基于ImageSTREAM流式成像细胞仪的ERYthrocyte形态学数据集

数据集获取

源站：https://clinicaltrials.gov/study/NCT05282888

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据说明

条件：红细胞、裂红细胞、人工智能。红细胞形态分析是贫血诊断流程中的关键步骤。该分析在经May Grümwald Giemsa染色后的外周血涂片上进行。例如，在溶血性贫血的背景下，它能够识别需要紧急治疗的情况，如镰状细胞病危象、疟疾诱发的溶血和血栓性微血管病，后者以裂红细胞的存在为特征，需要立即进行临床处理。然而，红细胞形态的细胞学分析需要分析前干预（涂片制备+染色），其质量决定结果的准确性。此外，它需要良好的细胞学专业知识，有时可能带有主观性。多年来，基于自动化血液分析仪或自动化显微镜的红细胞形态评估替代方法已被开发出来。然而，与细胞学相比，尚无一种方法被证明具有优势，尤其是在血栓性微血管病的诊断方面。

结合流式细胞术与显微镜检查的优势，流式成像有望成为贫血诊断的一项前景广阔的技术：它无需任何分析前干预，无需涂片，且可分析大量事件。此外，通过建立大型图像数据库进行学习训练，该技术可与人工智能相结合，从而无需人工肉眼即可识别不同的红细胞形态。本研究旨在构建一个包含贫血相关主要红细胞形态的数据库，并通过在贫血患者中比较全血流式成像直接进行的红细胞形态学评估与经培训操作人员对外周血涂片进行常规细胞学分析后的形态学评估，对该数据库进行验证。

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。