CryoNuSeg|细胞核实例分割数据集|冷冻组织样本数据集

CryoNuSeg是第一个完全注释的来自冷冻组织样本的冷冻切片和H&E染色的细胞核实例分割数据集。该数据集包含来自10个人体器官的图像，这些图像在其他公开可用的数据集中未被利用，并提供了三种手动标记，以允许测量观察者内部和观察者之间的变异性。

原始信息汇总

CryoNuSeg: A Dataset for Nuclei Segmentation of Cryosectioned H&E-Stained Histological Images

数据集概述

CryoNuSeg 是一个完全标注的冷冻 H&E 染色的组织学图像数据集。该数据集包含 30 张固定大小为 512x512 像素的图像块，来自 10 个人体器官。数据集主要来源于 The Cancer Genome Atlas (TCGA)。

引用

CryoNuSeg 的论文已公开发布在 ScienceDirect 上：

@article{CryoNuSeg2021, title = "{CryoNuSeg}: A dataset for nuclei instance segmentation of cryosectioned H&E-stained histological images", journal = "Computers in Biology and Medicine", volume = "132", pages = "104349", year = "2021", issn = "0010-4825", doi = "https://doi.org/10.1016/j.compbiomed.2021.104349", url = "https://www.sciencedirect.com/science/article/pii/S0010482521001438", author = "Amirreza Mahbod and Gerald Schaefer and Benjamin Bancher and Christine L"{o}w and Georg Dorffner and Rupert Ecker and Isabella Ellinger" }

数据集链接

完整的数据集及其对应的分割掩码可在 Kaggle 网站上获取： https://www.kaggle.com/ipateam/segmentation-of-nuclei-in-cryosectioned-he-images

WSI 选择

从 TCGA 数据库中提取图像块的步骤如下：

• 选择 10 个未广泛用于其他公开数据集的器官，包括肾上腺、喉、淋巴结、纵隔、胰腺、胸膜、皮肤、睾丸、胸腺和甲状腺。
• 每个器官选择 3 张 40 倍放大的 WSI。

WSI 图像块提取

使用 QuPath 软件提取固定大小为 512x512 像素的图像块。

手动标注

使用 ImageJ 软件进行手动核实例分割标注。

分割掩码生成代码

Matlab 代码用于生成分割掩码，可在代码文件夹中找到。

致谢

本工作得到了奥地利研究促进机构 (FFG) 和 Kaggle 开放数据研究资助的支持。

AI搜集汇总

数据集介绍

构建方式

CryoNuSeg数据集的构建基于冷冻切片（FS）的H&E染色组织图像，旨在为核实例分割提供高质量的标注数据。数据集的图像来源于10种不同的人类器官，这些器官在其他公开数据集中未被广泛使用。通过从The Cancer Genome Atlas (TCGA)中筛选出40倍放大的H&E染色图像，研究人员选择了30张全切片图像（WSIs），每张图像提取了512×512像素的固定大小图像块。核实例分割标注由两名专家手动完成，并通过ImageJ工具进行核边界标注，确保了标注的精确性。此外，数据集还提供了三种手动标注版本，以便研究观察者内和观察者间的变异性。

特点

CryoNuSeg数据集是首个完全基于冷冻切片H&E染色图像的核实例分割数据集，具有独特的特点。首先，数据集涵盖了10种不同的人类器官，提供了丰富的组织类型和形态学多样性。其次，数据集不仅包含核实例分割的标注，还提供了辅助分割掩码，如去除接触边界的二值掩码、距离图和加权图，这些辅助数据有助于提升深度学习模型的训练效果。此外，数据集还通过两名专家的标注，提供了观察者内和观察者间变异性的研究基础，为核分割算法的鲁棒性评估提供了重要参考。

使用方法

CryoNuSeg数据集的使用方法主要围绕核实例分割算法的训练与评估展开。研究人员可以利用数据集中的标注图像训练深度学习模型，并通过辅助分割掩码提升模型的性能。数据集还提供了基线分割基准，使用基于U-Net的分割算法进行核实例分割，并通过Dice分数、聚合Jaccard指数（AJI）和全景质量（PQ）分数等指标进行评估。此外，数据集支持10折交叉验证（10CV），每折使用9个器官的图像进行训练，剩余1个器官的图像用于测试，从而评估模型的泛化能力。数据集的所有标注和辅助数据均可在GitHub和Kaggle平台上获取，便于研究人员直接使用和扩展。

背景与挑战

背景概述

CryoNuSeg数据集是首个基于冷冻切片（FS）和苏木精-伊红（H&E）染色图像的全手动标注的细胞核实例分割数据集，由维也纳医科大学等机构的研究团队于2021年发布。该数据集旨在解决冷冻切片图像中细胞核分割的挑战，特别是在术中快速诊断中的应用。冷冻切片因其快速制备的特点，常用于肿瘤手术中的实时病理分析，但其图像质量常因快速处理而受到影响。CryoNuSeg包含来自10个人体器官的图像，填补了现有数据集中冷冻切片数据的空白，并为深度学习模型的训练和评估提供了高质量的标注数据。该数据集的发布推动了数字病理学和计算病理学领域的研究，尤其是在冷冻切片图像分析中的应用。

当前挑战

CryoNuSeg数据集面临的挑战主要包括两个方面。首先，冷冻切片图像的快速制备和染色过程可能导致图像质量下降，如核染色质凝聚或冰晶形成等伪影，这些因素不仅影响病理学家的视觉判读，还可能显著降低基于深度学习的细胞核分割算法的性能。其次，数据集的构建过程中，手动标注细胞核边界存在较高的观察者间和观察者内变异性，尤其是在处理重叠或接触的细胞核时，标注的一致性难以保证。此外，冷冻切片与常规福尔马林固定石蜡包埋（FFPE）切片在细胞核形态上的差异，也增加了模型训练的复杂性。这些挑战要求研究者开发更鲁棒的算法，以应对冷冻切片图像中的噪声和变异性。

常用场景

经典使用场景

CryoNuSeg数据集在医学图像分析领域中被广泛用于冷冻切片H&E染色图像中的细胞核实例分割。该数据集通过提供来自10种不同人体器官的图像，为研究人员提供了一个标准化的基准，用于开发和评估深度学习模型在细胞核分割任务中的性能。特别是在冷冻切片图像中，由于快速制备和染色过程可能导致图像质量下降，CryoNuSeg数据集为处理这些挑战提供了宝贵的资源。

解决学术问题

CryoNuSeg数据集解决了冷冻切片H&E染色图像中细胞核实例分割的标注数据稀缺问题。通过提供完全手动标注的图像，该数据集使得研究人员能够训练和评估深度学习模型，尤其是在冷冻切片图像中，这些图像通常因快速制备过程而具有较低的质量。此外，该数据集还允许研究不同组织固定/包埋协议（如冷冻切片与福尔马林固定石蜡包埋切片）对细胞核分割性能的影响，填补了这一领域的研究空白。

衍生相关工作

CryoNuSeg数据集的发布推动了多个相关研究工作的开展。例如，基于该数据集的研究进一步探索了不同组织固定/包埋协议对细胞核分割性能的影响，并提出了改进的深度学习模型。此外，CryoNuSeg数据集还被用于开发新的细胞核分割算法，如基于U-Net的改进模型，这些模型在冷冻切片图像中表现出色。该数据集还为其他医学图像分析任务（如肿瘤分割和全切片图像分类）提供了基础数据支持，推动了冷冻切片图像分析领域的发展。