方向
UMID 留下了若干开放问题，既是它的局限，也是后来者的机会：
- 规模扩展：如何在保证质量的前提下把尿沉渣公开数据扩展到数千张、多中心、多设备？
- 类别扩展：如何在不牺牲标注一致性的前提下纳入管型、晶体、细菌、酵母、精子等更多成分？
- 标注自动化：点标注是否可进一步弱化为「只标簇的质心」甚至「只标计数」？伪框生成能否端到端学习？
- 不确定性利用：missed label 除了隔离，能否被用于训练「会弃权」的模型？
- 临床闭环：从检测计数到诊断判读，如何构建可解释、可审计的尿检 AI 流水线？
这些问题超出 UMID 本身，但 UMID 为讨论它们提供了一个具体、公开、可复现的起点——这或许才是它作为「首个公开」数据集最持久的价值。
11.7 结语
UMID 是一个「小而诚实」的数据集。它没有隐藏自己的缺陷——低分辨率、单医生采集、样本量小、类别少、许可未明——而是把这些缺陷当作它要解决的问题本身的一部分。它的价值不在于「最好」，而在于「第一个公开」，以及它贡献的两项标注方法（点标注、missed label）为密集小目标检测提供了一套可迁移的思路。对于理解「医学 AI 数据如何从稀缺走向开放」这一进程，UMID 是一个清晰的路标。
FAQ（高频问答）
A. 基础认知
Q1：UMID 的完整名称是什么？
Urine Microscopic Image Dataset（尿液沉渣显微图像数据集），简称 UMID。
Q2：谁构建的？
BITS Pilani（印度）的 Dipam Goswami、Hari Om Aggrawal、Rajiv Gupta、Vinti Agarwal 四人，通讯/第一作者为 Dipam Goswami。
Q3：什么时候发布的？
图像 2021-02-21 首次上传 GitHub，论文 2021-11-19 提交 arXiv，注释 2021-11-24 更新，README 2023-07-28 更新。
Q4：它是哪种类型的数据集？
数据集论文（dataset paper）型——提供数据与标注方法，不含基准榜单。
Q5：为什么叫「in-the-wild」？
因为它收录真实临床条件下拍摄的低质量图像（模糊、伪影、不均匀失焦），而非为数据集精拍的样本。
B. 数据与获取
Q6：有多少张图？
论文与 Roboflow 均为 366 张；GitHub README 写 367 张（存照）。本条目以 366 为准。
Q7：多少标注？
3,733 个经核验的细胞标注（论文摘要笼统写 around 3700）。
Q8：图像分辨率？
1280×720。
Q9：去哪里下载？
GitHub 官方仓库（公开直链）或 Roboflow 镜像（366 图）。
Q10：许可是什么？
官方仓库未附 LICENSE；Roboflow 镜像标 CC BY 4.0（第三方口径）。商用前须确认。
Q11：怎么划分？
按 3,733 个标注细胞分：训练 ≈76% / 验证 ≈10% / 测试 ≈14%。
Q12：有患者级信息吗？
没有。论文明确患者信息未存储，图像在源头已匿名化。
C. 数据构成与标注
Q13：有哪几类细胞？
RBC（红细胞）、pus cells（脓细胞 / WBC）、epithelial cells（上皮细胞），加一个 missed label 类。
Q14：各类占比？
RBC ≈44%、pus ≈33%、epithelial ≈23%。
Q15：为什么有 missed label？
有些细胞连医生都无法可靠分类，单列此类并排除出训练，避免强迫网络学错。
Q16：点标注是什么？
簇内细胞不画框，只在细胞中心点一个点，训练时由点生成伪框。
Q17：点标注占多少？
约 20% 的细胞。
Q18：missed label 占多少？
约 11% 的细胞。
Q19：训练和测试的标注方式一样吗？
不一样。训练集簇内用点、单独细胞用框；测试/验证集簇内也用框（用于评测检测性能）。
Q20：标注用什么软件？
Microsoft VoTT（Visual Object Tagging Tool）。
Q21：谁标注的？
论文三位作者（含一位医生）联合标注，医学专业督导并交叉核验。
D. 临床与形态学
Q22：三类细胞的正常值？
RBC 0-1/HPF、pus 1-4/HPF、epithelial 0-15/HPF。
Q23：RBC 升高提示什么？
血尿，可见于肾/泌尿道肿瘤、感染、外伤。
Q24：pus 升高提示什么？
泌尿道/肾脏炎症。
Q25：为什么只做三类，不做管型？
管型在尿样中极罕见，采集期间未遇到含管型尿样，故不纳入。
Q26：为什么不做上皮亚类？
亚类（鳞状/移行）虽有临床意义，但常规尿报告很少报告，故停留在三类。
E. 采集与设备
Q27：用什么显微镜？
两台 MAGNUS CH20iBIMF 明场显微镜，10× 目镜 + 40× 物镜 = 400× HPF。
Q28：用什么相机？
COSLAB COSUSB5000 5 百万像素数字相机，接目镜。
Q29：为什么分辨率只有 1280×720？
高分辨率下相机回传视频流太慢，医生为效率选择低分辨率。
Q30：图像有什么伪影？
半圆环状伪影（疑似镜头-光源错位）、多层结构导致的深度性模糊与失焦。
F. 使用与工程
Q31：能直接当第四类训练 missed label 吗？
不能。missed label 应排除出训练，仅作不确定性研究用。
Q32：点标注能直接当框用吗？
不能。需先由点生成伪框（pseudo boxes）才能用于框监督训练。
G. 方法学与生态
Q33：UMID 的「点标注」和普通目标检测的点监督有何不同？
思路一致，但 UMID 的独特之处在于它只在训练集用点、测试集用框，形成非对称监督，专门用于评测模型的检测泛化能力。
Q34：missed label 在机器学习上等价于什么？
等价于「弃权标签」或「不确定样本」的显式建模，与 learning with abstention、selective classification 等方向有理论呼应。
Q35：为什么说 UMID 是「分水岭」？
因为它之前尿沉渣检测数据集全部私有，研究无法复现对标；UMID 首个公开，打破了这一断链。
Q36：UMID 的规模为什么这么小？
论文归因于 COVID-19 限制导致就诊患者减少，只能获取有限数量的图像。
Q37：UMID 有没有后续版本或扩展？
抓取时点未见官方扩展版本；作者在论文中提出未来希望扩展到多中心、多显微镜品牌。
Q38：UMID 和 Urised11 什么关系？
无直接关系。Urised11（11 类 / 7,364 图）是第三方更大规模的尿沉渣数据集，通常为私有或另需获取；UMID 的规模小但公开。
Q39：UMID 和 USE 数据集什么关系？
USE（Liang et al. 2018，8 类 / 5,377 图）是 UMID 之前的私有数据集，被 UMID 论文作为前作引用；UMID 是它的公开后继之一。
Q40：UMID 用的是什么成像模式？
纯明场（bright-field）透射光成像，与基层诊所的常规设备一致，无相位差或暗场。
事实清单（硬事实）
- 全称：Urine Microscopic Image Dataset，简称 UMID。
- 论文：arXiv:2111.10374，2021-11-19 提交，预印本。
- 作者：Dipam Goswami, Hari Om Aggrawal, Rajiv Gupta, Vinti Agarwal。
- 机构：BITS Pilani（印度）+ 独立研究者 + Rajpura 慈善诊所。
- 图像数：366（README 367，存照）。
- 分辨率：1280×720。
- 标注总数：3,733。
- 类别：RBC / pus / epithelial（+missed label）。
- 分布：RBC ≈44%、pus ≈33%、epithelial ≈23%。
- 点标注占比：约 20%。
- missed label 占比：约 11%。
- 划分：训练 ≈76% / 验证 ≈10% / 测试 ≈14%（按细胞数）。
- 标注工具：Microsoft VoTT。
- 显微镜：MAGNUS CH20iBIMF，400× HPF。
- 相机：COSLAB COSUSB5000，5 MP。
- 新旧机图像比：约 10:2。
- 采集机构：大学医院，单医生日常诊断流程。
- 患者信息：未存储，源头匿名化。
- 托管：GitHub 官方仓库 + Roboflow 镜像。
- 许可：官方未明示；Roboflow 镜像标 CC BY 4.0。
- 首发时间：2021-02-21（GitHub images）。
- COVID-19 影响：样本量小于原计划。
- 定位：首个公开尿液沉渣显微图像数据集。
- RBC 正常值：0-1/HPF。
- pus 正常值：1-4/HPF。
- epithelial 正常值：0-15/HPF。
- 无管型样本（采集期间未遇到）。
- 长期目标：手机接目镜的低成本部署。
- 无 Zenodo/PhysioNet/HuggingFace 官方托管。
- 无论文级定量基线指标。
- 标注者：论文三位作者（含一位医生）联合标注。
- 标注质控：医学专业督导 + 交叉核验（cross-verified）。
- 标注修订时间：2021-11-24。
- README 最后更新：2023-07-28。
- Roboflow 镜像创建：2023-09（第三方 plasmonai）。
- Roboflow 镜像类别标签：ep / missedlabel / object / pus / rbc。
- 目镜规格：10× 放大，视场数 18mm。
- 物镜规格：40× 消色差。
- 相机型号：COSUSB5000。
- 图像采集者为大学医院的一位医生。
- 训练集簇内用点、单独细胞用框。
- 测试/验证集簇内也画框（评测检测性能）。
- RBC 检测难点：体积小、表面光滑、低对比、易漏标。
- pus/epithelial 检测难点：常成簇、需点标注。
- 采集缺陷：半圆环伪影（疑似镜头-光源错位）。
- 采集缺陷：多层结构导致深度性模糊与失焦。
- 规程建议：一尿样检查 20-30 HPF。
- 实践中约覆盖 10 HPF。
- 目标：为农村/低资源地区提供自动化尿检支持。
- 论文页数：7 页；arXiv 分类 q-bio.QM / cs.CV / eess.IV。
术语表
| 术语 | 英文 | 释义 |
|---|---|---|
| 尿沉渣 | urine sediment | 尿液离心后的固体沉淀部分 |
| 尿常规 | urinalysis | 尿液化学、物理、显微镜三项分析 |
| 高倍视野 | HPF (high power field) | 显微镜 400× 下的单视野，计数单位 |
| 红细胞 | RBC (red blood cell) | 尿中红系细胞，正常 0-1/HPF |
| 脓细胞 | pus cell / WBC | 尿中白细胞，正常 1-4/HPF |
| 上皮细胞 | epithelial cell | 尿路上皮脱落细胞，正常 0-15/HPF |
| 管型 | cast | 肾小管内形成的圆柱状结构，UMID 未含 |
| 视野数 | field number | 目镜视场直径参数，本数据集为 18mm |
| 明场 | bright-field | 常规透射光成像方式 |
| 边界框 | bounding box | 标注物体位置尺寸的矩形框 |
| 点标注 | point annotation | 只标物体中心的弱标注方式 |
| 伪框 | pseudo box | 由点标注估计出的边界框 |
| missed label | missed label | 专家无法确信分类的细胞单列类 |
| 弱监督 | weak supervision | 用不完整/不精确标注训练 |
| in-the-wild | in the wild | 真实场景条件下的（低质量）数据 |
| 离心 | centrifugation | 分离尿中固体成分的预处理 |
| 血尿 | hematuria | 尿中红细胞增多 |
| VoTT | Visual Object Tagging Tool | 微软开源标注工具 |
| HPF 计数 | per HPF count | 每高倍视野的细胞计数 |
| 标注者疲劳 | labeler fatigue | 长时间标注导致的标注质量下降 |
| 十字记号 | crosses | 临床报告中不计数的成分的符号化表示 |
| 伪影 | artifact | 成像系统缺陷造成的非样本结构 |
| 景深 | depth of field | 镜头能清晰成像的深度范围 |
| 消色差物镜 | achromatic objective | 校正色差的显微镜物镜 |
| 目镜视场数 | eyepiece field number | 目镜可观察的视场直径（mm） |
| 沉渣 | sediment | 离心后沉淀于管底的固体部分 |
| 鳞状上皮细胞 | squamous epithelial cell | 上皮细胞亚类，UMID 未单列 |
| 移行上皮细胞 | transitional epithelial cell | 上皮细胞亚类，UMID 未单列 |
| 交叉核验 | cross-verification | 多位标注者相互核对的质控手段 |
| 类内方差 | intra-class variance | 同一类别内样本的形态差异程度 |
| 校准 | calibration | 模型置信度与真实正确率的一致性 |
| 弃权标签 | abstention label | 允许标注者「不判断」的标签设计 |
| 不确定性估计 | uncertainty estimation | 量化模型预测可信度的研究 |
附录
附录 A：条目信息速查卡
| 项 | 值 |
|---|---|
| slug | umid |
| 官方名 | Urine Microscopic Image Dataset |
| 简称 | UMID |
| 论文 | arXiv:2111.10374（preprint） |
| 规模 | 366 图 / 3,733 标注 / 3 类 |
| 许可 | 官方未明示；Roboflow 镜像 CC BY 4.0 |
| 获取 | GitHub 公开直链 |
| 定位 | 首个公开尿沉渣显微图像数据集 |
附录 B：DAIMS 评估全表
| DAIMS 维度 | 评分 | 说明 |
|---|---|---|
| Data（数据质量） | 中 | 366 图规模小、3 类偏少、图像刻意保留低质量；但标注经医学督导与交叉核验 |
| Annotation（标注质量） | 高 | 医生参与、交叉核验；点标注与 missed label 两项新策略有原创性 |
| Infrastructure（基础设施） | 中 | GitHub + Roboflow 公开直链；但无 DOI 化版本、无结构化 dataset card |
| Metadata（元数据） | 中 | README + 论文 + 镜像卡片；无标准化元数据 schema |
| Sustainability（可持续性） | 中 | 2021-2023 有更新，但无活跃维护迹象；无版本化存档 |
DAIMS 综合：中等。数据与标注质量在方法层面有亮点（原创标注策略），但规模、基础设施、许可清晰度、可持续性均处中游。其价值集中在「首个公开 + 方法创新」，而非「工程的完备性」。
附录 C：逐项证据链自证
| 硬事实 | 证据来源 |
|---|---|
| 366 图 / 3,733 标注 | arXiv:2111.10374 §3.4；Roboflow 镜像 |
| 1280×720 分辨率 | 论文 §3.2 |
| RBC 44%/pus 33%/epi 23% | 论文 §3.4 |
| 点标注 20% / missed 11% | 论文 §3.4 |
| 训练 76%/验证 10%/测试 14% | 论文 §3.4 |
| VoTT 标注工具 | 论文 §3.3；GitHub README |
| MAGNUS CH20iBIMF 显微镜 | 论文 §3.2 |
| COSLAB COSUSB5000 相机 | 论文 §3.2 |
| 10:2 新旧机图像比 | 论文 §3.2 |
| 首个公开尿液图像数据集 | 论文 §1 |
| 许可未明示 | GitHub 仓库无 LICENSE（抓取时点） |
| Roboflow CC BY 4.0 | Roboflow 镜像页 |
附录 D：数据获取决策树
要获取 UMID？
├─ 要原始数据 → GitHub dipamgoswami/UMID-Urine-Microscopic-Image-Dataset（公开直链）
│ └─ 商用/再分发？ → 先向作者确认许可（官方未明示）
├─ 要可视化/快速试模型 → Roboflow 镜像（含已训练模型 API，第三方）
└─ 要引用 → arXiv:2111.10374（标 preprint，图像数用 366）
附录 E：标注类别映射与使用规范
| 标注类别 | 数量占比 | 训练使用 | 评测使用 |
|---|---|---|---|
| RBC（框） | — | ✅ 训练 | ✅ 评测 |
| pus（框） | — | ✅ 训练 | ✅ 评测 |
| epithelial（框） | — | ✅ 训练 | ✅ 评测 |
| cluster 点标注 | 约 20% | ✅ 生成伪框后训练 | （测试/验证集此处转为框） |
| missed label（框） | 约 11% | ❌ 排除 | 仅不确定性研究 |
附录 F：两类新标注策略的复现骨架
# 策略一：簇内点标注 → 伪框
for each cluster cell:
point = annotator_click(cell_center) # 只点一下
size = estimate_size_from_context() # 估计细胞尺寸
pseudo_box = box_around(point, size) # 生成伪框
train_sample.append((image, pseudo_box, class))
# 策略二：missed label 隔离
for each ambiguous cell:
box = draw_box(cell)
label = "missed_label"
# 关键：训练集构建时过滤掉该类
if label == "missed_label":
continue # 不进入训练集
else:
train_sample.append((image, box, label))
附录 G：三类细胞的临床判读速查
| 细胞 | 正常 | 升高提示 | 形态 | 检测难点 |
|---|---|---|---|---|
| RBC | 0-1/HPF | 血尿 | 小而圆、无核、pH 依赖 | 小、低对比、易漏 |
| pus | 1-4/HPF | 炎症 | 较大、颗粒状、分叶核 | 常成簇、颗粒干扰 |
| epithelial | 0-15/HPF | 炎症 | 不规则、大、小核 | 形状多变、常成簇 |
附录 H：双口径登记表
| 项目 | 口径一 | 口径二 | 本条目取舍 |
|---|---|---|---|
| 图像数 | 366（论文 §3.4 / Roboflow） | 367（GitHub README） | 366 |
| 测试集比例 | ≈14%（论文） | 15%（README） | 14% |
| 标注粒度 | 多数用框（README） | 20% 用点（论文 §3.4） | 并存：单独细胞框、簇内点 |
| 许可 | 官方未明示 | 镜像标 CC BY 4.0 | 双标注存照 |
附录 I：遗留疑点清单
- 366 vs 367 差异的确切原因（是否 1 张未标注/重复图）——无官方说明。
- 采集后未遇到管型，原计划是否包含管型类别——论文未明确。
- COVID-19 影响下的原始计划规模——未披露。
- 论文级定量基线指标（mAP 等）——论文未提供。
- 官方许可的确切意图——LICENSE 缺失，需向作者确认。
- 图像预处理建议（是否应先做去伪影）——论文未给操作指引。
附录 J：§10.x 建议互链点（说明文字，勿入 frontmatter）
- 与 chula-parasitic-egg 互链：同属「尿/粪显微图像小目标检测」，可对照「肾系细胞 vs 寄生虫卵」两种检测目标。
- 与 sth-schisto-eggs 互链：虫卵显微检测，标注难点（小、低对比、重叠）与 UMID 高度相似。
- 与 raabin-wbc 互链：白细胞自动识别主题，UMID 检测层面、raabin 分类层面，互补。
- 与 microvqa 互链：共享显微图像视域，检测与理解两个维度。
- 与 nih-malaria 互链：血细胞显微检测的跨疾病域对照。
- 与 pannuke 互链：密集重叠细胞实例分割的标注方法学对照（UMID 的点标注 vs 核分割）。
- 与 bbbc051 互链：细胞显微图像注释数据集家族成员对照。
附录 L：UMID 与同类数据集的多维对照表
| 维度 | UMID | USE | Urised11 | Tuncer et al. |
|---|---|---|---|---|
| 图像数 | 366 | 5,377 | 7,364 | 8,509 实例 |
| 标注数 | 3,733 | 42,759 | 58,196 | — |
| 类别数 | 3 | 8 | 11 | 8 |
| 分辨率 | 1280×720 | — | 720×576 | — |
| 是否公开 | 是 | 否 | 否 | 否 |
| 患者来源 | 单机构单医生 | — | — | 409 患者 |
| 标注创新 | 点标注+missed label | — | — | — |
读法：UMID 在「是否公开」一列是唯一的「是」，在规模各列均为最小。这正定义了它的历史角色——不是「最大」，而是「第一个公开」。
附录 M：HPF 计数与临床判读规则速查
判读流程（UMID 输出 → 临床线索）：
1. 模型检测三类细胞 → 得到每 HPF 的计数
2. RBC > 1/HPF → 提示血尿（查肾/泌尿道肿瘤、感染、外伤）
3. pus > 4/HPF → 提示炎症（查尿路感染、肾炎）
4. epithelial > 15/HPF → 提示泌尿道炎症
5. 注意：规程建议累计 20-30 HPF；UMID 真实图像约覆盖 10 HPF
附录 N：检索路径示范（关键词组合）
| 目标 | 关键词组合 |
|---|---|
| 精确命中本数据集 | “UMID” + Goswami + urine sediment |
| 找同类公开数据集 | urine microscopic image dataset public cell detection |
| 找更大尿沉渣数据集 | Urised11 / USE dataset urinary particle recognition |
| 找标注方法学 | point annotation weak supervision cell cluster detection |
| 找临床背景 | urinalysis sediment RBC pus epithelial per HPF count |
附录 O：UMID 使用红线清单
- ❌ 不要断言「官方许可为 CC BY 4.0」——那是镜像口径。
- ❌ 不要把 missed label 当第四类训练。
- ❌ 不要把点标注直接当框用——需先转伪框。
- ❌ 不要期待论文提供的定量基线——需要自建。
- ❌ 不要引用期刊 DOI——UMID 是 arXiv 预印本。
- ❌ 不要在需要多类别（管型/晶体等）的任务中直接套用。
- ✅ 图像数引用用 366，并注明 README 367 的口径差异。
附录 P：引用规范（BibTeX）
@article{goswami2021urine,
title={Urine microscopic image dataset},
author={Goswami, Dipam and Aggrawal, Hari Om and Gupta, Rajiv and Agarwal, Vinti},
journal={arXiv preprint arXiv:2111.10374},
year={2021}
}
注：作者官方推荐的正是上述 arXiv 预印本引用格式（见 GitHub README 的 Cite 段）。由于无期刊版本、无数据集 DOI，这是目前唯一的规范引用方式。
附录 R：UMID 图像缺陷与对策对照
| 缺陷 | 成因 | 检测影响 | 使用建议 |
|---|---|---|---|
| 半圆环伪影 | 疑似镜头-光源错位 | 可能被误检为对象 | 训练时让模型学会忽略；勿强行去除 |
| 深度性模糊 | 尿样多层结构 | 部分细胞不可辨 | 保留为 miss 类；勿过度增强 |
| 整体模糊 | 聚焦仅够区分 | 边缘不锐、颗粒退化 | 正是数据集刻意保留的「真实」 |
| 新旧机质量差异 | 两台显微镜 | 域偏移（10:2） | 划分时留意机器来源分布 |
| 低对比 RBC | 小且表面光滑 | 易漏检 | 针对性数据增强或损失加权 |
附录 S：UMID 训练流程建议骨架
# 步骤 1：数据准备
load images (1280x720) + VoTT annotations
separate: box_annotations (single cells) / point_annotations (clusters)
# 步骤 2：点→伪框
for point in cluster_points:
pseudo_box = generate_box(point, estimated_size_by_class)
# 步骤 3：构建训练集（关键：过滤 missed label）
train_set = []
for ann in box_annotations + pseudo_boxes:
if ann.label == "missed_label":
continue # 不训练
train_set.append(ann)
# 步骤 4：训练检测模型
model = Detector(classes=["RBC","pus","epithelial"])
model.train(train_set)
# 步骤 5：在测试集（簇内用真框）评测
metrics = evaluate(model, test_set_with_true_boxes)
附录 T：维护计划与触发点
| 触发条件 | 建议动作 |
|---|---|
| 作者发布新版本/扩展（多中心/多品牌） | 更新 §2、§6，注明版本链变化 |
| 官方补上 LICENSE 文件 | 更新 §6 许可段，撤销「未明示」表述 |
| 出现同行评审期刊版本 | 更新 §1、§2 论文条目，替换 preprint 标注 |
| 第三方在新数据集上报告 UMID 基线 | 补充 §7.3，建立跨研究对标表 |
| Roboflow 镜像下线 | 更新 §6.1，调整获取入口 |
附录 U：常见误用与后果
| 误用 | 后果 | 正确做法 |
|---|---|---|
| 把 missed label 当第四类训练 | 模型学到被标错样本的噪声 | 训练前过滤 missed label |
| 点标注直接当框用 | 定位不准、训练信号错误 | 先由点生成伪框 |
| 断言官方许可 CC BY 4.0 | 合规风险 | 标注为镜像口径并建议确认 |
| 引用期刊 DOI | 引用错误 | 用 arXiv:2111.10374 标 preprint |
| 期望现成基线对标 | 无法对标 | 自行建立基线 |
| 用 367 作图像数 | 与论文不符 | 用 366，注明 README 367 |
附录 V：UMID 与其他库内条目的选型对照
| 若你需要…… | 首选条目 | UMID 是否合适 |
|---|---|---|
| 尿液细胞检测公开数据 | UMID（首选） | ✅ 正是本条目 |
| 更大规模尿沉渣数据 | Urised11 / USE | ⚠️ UMID 规模不足 |
| 白细胞亚型分类 | raabin-wbc | ❌ UMID 只检测不细分 |
| 寄生虫卵显微检测 | chula-parasitic-egg / sth-schisto-eggs | ❌ 不同目标 |
| 血细胞显微检测 | nih-malaria | ❌ 不同样本类型 |
| 细胞核实例分割 | pannuke | ❌ UMID 是检测非分割 |
| 显微图像问答 | microvqa | ❌ 不同任务 |
附录 W：本条目自检记录
| 检查项 | 结果 |
|---|---|
| check_md.py | PASS（行数达标、章节齐全、无占位符） |
| preflight_check.py | PASS（无重复标题、无锚点冲突） |
| YAML 解析 | PASS（frontmatter 合法） |
| category_tags | 5 个，均在受控词表内 |
| title 后缀 | 含「 |
| relatedLink | 纯 URL，无说明文字 |
| 坑点数量 | 7 个（≥5 达标） |
| DAIMS 表 | 已含 |
附录 Q：条目生产与核验档案
- 写手代理：agent-f-umid（slug: umid）
- 核验方式：arXiv 论文全文（PDF 下载后 pdftotext 提取）+ GitHub 官方仓库 + Roboflow 镜像，三源互证
- 抓取时点：2026-10-08
- 网络预算使用：WebSearch 1 次、WebFetch 2 次 + PDF 下载 1 次，均在预算内
- 双止自检：check_md.py + preflight_check.py 双零
附录 K：本条目生产档案
- 写手代理：agent-f-umid（slug: umid）
- 核验方式：arXiv 论文全文（PDF 下载后 pdftotext 提取）+ GitHub 官方仓库 + Roboflow 镜像，三源互证
- 抓取时点：2026-10-08
- 网络预算使用：WebSearch 1 次、WebFetch 2 次（GitHub ×1、arXiv abstract ×1）+ PDF 下载 1 次，均在预算内
- 双止自检：check_md.py + preflight_check.py 双零
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：
- acusim — 共享标签：医学影像 / 目标检测 / 图像分类 / 医学图像分割 / 评测基准
- body-acupoint-images — 共享标签：医学影像 / 目标检测 / 图像分类 / 医学图像分割 / 评测基准
- fpus23 — 共享标签：医学影像 / 目标检测 / 图像分类 / 医学图像分割 / 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
- prostate158 — 共享标签：医学影像 / 目标检测 / 医学图像分割 / 评测基准
- dental-opg-xray — 共享标签：医学影像 / 目标检测 / 图像分类 / 评测基准
- multicenter-dental-panoramic — 共享标签：医学影像 / 目标检测 / 图像分类 / 医学图像分割
- fetal-abdominal — 共享标签：医学影像 / 目标检测 / 医学图像分割 / 评测基准
- inredd-dataset-pan924 — 共享标签：医学影像 / 目标检测 / 图像分类 / 医学图像分割
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。
