MIDOG 2025挑战数据集
MIDOG 2025挑战数据集包含365例人类、犬、猫12种肿瘤的病理切片图像，用于评估有丝分裂检测模型的泛化能力，涵盖热点、随机和挑战性区域三种采样策略。
基本信息
资源简介
MIDOG 2025挑战数据集
【一句话概览】
MIDOG 2025 会议论文集已作为 Springer LNCS 的一部分正式发布，官方链接为 https://link.springer.com/book/10.1007/978-3-032-25180-0。主办方对所有作者表示祝贺，并感谢大家共同成就了这次挑战赛与研讨会。该活动涉及有丝分裂象检测、非典型有丝分裂分类、计算病理学、全切片图像、乳腺癌、犬类癌症等主题，并与 MICCAI 及挑战赛相关（来源 midog2025.deepmicroscopy.org）。
【数据集背景】
本数据集源站标题为《MIDOG 2025》。
【数据内容】
源站原始描述：MIDOG 2025 proceedings It is our great pleasure to announce the availability of the official MIDOG 2025 proceedings as part of Springers LNCS: . Congratulations to all authors and thanks for making it a great challenge and workshop!
中文译文（机器翻译，仅供快速理解，请以原文为准）：MIDOG 2025 会议论文集 我们非常高兴地宣布，MIDOG 2025 官方会议论文集已作为 Springer LNCS 的一部分正式发布：https://link.springer.com/book/10.1007/978-3-032-25180-0 。祝贺所有作者，并感谢大家共同成就了这一精彩的挑战赛和研讨会！
【主题与分类】
主题标签：mitotic figure detection、atypical mitosis classification、computational pathology、whole slide images、breast cancer、canine cancer、MICCAI、challenge。
【适用方向】
影像类数据可用于医学图像分析模型（检测、分割、分类）的训练与评测，也可用于标注质量与成像参数相关性的研究。
【获取与许可】
源站页面：https://midog2025.deepmicroscopy.org
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
暂未开放有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站：https://midog2025.deepmicroscopy.org
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 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。
- OpenDataLab:
数据说明
该数据集由弗伦斯堡应用科学大学等多家国际机构联合创建，用于评估有丝分裂检测模型的领域泛化能力。包含365个独立病例的感兴趣区域，涵盖人类、犬类和猫类共12种肿瘤类型，通过多种扫描平台数字化获取，并引入热点区域、随机区域和挑战性区域三种采样策略。数据由病理学专家手动标注，旨在解决传统模型在生物多样性和复杂组织背景下性能下降的问题，推动计算病理学自动化有丝分裂计数技术的临床转化。
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。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
