SegPC-2021：显微镜图像中多发性骨髓瘤浆细胞分割

数据集获取

源站：https://doi.org/10.21227/7np1-2q42

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

近年来，人们正致力于通过图像处理构建用于癌症诊断的计算机辅助诊断工具。此类计算机辅助工具需要采集图像、对图像进行染色颜色归一化、分割感兴趣的细胞，并进行分类以计数恶性细胞与健康细胞。该数据集面向细胞的稳健分割，这是构建此类工具用于浆细胞癌症，即多发性骨髓瘤（MM）——一种血液癌症——的第一阶段。所提供的图像已经过染色颜色归一化。MM中的浆细胞分割问题由于多种原因而具有挑战性——1）不同细胞之间细胞核和细胞质的数量存在差异。2）细胞可能以簇状出现，也可能以孤立的单个细胞出现。3）以簇状出现的细胞可能有三种情况——（a）两个细胞的细胞质相互接触，（b）一个细胞的细胞质与另一个细胞的细胞核相互接触，（c）细胞的细胞核相互接触。由于细胞质和细胞核具有不同的颜色，细胞分割可能会面临挑战。4）簇中可能有多个细胞相互接触。

5. 可能存在未染色的细胞，比如目标细胞下方有一个红细胞，会改变其颜色和色调。6) 细胞的细胞质可能与整个图像的背景相近，使得难以识别细胞边界并进行分割。因此，这个问题非常具有挑战性和趣味性。这是朝着构建多发性骨髓瘤癌症检测自动化流程的一项努力。当前数据集包含775张图像，包括上述图像，但由两台相机拍摄，以便研究人员能够构建对所用相机具有不变性的方法。数据标注方面，细胞核和细胞质分别标记，不同于之前将完整细胞标记的旧数据集。感兴趣的研究人员可以提出基于深度学习或先进机器学习的解决方案，用于

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。