Grand Challenge：PUMA：黑色素瘤中细胞核与组织的全景分割
PUMA 挑战赛旨在增强黑色素瘤组织病理学中的细胞核与组织分割，以满足对更好预后生物标志物以预测治疗反应的需求。黑色素瘤是一种高度侵袭性的皮肤癌，通常需要免疫检查点抑制治疗，但只有一半患者有反应
基本信息
资源简介
Grand Challenge：PUMA：黑色素瘤中细胞核与组织的全景分割
PUMA 全称为 Panoptic segmentation of nUclei and tissue in MelanomA，是一个聚焦黑色素瘤组织病理学图像中细胞核与组织分割的公开挑战赛数据集，来源站为 puma.grand-challenge.org，在本站归类于肿瘤 / 皮肤癌方向。该数据集的核心目标在于提升黑色素瘤组织病理切片中细胞核与组织的分割精度，从而服务于更可靠的预后生物标志物研究，帮助预测患者对治疗的反应。黑色素瘤是一种高度侵袭性的皮肤癌，临床上常需采用免疫检查点抑制治疗，但仅有约一半患者能够从中获益，因此寻找能够预判疗效的指标具有重要价值。PUMA 通过提供带有标注的原发性和转移性黑色素瘤区域，鼓励研究者开发更先进的分割方法，以改善预测准确性。
【数据集背景】
黑色素瘤作为一种高度侵袭性的皮肤癌，通常需要接受免疫检查点抑制治疗，然而只有一半患者对该治疗产生反应。预后生物标志物在临床上具有重要意义，例如肿瘤浸润淋巴细胞（TILs）与更好的治疗反应和更低的复发率相关。但人工进行 TIL 评分存在主观性强、一致性差的问题，难以稳定地用于临床决策。与此同时，现有的深度学习方法在该任务上表现不佳，尚不能满足对细胞核与组织进行精细分割的需求。PUMA 挑战赛正是为应对这一需求而设立，旨在推动黑色素瘤组织病理学中细胞核与组织分割技术的进步，为发现和验证更好的预后生物标志物提供支撑。
【数据内容】
PUMA 数据集包含经过标注的原发性和转移性黑色素瘤区域，用于改进分割技术。该挑战赛设有两个赛道，任务分别聚焦于组织分割和细胞核分割。数据集围绕细胞核与组织的全景分割（panoptic segmentation）展开，目标是在黑色素瘤组织病理学图像中同时识别并区分细胞核与组织类别。源站未提供具体的图像数量、分辨率、标注格式、类别体系及数据划分等细节。
【采集与来源】
该数据集来源于 puma.grand-challenge.org 这一挑战赛平台。源站未提供关于图像采集机构、扫描设备、染色方法、患者来源及伦理审批等具体信息。
【适用场景】
PUMA 适用于黑色素瘤组织病理学图像中细胞核与组织的分割研究，可服务于预后生物标志物的探索，尤其是与肿瘤浸润淋巴细胞相关的分析。其两个赛道的任务设置分别面向组织分割与细胞核分割，适合用于评估和比较不同分割方法在该场景下的表现，进而支持对治疗反应预测准确性的提升。源站未提供关于具体临床应用流程或部署条件的更多说明。
【使用方法】
该数据集以挑战赛形式组织，包含两个赛道，分别对应组织分割与细胞核分割任务。参与者需围绕这两类任务开发分割方法并提交结果，以参与挑战赛的评估。源站未提供数据下载方式、提交格式、评价指标及排行榜规则等具体操作细节。
【质量与限制】
源站指出，当前深度学习方法在该任务上表现不佳，人工 TIL 评分则存在主观且不一致的问题，这构成了该领域的主要局限。PUMA 通过提供标注数据与挑战赛机制，旨在推动更先进方法的出现。源站未提供关于数据集自身标注质量、样本偏差、覆盖范围及潜在使用限制的进一步说明。
【引用与许可】
源站未提供引用格式与许可条款信息。
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。
需登录公开下载
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://puma.grand-challenge.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
PUMA挑战赛旨在提升黑色素瘤组织病理学中的细胞核与组织分割，以满足对更好预后生物标志物的需求，从而预测治疗反应。黑色素瘤是一种高度侵袭性的皮肤癌，通常需要免疫检查点抑制治疗，但仅有一半患者有响应。肿瘤浸润淋巴细胞（TILs）等预后生物标志物与更好的治疗反应和较低的复发率相关，但人工TIL评分主观且不一致。当前的深度学习方法表现不佳。PUMA数据集包含标注的原发性和转移性黑色素瘤区域，以改进分割技术。该挑战包括两个赛道，任务聚焦于组织和细胞核分割，鼓励采用先进方法提高预测准确性。
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。
