ADNP-15

ADNP-15数据集是一个开源的人脑全切片图像中神经原斑块的病理数据集，用于阿尔茨海默症的病理图像分割。该数据集由法国国家脑库提供，包含了15位阿尔茨海默症患者的前额叶皮质组织样本，并经过AT8抗体染色。数据集中包含4000个神经原斑块的精确手动注释，为模型训练和评估提供了基准。该数据集的创建旨在解决阿尔茨海默症诊断和病理分析中的挑战，如病变的形态和拓扑变异以及染色差异。

The ADNP-15 dataset is an open-source pathological dataset targeting neuronal plaques in whole-slide human brain images, designed for pathological image segmentation of Alzheimer's disease. Provided by the French National Brain Bank, this dataset comprises prefrontal cortical tissue samples from 15 Alzheimer's disease patients, which were stained with the AT8 antibody. It contains 4,000 precisely manually annotated neuronal plaques, serving as a benchmark for model training and evaluation. This dataset was developed to address core challenges in Alzheimer's disease diagnosis and pathological analysis, such as morphological and topological variations of lesions and discrepancies in staining protocols.

原始信息汇总

ADNP-15: An Open-Source Histopathological Dataset for Neuritic Plaque Segmentation in Human Brain Whole Slide Images with Frequency Domain Image Enhancement for Stain Normalization

数据集基本信息

• 标题: ADNP-15: An Open-Source Histopathological Dataset for Neuritic Plaque Segmentation in Human Brain Whole Slide Images with Frequency Domain Image Enhancement for Stain Normalization
• 提交日期: 2025年5月8日
• 作者: Chenxi Zhao, Jianqiang Li, Qing Zhao, Jing Bai, Susana Boluda, Benoit Delatour, Lev Stimmer, Daniel Racoceanu, Gabriel Jimenez, Guanghui Fu
• arXiv ID: 2505.05041v1
• DOI: 10.48550/arXiv.2505.05041

数据集描述

• 研究领域: 阿尔茨海默病（AD）的神经病理学研究
• 关键特征:
  • 包含淀粉样蛋白斑块和tau蛋白神经纤维缠结的标注数据
  • 针对人类脑组织全切片图像（Whole Slide Images）的神经炎斑块（neuritic plaques）分割
  • 提供染色归一化和图像增强技术
• 技术特点:
  • 评估了五种深度学习模型和四种染色归一化技术
  • 提出了一种新的频域图像增强方法，用于提高分割精度

数据集贡献

• 开放资源: 所有数据集和代码均为开源
• 应用价值: 促进阿尔茨海默病病理学研究的透明度和可重复性
• 技术改进: 通过图像增强策略显著提升模型泛化能力和分割精度

相关链接

• PDF全文: View PDF
• HTML全文: View HTML

搜集汇总

数据集介绍

构建方式

ADNP-15数据集构建基于15例阿尔茨海默病患者尸检脑组织样本，采用AT8抗体染色的全切片图像。样本采集遵循伦理规范，经法国国家脑库审核。通过专业病理学家对4000个神经炎性斑块进行精细标注，形成金标准。数据预处理采用256×256像素的斑块提取策略，结合区域引导采样和ROI平移增强技术，生成25,224个图像块。数据集按患者划分为12例训练集和3例测试集，确保数据独立性。

使用方法

使用该数据集需遵循分层应用框架：基础层可直接加载预处理后的图像块进行模型训练；中间层可对比不同染色标准化方法的效果；高级层可集成频域增强通道开发新型算法。建议评估时采用多指标体系：Dice系数衡量体积重叠，MASD评估边界精度，实例级F1-score反映临床实用性。对于迁移学习，推荐以Vahadane标准化版本为基准。数据加载需注意维持患者级划分，避免信息泄漏。配套代码库提供标准化的评估流程和基线模型实现。

背景与挑战

背景概述

ADNP-15数据集是由北京工业大学软件工程学院与法国巴黎大脑研究所等机构联合开发的开源组织病理学数据集，专注于阿尔茨海默病(AD)患者脑组织切片中神经炎性斑块的分割任务。该数据集于2025年由Chenxi Zhao等学者在arXiv预印本中首次公开，包含15例患者共25,224张全切片图像(WSI)样本，采用AT8抗体染色并通过Hamamatsu扫描仪数字化。作为目前该领域规模最大的开源标注数据集，其创新性体现在整合了四种染色归一化方法（Macenko、Reinhard、Vahadane和HistomicsTK）的预处理版本，并引入频域图像增强技术以提升结构细节的显著性。该数据集的建立突破了既往研究受限于小样本量（如Wurts等单病例研究）和私有软件依赖的瓶颈，为计算病理学领域提供了标准化评估基准，显著促进了深度学习模型在神经退行性疾病生物标记物定量分析中的可重复性研究。

当前挑战

该数据集主要应对两大核心挑战：在领域问题层面，神经炎性斑块的精确分割面临组织异质性高、形态多变等困难，传统ABC评分系统难以捕捉细微病理特征，而现有算法在Dice系数等指标上普遍低于0.3（如Wurts等研究）。构建过程中的挑战包括：1) 染色变异导致算法泛化性差，不同机构采用的染色方案使模型性能波动达15%（Macenko与Vahadane方法间Dice差异）；2) 标注复杂性，需神经病理学家耗时验证4000个斑块的边界精度；3) 全切片图像处理需开发区域引导采样策略，通过256×256像素块提取兼顾斑块与背景的上下文信息。此外，数据增强时需设计ROI平移策略以解决斑块空间分布稀疏性问题，这些技术难点在论文中通过频域增强和四角平移方案得到系统性解决。

常用场景

经典使用场景

在神经病理学研究中，ADNP-15数据集被广泛用于阿尔茨海默病（AD）相关神经炎斑块的自动分割任务。该数据集提供了15例患者的大规模全切片图像，涵盖了不同病理阶段的神经炎斑块形态学特征，为深度学习模型训练提供了丰富的多样性。研究者通常利用该数据集评估不同染色归一化技术（如Macenko、Reinhard、Vahadane和HistomicsTK）对分割性能的影响，并通过提出的频域图像增强方法优化结构细节的提取。

解决学术问题

ADNP-15数据集有效解决了神经病理图像分析中的两大核心问题：一是缺乏大规模标注数据导致的模型泛化能力不足，通过提供15例患者的25224个图像块显著扩展了训练样本；二是染色变异对自动化分析的干扰，通过集成四种标准化方法和频域增强技术，显著提升了模型在不同染色条件下的鲁棒性。该数据集为定量化研究AD病理标志物（如β-淀粉样斑块和tau蛋白缠结）的空间分布提供了标准化基准。

实际应用

在临床病理诊断中，ADNP-15支持开发自动化辅助诊断系统，通过DynUNet等模型实现神经炎斑块的精确量化，减少人工评估的主观偏差。其染色归一化流程可直接整合到多中心研究的数字化病理平台，解决机构间染色差异导致的算法性能波动。此外，该数据集还被用于构建AD病理进展预测模型，通过斑块形态特征与认知功能评分的关联分析辅助早期干预。

数据集最近研究

最新研究方向

近年来，ADNP-15数据集在阿尔茨海默病神经病理学研究领域引起了广泛关注。该数据集通过提供开放获取的人类脑组织全切片图像，为神经炎性斑块的自动分割任务奠定了重要基础。随着深度学习技术在医学图像分析中的深入应用，研究者们正积极探索基于频率域图像增强的染色归一化方法，以解决组织切片染色差异对模型性能的影响。当前研究热点集中在多模态深度学习架构的优化、小样本学习策略的开发，以及跨中心数据泛化能力的提升。这些工作不仅推动了计算病理学在神经退行性疾病诊断中的实际应用，也为理解阿尔茨海默病的病理机制提供了新的量化分析工具。值得注意的是，该数据集的开源性促进了国际科研团队的合作，相关成果已逐步应用于临床前药物研发和个性化医疗方案的制定。

相关研究论文

• ADNP-15: An Open-Source Histopathological Dataset for Neuritic Plaque Segmentation in Human Brain Whole Slide Images with Frequency Domain Image Enhancement for Stain Normalization

  北京工业大学软件学院, 法国巴黎神经科学研究所 · 2025年