Cells-in-Wells (CIW) dataset

该数据集包含微流控井中红细胞（RBCs）在人血清白蛋白、盐水或自体储存介质中洗涤时的图像、视频、二进制掩码、边界框、形态标签、细胞跟踪数据及其他度量。

This dataset comprises images, videos, binary masks, bounding boxes, morphological labels, cell tracking data, and other metrics of red blood cells (RBCs) being washed in microfluidic wells with human serum albumin, saline, or autologous storage medium.

原始信息汇总

数据集概述

数据集名称

"Cells-in-Wells" (CIW)

数据集内容

• 图像
• 视频
• 二进制掩码
• 边界框
• 形态标签
• 细胞追踪数据
• 其他红细胞（RBCs）在微流体井中洗涤时的度量

数据集用途

用于分析红细胞在微流体井中的行为，包括形态学分析和统计关系研究。

数据处理流程

1. 预处理阶段:

   • 图像分割和分类
   • 获取图像掩码、斑点分析统计和RBC边界框

2. 分类阶段:

   • 使用四个CNN分类器对每个边界框内的RBC图像进行分类
   • 分类标签包括：ST（Stomatocyte）、D（discocyte）、E1,2,3（echinocyte 1,2,3）、SE（Sphero-echinocytes）、S（spherocyte）

3. 跟踪阶段:

   • 使用Kalman滤波器预测RBC的未来位置
   • 通过多帧平均softmax分数分析时间序列数据

4. 数据分析阶段:

   • 获取生物学相关信息，如形态指数和统计关系
   • 支持专家手动检查和改进系统

数据集要求

• MATLAB 2021b或更高版本
• Deep Learning Toolbox (14.3)
• Image Processing Toolbox (11.4)
• Statistics and Machine Learning Toolbox (12.2)
• Computer Vision Toolbox (10.1)

数据集重现步骤

1. 下载并解压数据集。
2. 使用MATLAB运行预处理和处理脚本以重现数据集。
3. 检查预处理和处理数据目录以确认数据集生成成功。

数据集示例

• 示例图像和视频展示了RBC在微流体井中的行为和形态。

搜集汇总

数据集介绍

构建方式

Cells-in-Wells (CIW) 数据集的构建基于微流控技术，通过捕捉红细胞在不同介质中的动态行为，生成了一系列图像、视频、二值掩码、边界框及形态学标签等多模态数据。数据预处理阶段，1280X1024灰度图像经过分割与分类处理，采用图像分析或语义分割技术生成图像掩码和红细胞边界框。随后，通过四个卷积神经网络分类器对裁剪后的红细胞图像进行分类，并结合卡尔曼滤波进行细胞追踪，最终生成包含形态学指标和统计关系的生物学相关数据。

特点

CIW数据集的特点在于其多模态数据的丰富性，涵盖了红细胞的动态行为、形态学变化及追踪信息。数据集不仅包含高分辨率的图像和视频，还提供了详细的二值掩码和边界框，便于进行精确的细胞分割与分类。此外，数据集通过卡尔曼滤波实现了红细胞的长时间追踪，能够捕捉细胞在不同时间点的形态变化，为研究红细胞的动态行为提供了宝贵的数据支持。

使用方法

使用CIW数据集时，首先需在MATLAB环境中配置深度学习、图像处理和计算机视觉工具箱。通过运行预处理脚本（Routt_Austin_CIW_Preprocessing_Main.m），用户可以从原始显微镜数据中生成预处理数据。随后，运行处理脚本（Routt_Austin_CIW_Processing_Main.m）对预处理数据进行进一步分析，生成包含细胞追踪信息和形态学指标的最终数据集。用户可通过调整脚本中的路径参数，灵活应用于不同实验条件下的数据处理与分析。

背景与挑战

背景概述

Cells-in-Wells (CIW) 数据集由BloodML团队创建，旨在为红细胞（RBCs）在微流控孔中的形态学和行为研究提供高质量的多模态数据支持。该数据集包含图像、视频、二值掩码、边界框、形态学标签以及细胞追踪数据等，涵盖了红细胞在不同介质（如人血清白蛋白、生理盐水或自体储存介质）中的洗涤过程。数据集的核心研究问题在于通过深度学习和图像处理技术，实现对红细胞形态的精确分类与追踪，进而揭示其在不同环境下的动态变化。该数据集为血液学、微流控技术及生物医学工程领域的研究提供了重要的数据基础，推动了相关算法的开发与应用。

当前挑战

CIW数据集在构建与应用过程中面临多重挑战。首先，红细胞的形态多样且动态变化复杂，如何在图像中精确分割和分类不同形态的红细胞是一个关键问题。其次，由于微流控环境中的细胞运动速度快且轨迹复杂，追踪算法的设计需要兼顾精度与效率。此外，数据集的构建依赖于多模态数据的融合与标注，如何确保数据的一致性与准确性也是构建过程中的一大挑战。最后，尽管深度学习模型在分类与追踪任务中表现出色，但其对计算资源的需求较高，如何在有限的计算条件下优化模型性能仍是一个亟待解决的问题。

常用场景

经典使用场景

Cells-in-Wells (CIW) 数据集在生物医学研究中具有广泛的应用，尤其是在红细胞形态学和动力学分析领域。该数据集通过提供高分辨率的图像、视频、二进制掩码、边界框以及细胞追踪数据，为研究人员提供了一个全面的实验平台。经典的使用场景包括对红细胞在不同介质中的形态变化进行定量分析，以及通过深度学习模型对细胞进行分类和追踪。这些数据为研究红细胞的生理和病理行为提供了重要的实验基础。

实际应用

在实际应用中，CIW 数据集被广泛用于血液疾病的诊断和治疗研究。例如，通过分析红细胞在不同介质中的形态变化，研究人员可以评估某些药物对红细胞的影响，从而优化治疗方案。此外，该数据集还可用于开发自动化血液分析系统，帮助临床医生快速识别异常红细胞形态，提高诊断效率。在微流控技术领域，CIW 数据集为设计和优化微流控设备提供了实验数据支持，推动了相关技术的发展。

衍生相关工作

CIW 数据集衍生了许多经典的研究工作。例如，基于该数据集的红细胞形态分类模型被广泛应用于血液疾病的自动化诊断系统中。此外，研究人员利用数据集中的追踪数据开发了新的细胞动力学模型，进一步揭示了红细胞在不同环境下的运动规律。这些工作不仅扩展了数据集的应用范围，还为相关领域的研究提供了新的方法和工具。通过与其他生物医学数据的结合，CIW 数据集还推动了多学科交叉研究的发展，为未来的科学探索开辟了新的方向。