tomogram-Bacterial-Flagellar-motors-location

本数据集来源于Kaggle竞赛，旨在定位细菌冷冻电子断层扫描图像中的鞭毛电机。数据集包含训练和测试用的断层扫描图像，以及相应的标签信息。适用于对象检测和定位的机器学习模型训练。

This dataset is derived from a Kaggle competition, with the objective of localizing flagellar motors within bacterial cryo-electron tomography images. It contains tomography images for model training and testing, alongside corresponding label annotations, and is suitable for training machine learning models for object detection and localization tasks.

原始信息汇总

数据集卡片：细菌鞭毛马达断层扫描（Kaggle）

数据集描述

数据集摘要

该数据集源自Kaggle竞赛"BYU - Locating Bacterial Flagellar Motors 2025"，目标是识别细菌3D冷冻电子断层扫描（cryo-ET）重建（断层图）中鞭毛马达的存在和位置。鞭毛马达是许多微生物运动必需的分子机器。

数据包括3D断层图，以2D图像切片堆栈形式呈现。由于低信噪比、马达方向多变和断层图中复杂的细胞内环境，该任务具有挑战性。自动化检测旨在通过克服手动识别的瓶颈，加速分子生物学、药物开发和合成生物学的研究。

数据集包含带有标记马达位置的训练数据和用于评估的测试数据。

支持的任务和排行榜

• 目标检测/定位：主要任务是检测断层图中是否存在鞭毛马达，并预测其3D坐标（x, y, z）。
• 排行榜：原始竞赛排行榜可在Kaggle竞赛页面找到。

语言

文本描述和文档为英文（en）。数据本身为体积图像数据（断层图）。

数据集结构

数据实例

每个实例对应一个断层图。断层图在原始数据集中表示为包含沿z轴多个2D JPEG图像切片的目录，现在由对应于聚合jpg图像的numpy文件组成。

数据字段

断层图数据：存储为以tomo_id命名的Numpy文件。每个Numpy文件代表3D体积。

训练标签（train_labels.csv）：

• row_id：CSV文件中的行索引。
• tomo_id：断层图的唯一标识符。链接到包含断层图切片的目录。
• Motor axis 0：马达中心的z坐标（切片索引）。
• Motor axis 1：马达中心的y坐标。
• Motor axis 2：马达中心的x坐标。
• Array shape axis 0：对应断层图中的切片数量（z维度）。
• Array shape axis 1：断层图中每个切片的高度（y维度）。
• Array shape axis 2：断层图中每个切片的宽度（x维度）。
• Voxel spacing：断层图的缩放因子，单位为埃每体素。
• Number of motors：断层图中存在的马达总数。

测试数据：结构遵循训练数据，但没有标签。竞赛规则规定隐藏测试集包含约900个断层图，每个断层图有零个或一个马达。

数据分割

• 训练：包含断层图和对应标签（train_labels.csv）用于模型训练。
• 测试：包含用于模型评估的断层图。

使用注意事项

预期用途

该数据集旨在训练和评估机器学习模型，特别是计算机视觉算法，用于3D体积生物图像中的目标检测和定位任务。具体目标是识别cryo-ET断层图中的细菌鞭毛马达。

限制和偏差

• 低信噪比：Cryo-ET图像固有低信噪比，使检测困难。
• 可变性：马达可以以各种方向和潜在的不同构象状态出现。
• 复杂性：细胞内环境拥挤，可能遮蔽马达或包含类似结构（诱饵）。
• 数据代表性：数据集代表在特定cryo-ET条件下制备和成像的细菌。模型在不同来源或成像模态的数据上性能可能不同。
• 训练/测试差异：训练集包含具有多个马达的断层图，而竞赛的测试集仅包含零个或一个马达的断层图。评估时应考虑此差异。

评估

原始Kaggle竞赛使用结合$F_{eta}$-分数（$eta=2$，强调召回率）和欧几里得距离的指标。如果预测的欧几里得距离$|y - ar{y}|_2$到地面真值$y$小于或等于阈值$ au = 1000$埃，则预测被视为真正例（TP）。$F_2$-分数计算为：

$F_2 = (1+2^2) cdot frac{ ext{precision} cdot ext{recall}}{(2^2 cdot ext{precision}) + ext{recall}} = frac{5 cdot ext{TP}}{5 cdot ext{TP} + 4 cdot ext{FN} + ext{FP}}$

预测需要提交tomo_id和预测的Motor axis 0, Motor axis 1, Motor axis 2坐标。如果断层图未预测到马达，坐标应设置为-1。

附加信息

数据集策展人

数据集由引用中列出的个人为Kaggle竞赛提供，可能隶属于杨百翰大学（BYU）和合作机构。

许可信息

数据集在MIT许可证下提供。

引用信息

如果在工作中使用该数据集，请引用原始Kaggle竞赛：

bibtex @misc{byu-locating-bacterial-flagellar-motors-2025, author = {Andrew Darley and Braxton Owens and Bryan Morse and Eben Lonsdale and Gus Hart and Jackson Pond and Joshua Blaser and Matias Gomez Paz and Matthew Ward and Rachel Webb and Andrew Crowther and Nathan Smith and Grant J. Jensen and TJ Hart and Maggie Demkin and Walter Reade and Elizabeth Park}, title = {BYU - Locating Bacterial Flagellar Motors 2025}, year = {2025}, howpublished = {url{https://kaggle.com/competitions/byu-locating-bacterial-flagellar-motors-2025}}, note = {Kaggle} }

搜集汇总

数据集介绍

构建方式

该数据集源自Kaggle竞赛'BYU - Locating Bacterial Flagellar Motors 2025'，旨在通过3D冷冻电子断层扫描(cryo-ET)技术重建细菌鞭毛马达的定位。数据以3D断层图形式呈现，包含一系列2D图像切片。构建过程中，研究人员采用复杂的生物样本制备和成像技术，确保数据真实反映细菌鞭毛马达在细胞内的空间分布。训练集包含标注的马达位置坐标，测试集则用于模型评估，原始竞赛中测试集约含900个断层图。

特点

数据集的核心特征在于其高维空间信息的完整性，每个断层图以Numpy文件存储，完整保留了3D体积数据。标注信息精确到埃级精度，包含马达中心的三维坐标及断层图的体素间距等关键参数。数据具有典型的生物医学图像特点，包括低信噪比、复杂细胞内环境以及马达构象多样性，这些特征为机器学习模型提供了极具挑战性的测试平台。值得注意的是，训练集允许单个断层图存在多个马达实例，而测试集严格限定为零或一个马达，这种设计差异需要研究者特别关注。

使用方法

该数据集主要用于3D体积生物图像中的目标检测与定位任务。使用时应先加载Numpy格式的断层图数据，结合train_labels.csv中的坐标标注进行模型训练。评估阶段需特别注意竞赛采用的复合指标：结合Fβ分数(β=2)与欧氏距离阈值(1000埃)。预测输出需包含tomo_id及预测的三维坐标，无马达预测时应设为-1。由于数据具有显著的低信噪比特性和生物结构复杂性，建议采用先进的3D卷积神经网络或Transformer架构进行处理，并注意训练测试集在马达数量分布上的差异。

背景与挑战

背景概述

细菌鞭毛马达断层扫描数据集（tomogram-Bacterial-Flagellar-motors-location）由杨百翰大学（BYU）及相关合作机构的研究团队于2025年构建，旨在通过3D冷冻电子断层扫描（cryo-ET）技术定位细菌鞭毛马达的空间坐标。鞭毛马达作为微生物运动的核心分子机器，其精确定位对理解细菌运动机制、开发新型抗菌药物及合成生物学研究具有重要意义。该数据集通过Kaggle竞赛平台发布，包含标注了马达位置的训练数据及用于评估的测试数据，为计算机视觉算法在三维生物医学图像分析领域的应用提供了重要基准。

当前挑战

该数据集面临的核心挑战包括：1）领域问题层面，冷冻电子断层扫描图像固有的低信噪比（SNR）和复杂胞内环境导致鞭毛马达的识别困难，且马达形态和方向的高度异质性进一步增加了检测难度；2）数据构建层面，需解决多马达标注的样本不平衡问题（训练集含多马达样本而测试集仅含0-1个马达），同时需确保纳米级坐标标注的精度（阈值设为1000埃）。此外，模型需区分鞭毛马达与其他结构相似的胞内组分，避免误检。

常用场景

经典使用场景

在分子生物学和结构生物学领域，细菌鞭毛马达的精确定位对于理解微生物运动机制至关重要。该数据集通过提供3D冷冻电子断层扫描图像，为研究人员构建和优化目标检测算法提供了标准化的测试平台。深度学习模型能够利用这些标注数据，学习在复杂细胞内环境中识别鞭毛马达的微妙特征，从而实现对这一亚细胞结构的自动化定位。

实际应用

在生物医药研发领域，该数据集支持的新型检测算法已应用于抗生素作用机制研究，通过快速定位药物处理后的鞭毛马达结构变化评估药效。工业微生物领域利用该技术优化工程菌株的 motility 特性，而合成生物学研究则借助这些定位数据设计人工分子马达系统。公共卫生监测中，自动化的鞭毛马达检测为病原菌鉴定提供了新的生物标记物。

衍生相关工作

基于该数据集，研究者开发了Volumetric Attention Networks等三维视觉专用架构，相关成果发表在Nature Methods等期刊。Kaggle竞赛催生了混合U-Net与PointNet的创新模型，其改进版本已拓展到病毒颗粒识别领域。部分团队将该数据的预处理流程迁移至冷冻电镜断层扫描的全自动化分析平台，显著提升了细胞器分割的准确率。