MIDOG 2025 Challenge Dataset

arXiv2026-06-05 更新2026-06-09 收录

计算病理学

有丝分裂检测

数据链接：

https://midog2025.deepmicroscopy.org 数据链接链接失效反馈

官方服务：

资源简介：

MIDOG 2025挑战数据集是由弗伦斯堡应用科学大学等多家国际研究机构联合创建的，专为评估有丝分裂检测模型的领域泛化能力而设计。该数据集包含365个独立病例的感兴趣区域，涵盖人类、犬类和猫类共12种肿瘤类型，数据通过多种扫描平台数字化获取，并首次引入了热点区域、随机区域和挑战性区域三种采样策略以模拟真实临床场景。数据集的构建过程涉及病理学专家手动标注热点区域和挑战性区域，并采用随机采样确保组织代表性，旨在解决传统有丝分裂检测模型在生物多样性和复杂组织背景下性能下降的问题，推动计算病理学中自动化有丝分裂计数工具向临床全切片应用的转化。

The MIDOG 2025 Challenge Dataset was jointly developed by Flensburg University of Applied Sciences and multiple other international research institutions, and is specifically designed to evaluate the domain generalization capability of mitosis detection models. This dataset contains regions of interest (ROIs) from 365 independent cases, covering a total of 12 tumor types across humans, dogs and cats. The data was digitized via multiple scanning platforms, and three sampling strategies—hotspot regions, random regions and challenging regions—were introduced for the first time to simulate real-world clinical scenarios. The dataset construction process involved manual annotation of hotspot and challenging regions by pathological experts, alongside random sampling to ensure tissue representativeness. This work aims to address the performance degradation issue of traditional mitosis detection models when faced with biological diversity and complex tissue backgrounds, and to facilitate the translation of automated mitotic counting tools in computational pathology toward clinical whole-slide imaging applications.

提供机构：

弗伦斯堡应用科学大学; 因戈尔施塔特技术大学; 维也纳兽医大学·病理学系; 施瓦茨曼动物医疗中心; 柏林自由大学·兽医病理学研究所; 华威大学·计算机科学系·组织图像分析中心; MINES巴黎·PSL大学·计算生物学中心; 伊斯坦布尔耶尔德兹技术大学·计算机工程系·视觉研究组; 伦敦大学学院·医学物理与生物医学工程系; AIRA MATRIX私人有限公司; Gestalt Diagnostics; 加州大学洛杉矶分校·电气与计算机工程系; 堪萨斯大学医学中心·病理学与检验医学系; 萨莱诺大学·信息与电气工程及应用数学系; 癌症中心有限责任公司; 第十军事研究医院·病理科; 深圳技术大学·健康科学与环境工程学院; 多伦多城市大学·电气计算机与生物医学工程系·医学图像分析实验室; 塔塔咨询服务有限公司·TCS研究中心; 利兹教学医院NHS信托·国家病理学成像合作中心; 东京大学·医学

创建时间：

2026-06-05

搜集汇总

数据集介绍

构建方式

MIDOG 2025 Challenge Dataset的构建基于一个精心设计的评估框架，旨在突破传统热点区域局限，全面检验算法在真实临床场景中的泛化能力。其测试集涵盖了来自人类、犬类和猫类的12种肿瘤类型，共计365个感兴趣区域，每个病例的整个切片图像中提取了三种互补类型的区域：由病理学家选择的高密度有丝分裂热点区域、通过算法随机采样以代表整个切片组织构成的一般区域，以及由专家刻意挑选、富含易与有丝分裂相混淆的拟态结构（如凋亡细胞、炎性细胞等）的挑战性区域。注释过程采用PHH3免疫组化辅助标记与多位病理学家共识投票相结合的两阶段流程，确保了标注的准确性与可靠性。

使用方法

该数据集适用于两大核心任务：有丝分裂图检测（Track 1）与典型/非典型有丝分裂图分类（Track 2）。使用者首先需要获取公开的训练集（如MIDOG++及AMi-Br等），并按照竞赛要求，将完整的推理流程封装为Docker容器提交。评估时，模型需对给定的感兴趣区域输出所有有丝分裂图的坐标（Track 1）或对裁剪后的细胞斑块进行二分类（Track 2）。官方提供了基于FCOS和EfficientNetV2的基线模型，以及用于Docker提交的示例代码和评估工具。建议使用者通过模型集成来稳定提升性能（平均F1提升1.5个百分点），而测试时增强在本场景下并未表现出显著优势，反而增加了计算开销。

背景与挑战

背景概述

MIDOG 2025 Challenge是由弗伦斯堡应用科学大学Marc Aubreville主导，联合维也纳兽医大学、乌得勒支大学医学中心等多个国际机构，于2025年举办的有丝分裂图领域泛化挑战赛的第三届。该数据集聚焦于计算病理学中有丝分裂图的自动检测与分类，核心研究问题在于超越传统热点区域的局限，评估算法在全切片图像中随机区域和挑战性区域的泛化能力。涵盖了人类、犬类和猫类的12种肿瘤类型，共365个感兴趣区域，并首次引入非典型有丝分裂图的分类任务，推动了该领域从实验室基准向临床可靠性的关键跨越。

当前挑战

当前数据集面临的挑战主要体现在两个方面。在领域问题层面，算法在传统热点区域表现稳健，但对随机区域和富含假阳性结构的挑战性区域性能骤降，假阳性率激增208%，严重制约了临床全切片分析的可靠性。不同肿瘤类型间表现差异显著，尤其在罕见或高度多形性肿瘤中，模型存在明显的‘盲点’，揭示了现有架构对生物学多样性的泛化不足。在构建过程中，标注工作需依赖PHH3免疫组化辅助与多名病理专家多轮投票，耗时且易产生标签漂移；同时，不同扫描仪和染色条件的域偏移使得标准化数据集构建极为复杂，限制了模型在真实世界部署的鲁棒性。

常用场景

经典使用场景

在计算病理学领域，MIDOG 2025 Challenge Dataset 最经典的使用场景是评估和提升有丝分裂图检测算法在真实世界全切片图像上的域泛化能力。该数据集突破性地超越了传统仅关注专家选定热点区域的局限，首次将评估框架拓展至随机组织区域和富含假阳性干扰物的挑战性区域，从而为衡量模型在不同肿瘤类型、不同扫描设备以及复杂组织背景下的鲁棒性提供了严苛的基准。研究者利用这一数据集，可以系统地检验其检测算法在跨域场景中的泛化性能，尤其是在面对此前未见的肿瘤种类和组织形态时的表现。

解决学术问题

该数据集的构建深刻回应了计算病理学中长期存在的核心学术难题：有丝分裂检测模型在临床真实环境中的可靠性缺失。此前的研究多局限于热点区域，忽略了全切片图像中广阔的随机区域和充满类似有丝分裂结构的干扰区域，导致模型在实际部署时假阳性率激增。MIDOG 2025 通过纳入涵盖12种人、犬、猫肿瘤类型的365个兴趣区域，系统揭示了现有最先进架构在罕见和高多形性肿瘤类型上的‘盲点’，并量化了从热点区域转向随机和挑战性区域后假阳性率上升208%的严峻性能退化。这一发现为学界指明了开发真正适用于临床的全切片有丝分裂检测算法所必须跨越的关键鸿沟。

实际应用

在临床病理诊断的实践中，该数据集推动了自动化有丝分裂计数工具从研究原型向可靠临床辅助手段的实质性转化。通过模拟真实诊断中病理医师面临的全切片图像场景，MIDOG 2025 评估框架使得算法能够在更接近临床工作流的条件下验证其性能，包括在非热点区域准确识别分裂象，以及避免被凋亡细胞、坏死细胞等干扰结构误导。这对于实现计算机辅助的肿瘤分级、预后判断以及治疗决策支持至关重要，有望减少因人工热点选取偏差导致的医疗差异，并提升兽医与人类病理学中肿瘤评估的标准化程度和可重复性。

数据集最近研究

MIDOG 2025 Challenge Dataset

资源简介：

相关数据集