MP-IDB: The Malaria Parasite Image Database for Image Processing and Analysis

薄涂片数据集：总共229张图片，包括122张恶性疟原虫图片、37张间日疟原虫图片、29张卵形疟原虫图片和46张三日疟原虫图片。每张图片都有标记，指示寄生虫位置。图片编号前缀相同的代表同一患者的血液涂片。

Thin Blood Smear Dataset: A total of 229 images, including 122 images of Plasmodium falciparum (malignant malaria), 37 images of Plasmodium vivax (vivax malaria), 29 images of Plasmodium ovale (ovale malaria), and 46 images of Plasmodium malariae (quartan malaria). Each image is annotated to indicate the location of the parasites. Images with the same prefix in their numbering represent blood smears from the same patient.

原始信息汇总

数据集概述

多物种 Plasmodium

• 数据来源: andrealoddo/MP-IDB-The-Malaria-Parasite-Image-Database-for-Image-Processing-and-Analysis
• 数据类型: 薄涂片图像
• 图像数量: 229张，包括122张Plasmodium falciparum图像，37张P. malariae图像，29张P. ovale图像和46张P. vivax图像。
• 附加信息: 图像掩码指定寄生虫位置。每个图像的编号前缀相同，表示来自同一患者。
• 参考文献: Loddo A., Di Ruberto C., Kocher M., Prod’Hom G. (2019) MP-IDB: The Malaria Parasite Image Database for Image Processing and Analysis

Plasmodium falciparum

• 数据来源1: lhncbc.nlm.nih.gov/LHC-research/LHC-projects/image-processing/malaria-datasheet.html

• 数据类型: 薄涂片图像

• 图像数量: 27,558张，包括感染和未感染的红细胞。

• 参考文献: Sivaramakrishnan Rajaraman, Sameer K. Antani, Mahdieh Poostchi, Kamolrat Silamut, Md. A. Hossain, Richard J. Maude, Stefan Jaeger, and George R. Thoma. Pre-trained convolutional neural networks as feature extractors toward improved malaria parasite detection in thin blood smear images.

• 数据来源2: data.mendeley.com/datasets/j55fyhtxn4/2

• 数据类型: 薄涂片图像

• 图像数量: 38,000张，所有图像由五个指定注释者标记五次。

• 参考文献: Mira S. Davidson, Sabrina Yahiya, Jill Chmielewski, Aidan J. O’Donnell, Pratima Gurung, Myriam Jeninga, Parichat Prommana, Dean Andrew, Michaela Petter, Chairat Uthaipibull, Michelle Boyle, George W. Ashdown, Jeffrey D. Dvorin, Sarah E. Reece, Danny W. Wilson,, D. Michael Ando, Michelle Dimon and Jake Baum Automated detection and staging of malaria parasites from cytological smears using convolutional neural networks

• 数据来源3: lhncbc.nlm.nih.gov/LHC-research/LHC-projects/image-processing/malaria-datasheet.html

• 数据类型: 点集和多边形集

• 图像数量: 多边形集165张，点集800张。

• 参考文献: Kassim, Y.M., Palaniappan, K., Yang, F., Poostchi, M., Palaniappan, N., Maude, R.J., Antani, S. and Jaeger, S.,Clustering-Based Dual Deep Learning Architecture for Detecting Red Blood Cells in Malaria Diagnostic Smears

• 数据来源4: lhncbc.nlm.nih.gov/LHC-research/LHC-projects/image-processing/malaria-datasheet.html

• 数据类型: 厚涂片图像

• 图像数量: 1819张。

• 参考文献: Yang, F., Poostchi, M., Yu, H., Zhou, Z., Silamut, K., Yu, J., Maude, R.J., Jaeger, S. and Antani, S. Deep Learning for Smartphone-Based Malaria Parasite Detection in Thick Blood Smears

• 数据来源5: data.lhncbc.nlm.nih.gov/public/Malaria/MalariaScreener/index.html

• 数据类型: 厚涂片图像

• 图像数量: 190张。

• 参考文献: Yu, Hang, et al. Patient-level performance evaluation of a smartphone-based malaria diagnostic application

• 数据来源6: http://air.ug/downloads/plasmodium-phonecamera.zip

• 数据类型: 厚涂片图像

• 图像数量: 1182张，包含寄生虫边界框。

• 参考文献: J.A. Quinn, R. Nakasi, P.K. Mugagga, P. Byanyima, W. Lubega, A. Andama. Deep Convolutional Neural Networks for Microscopy-Based Point of Care Diagnostics.

• 数据来源7: https://drive.google.com/open?id=1EMJ7dg0TBs34sDWcj7Tj1wozXJC0wtbc

• 数据类型: 薄涂片图像

• 图像数量: 655张，包含寄生虫边界框。

• 参考文献: Tek FB, Dempster AG, Kale I, Parasite detection and identification for automated thin blood film malaria diagnosis.

• 数据来源8: https://rdr.ucl.ac.uk/articles/dataset/Giemsa_Stained_Thick_Blood_Films_for_Clinical_Microscopy_Malaria_Diagnosis_with_Deep_Neural_Networks_Dataset_/12173568

• 数据类型: 厚涂片图像

• 图像数量: 来自299名患者的Giemsa染色厚血片。

• 参考文献: Manescu, Petru, et al. A weakly supervised deep learning approach for detecting malaria and sickle cells in blood films.

Plasmodium vivax

• 数据来源: https://data.broadinstitute.org/bbbc/BBBC041/malaria.zip
• 数据类型: 薄涂片图像
• 图像数量: 1364张，约80,000个细胞。
• 参考文献: Hung J, Goodman A, Lopes S, Rangel G, Ravel D, Costa F, Duraisingh M, Marti M, Carpenter A. Applying Faster R-CNN for Object Detection on Malaria Images.

搜集汇总

数据集介绍

构建方式

MP-IDB数据集的构建基于对多种疟原虫物种的薄血涂片图像的收集与整理。具体而言，该数据集包含了229张薄血涂片图像，涵盖了四种主要的疟原虫种类：恶性疟原虫（Plasmodium falciparum）、间日疟原虫（Plasmodium malariae）、卵形疟原虫（Plasmodium ovale）和三日疟原虫（Plasmodium vivax）。每张图像均附有标注，指定了图像中的疟原虫位置，确保了数据集的准确性和可用性。此外，每张图像的编号前缀相同，表明这些图像来自同一患者的同一次血液样本，从而保证了数据集的连贯性和一致性。

特点

MP-IDB数据集的显著特点在于其多样性和精确性。首先，该数据集涵盖了四种主要的疟原虫种类，为研究不同疟原虫的形态学特征和检测方法提供了丰富的样本资源。其次，每张图像均附有详细的标注，包括疟原虫的位置信息，这为图像处理和分析提供了重要的参考依据。此外，数据集中的图像来自同一患者的同一次血液样本，确保了数据的一致性和可比性，这对于开发和验证疟疾检测算法尤为重要。

使用方法

MP-IDB数据集主要用于疟疾检测和图像处理算法的开发与验证。研究者可以利用该数据集训练和测试各种图像处理技术，如卷积神经网络（CNN），以提高疟原虫检测的准确性和效率。此外，数据集中的详细标注信息可以用于评估和优化算法的性能。研究者可以通过下载数据集的压缩包或访问其GitHub仓库获取数据，并根据需要进行进一步的处理和分析。在使用过程中，建议参考相关文献以确保正确理解和应用数据集。

背景与挑战

背景概述

MP-IDB（Malaria Parasite Image Database for Image Processing and Analysis）是一个专注于疟原虫图像处理与分析的数据库，由Loddo A.等人于2019年创建。该数据集包含了229张薄涂片图像，涵盖了四种主要的疟原虫种类：恶性疟原虫（Plasmodium falciparum）、间日疟原虫（Plasmodium malariae）、卵形疟原虫（Plasmodium ovale）和三日疟原虫（Plasmodium vivax）。每张图像均附有标注的寄生虫区域，旨在支持图像处理和分析技术的开发，以提高疟疾诊断的准确性和效率。MP-IDB的发布为疟疾研究领域提供了宝贵的资源，推动了基于图像的疟疾检测方法的发展。

当前挑战

MP-IDB数据集在构建过程中面临了多重挑战。首先，图像的多样性和复杂性使得寄生虫的精确标注变得困难，尤其是在不同种类的疟原虫之间存在显著的形态学差异。其次，数据集的规模相对较小，限制了深度学习模型训练的效果，尤其是在需要大量数据进行泛化的情况下。此外，图像质量的不一致性，如光照条件和涂片制备技术的差异，进一步增加了数据处理的复杂性。这些挑战不仅影响了数据集的构建，也对后续的图像处理和分析算法提出了更高的要求，特别是在提高检测精度和减少误报率方面。

常用场景

经典使用场景

MP-IDB数据集在疟疾寄生虫图像处理与分析领域中具有经典应用。该数据集包含229张薄涂片图像，涵盖四种主要的疟疾寄生虫种类，即*Plasmodium falciparum*、*P. malariae*、*P. ovale*和*P. vivax*。这些图像不仅提供了寄生虫的详细图像，还附带了设计用于识别寄生虫的图像掩码。这一特性使得MP-IDB成为开发和验证疟疾寄生虫自动检测算法的重要资源，特别是在计算机视觉和机器学习领域。

衍生相关工作

基于MP-IDB数据集，许多相关研究工作得以开展。例如，有研究利用该数据集开发了基于卷积神经网络（CNN）的疟疾寄生虫检测模型，显著提高了检测的准确性。此外，还有研究探索了使用迁移学习技术，从预训练模型中提取特征，以加速新模型的训练过程。这些研究不仅推动了疟疾诊断技术的发展，也为其他寄生虫病和传染病的图像识别研究提供了宝贵的参考和方法论。

数据集最近研究

最新研究方向

在疟疾诊断领域，MP-IDB数据集的最新研究方向主要集中在利用深度学习和图像处理技术提高疟原虫检测的准确性和效率。研究者们通过开发和优化卷积神经网络（CNN）模型，旨在实现对薄血涂片中疟原虫的自动识别和分类。此外，结合多模态数据和多中心标注的图像数据，研究者们正在探索提高模型泛化能力和鲁棒性的方法。这些研究不仅有助于提升疟疾诊断的准确性，还为全球范围内的疟疾防控提供了技术支持。