H&E到SR小鼠肝脏数据集
用于肝纤维化虚拟染色的小鼠肝脏H&E到SR配对图像数据集，包含70张全切片图像，覆盖不同纤维化程度，提供训练和测试图块。
基本信息
资源简介
该数据集由莱比锡大学、多特蒙德工业大学等机构发布，用于无监督H&E到Sirius Red虚拟染色的小鼠肝脏组织配对图像。包含70张全切片图像（35张H&E和35张SR），来自胆汁淤积性肝病小鼠模型，覆盖术后第3、21、42、63天及假手术对照，纤维化程度从轻度到重度。图像以20倍放大采集，拼接为512×512像素图块，后下采样至256×256像素（0.442μm/像素）。训练集含30只动物的60张WSI，共201,257个H&E和196,415个SR图块；测试集含5只动物的10张WSI，每域16,290个图块。旨在为肝纤维化虚拟染色提供基准资源，用于评估模型在胶原含量定量（CPA）任务上的表现，解决无监督翻译中缺乏系统性比较和不确定性量化的问题。
下载信息
注册下载
Tips: 该数据集需要在对应的数据源网站注册通过后，才能进行数据下载，注册有对应要求，或者需要收费。
暂未开放公开下载
Tips: 该数据集属于公开下载，应该可以免费公开下载。
免登录有偿下载
Tips: 该数据集 Qianfanghub 可以协助提供有偿下载服务，注意，服务不针对数据相关产权，只是技术服务费。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放千方医数集，医疗数据集部分，是为社区服务的公开医疗数据集搜索引擎，并不存储或者下载原始的任何数据。 如果您有其他医疗数据需求，可以和客服联系，或者下工单。我们有强大的三甲医疗机构帮助您提供个性化的医疗数据定制、采集、标注服务。
使用方式
数据集说明
H&E到SR小鼠肝脏数据集 对应论文数据集（arXiv 预印本）。
数据获取指引
- 打开论文页面获取作者与项目信息：https://arxiv.org/abs/2608.24626v1
- 论文 Data Availability / Code Availability 章节标注了数据实际托管位置；
- 获取到实际数据链接后，按对应平台标准方式下载。
论文摘要：Abstract:Liver fibrosis, the principal predictor of long-term outcome in chronic liver disease, is staged from histological estimates of collagen content. Sirius Red (SR) provides the standard quantitative readout (collagen proportionate area, CPA) but is not acquired at every clinical centre and consumes tissue, time, and reagent cost beyond the routine Hematoxylin and eosin (H&E) stain. AI-based virtual staining can generate SR directly from H&E, yet systematic benchmarks of unsupervised models are scarce and their predictive uncertainty has not been quantified, even though visually plausible outputs may not faithfully reproduce the underlying tissue structure. We therefore benchmark six unsupervised image-to-image architectures (GAN-based and diffusion-based) across 54 scaling configurations on a newly released paired H&E to SR mouse liver dataset, the first open resource for this translation task. Each configuration is evaluated jointly on perceptual, distributional, and task-specific axes plus a blinded expert reader study; the best per family is then retrained as a deep ensemble, the first systematic comparison of epistemic uncertainty across unsupervised stain-to-stain architectures. Across families, perceptual quality, task-specific error, and ensemble agreement measure largely independent axes of model fitness: GAN-based methods cluster tightly on perceptual metrics yet differ substantially on task error and ensemble agreement, while the diffusion-based method (CycleDiffusion) is qualitatively different on all three. No single metric captures these diff
精度瓶颈？数据缺失？
当前公开数据无法满足您的算法精度？千方提供针对 肝纤维化 的高质量、多模态真实临床数据定制解决方案。
