Taxol-related image dataset

本数据集由南缅因大学计算机科学系和生物学系共同构建，旨在支持基于视觉的Taxol浓度分析。数据集包含了438张高分辨率图像，展示了不同浓度的Taxol对C6胶质瘤细胞的影响。这些图像被分为4个类别，分别对应于不同的Taxol浓度水平。数据集旨在为基于视觉的Taxol浓度分析提供基础，并支持未来的研究。

This dataset was jointly developed by the Department of Computer Science and the Department of Biology at the University of Southern Maine, with the goal of supporting vision-based Taxol concentration analysis. The dataset includes 438 high-resolution images illustrating the impacts of Taxol at varying concentrations on C6 glioma cells. These images are categorized into four classes, each corresponding to distinct Taxol concentration levels. This dataset aims to serve as a foundation for vision-based Taxol concentration analysis and to support subsequent research.

原始信息汇总

Glioma Cell Microscopy Dataset 概述

数据集背景

该数据集是研究抗癌药物紫杉醇（Taxol）对胶质瘤细胞形态学影响的一部分。研究采用C6胶质瘤细胞（一种大鼠来源的细胞系，广泛用于脑癌研究），该细胞系源自Wistar大鼠化学诱导的胶质瘤，是胶质母细胞瘤的公认体外模型。C6胶质瘤细胞表现出恶性星形胶质细胞的几个关键特征，包括高增殖率和胶质纤维酸性蛋白（GFAP）表达，使其特别适合研究细胞对化疗药物的反应。

图像采集

• 细胞培养：C6胶质瘤细胞在Kaighn改良的Hams F-12培养基（F12K）中培养，补充2.5%胎牛血清（FBS）、15%马血清和1%青霉素-链霉素。
• 环境条件：细胞在37°C、5% CO₂和95%空气的湿润气氛中维持。
• 处理组：细胞接种到24孔板后，用紫杉醇（溶解在二甲基亚砜，DMSO中）处理，最终浓度包括：
  • 100 μM
  • 40 μM
  • 20 μM
  • DMSO-only对照组
• 孵育与固定：细胞孵育72小时，部分孔用多聚甲醛固定。
• 显微镜成像：使用20倍放大的相差显微镜捕获每孔约8张图像。

数据集组成

数据集包含以下处理组的灰度图像数量（所有图像为灰度，保存为.jpg格式，分辨率1600 × 1200像素）：

• Control (DMSO only)：109张图像
• 20 μM Taxol：109张图像
• 40 μM Taxol：110张图像
• 100 μM Taxol：110张图像

示例可视化

一个组合面板显示了每个类别的代表性图像（包含Control、20 μM、40 μM和100 μM Taxol处理组）。

许可证

该数据集仅用于学术用途，使用时请引用本仓库。

搜集汇总

数据集介绍

构建方式

在生物医学成像领域，Taxol相关图像数据集的构建采用了严谨的实验流程。C6胶质瘤细胞在含有不同浓度Taxol的培养基中培养72小时，通过相位对比显微镜在20倍放大倍数下采集图像，最终获得438张高分辨率灰度图像，涵盖Control、20μM、40μM和100μM四个浓度等级。图像采集后经过严格的质量控制与标注，并采用分层抽样策略划分为训练集、验证集和测试集，确保各类别比例均衡且无数据泄露。

特点

该数据集的核心特征体现在其专业性与稀缺性。作为首个公开的Taxol浓度视觉分析数据集，它提供了细胞形态学响应化疗药物的标准参照。图像均以1600×1200像素分辨率保存，清晰呈现不同Taxol浓度下细胞结构的细微变化。数据分布方面，每个浓度类别包含109-110张图像，通过严格控制实验变量保证了数据的科学可比性，为定量研究药物浓度与细胞形态关联提供了高质量基准。

使用方法

该数据集适用于监督学习框架下的计算机视觉任务，主要用于Taxol浓度四分类问题。研究人员可基于预训练的卷积神经网络提取形态学特征，结合注意力机制增强对细胞结构变化的敏感度。数据集已预设标准划分方案，建议采用迁移学习策略缓解数据量限制，同时可利用k-NN等非参数分类器在特征空间实现可解释的浓度预测。所有图像均附带浓度标签，支持端到端模型训练与生物医学图像分析算法的验证。

背景与挑战

背景概述

Taxol-related image dataset由南缅因大学计算机科学与生物系联合团队于2025年创建，旨在填补紫杉醇浓度视觉分析领域公开数据集的空白。该数据集聚焦于化疗药物紫杉醇（Taxol）对C6胶质瘤细胞的形态学影响，通过显微成像技术捕获不同浓度梯度下的细胞响应图像。其核心研究在于建立计算机视觉与生物医学的交叉范式，为自动化药物浓度检测提供基准数据，推动高通量药物毒性评估研究的发展。

当前挑战

该数据集致力于解决生物医学领域中紫杉醇浓度视觉分类的挑战，包括细胞形态细微差异的捕捉、浓度梯度间的区分敏感性，以及环境泄漏监测的实际应用需求。构建过程中面临多重技术难点：细胞样本制备需严格统一培养条件以避免生物学变异；显微成像需保证分辨率和光照一致性；标注过程依赖专业生物学知识以确保浓度标签的准确性；此外，数据规模受限条件下需平衡类别分布与模型泛化能力。

常用场景

经典使用场景

在生物医学图像分析领域，Taxol-related image dataset 被广泛应用于深度学习模型训练与验证，特别是在细胞形态学变化的自动识别任务中。该数据集通过显微图像捕捉C6胶质瘤细胞在不同紫杉醇浓度下的形态响应，为研究人员提供了标准化数据基础，支持浓度分类模型的开发与优化。其经典使用场景包括基于卷积神经网络的图像分类实验，以及注意力机制在细胞形态特征提取中的应用验证。

解决学术问题

该数据集解决了传统紫杉醇检测方法依赖专业设备与人工操作的局限性，为自动化、高通量的药物浓度分析提供了数据支撑。其学术意义在于填补了紫杉醇形态学分析公开数据集的空白，推动了计算机视觉在生物医学领域的应用。通过提供多浓度级别的标注图像，该数据集支持细粒度分类研究，并促进了迁移学习与注意力机制在有限数据场景下的方法创新。

衍生相关工作

基于该数据集衍生的经典工作包括ResAttention-KNN基准模型及其变体，该模型结合了ResNet-50架构、卷积块注意力模块（CBAM）和K近邻分类器，显著提升了分类精度与可解释性。后续研究进一步探索了对比学习、度量学习等方法在该数据集上的应用，推动了生物医学图像分析中特征嵌入与非线性分类策略的发展，并为小样本学习场景提供了重要参考。