CRAG
该数据集包含213个H & E 大肠腺癌图像切片，放大20倍，并带有完整的实例级注释。这些图像用于MILD-Net论文中，以解决自动腺体实例分割的挑战。MILD-Net通过引入最小信息丢失的网络结构，显著提高了肠腺癌组织的分割精度。数据集分为训练集和测试集，分别包含173张和40张图像。该数据集为开发和评估自动分割方法提供了一个可靠的基础，有助于减少病理学家手动标注的工作负担，并提高诊断的客观性和一致性。 该数据集的意义在于通过自动化的腺体分割，有助于病理学家在大规模组织切片中提取关键形态特征。这种方法不仅提高了病理学分析的效率，还能通过不确定性量化等手段提供更为精确的诊断信息，从而在临床中广泛应用。
腹部可视化图片
CRAG_0.png
CRAG_1.png
CRAG_2.png
数据集元信息
| 维度 | 2D |
| 模态 | pathology |
| 任务类型 | segmentation |
| 解剖结构 | Colorectal adenocarcinoma |
| 解剖区域 | 结直肠 |
| 类别数 | 1 |
| 数据量 | 213 |
| 文件格式 | PNG |
文件结构
CRAG
├── train
│ ├── Annotation
│ │ ├── train_1.png
│ │ ├── train_2.png
│ │ ├── train_3.png
│ │ └── ...
│ ├── Images
│ │ ├── train_1.png
│ │ ├── train_2.png
│ │ ├── train_3.png
│ │ └── ...
│ ├── Overlay
│ │ ├── train_1.png
│ │ ├── train_2.png
│ │ ├── train_3.png
│ │ ├── train_4.png
│ │ ├── train_5.png
│ │ └── ...
├── valid
│ ├── Annotation
│ │ ├── test_1.png
│ │ ├── test_2.png
│ │ ├── test_3.png
│ │ └── ...
│ ├── Images
│ │ ├── test_1.png
│ │ ├── test_2.png
│ │ ├── test_3.png
│ │ └── ...
│ ├── Overlay
│ │ ├── test_1.png
│ │ ├── test_2.png
│ │ ├── test_3.png
│ │ └── ...图像尺寸统计
| 统计类型 | 间距 (mm) | 尺寸 |
|---|---|---|
| 最小值 | - |
1516*1319 |
| 中位值 | - |
1516*1511 |
| 最大值 | - |
1516*1514 |
引用
@article{graham2019mild,
title={MILD-Net: Minimal information loss dilated network for gland instance segmentation in colon histology images},
author={Graham, Simon and Chen, Hao and Gamper, Jevgenij and Dou, Qi and Heng, Pheng-Ann and Snead, David and Tsang, Yee Wah and Rajpoot, Nasir},
journal={Medical image analysis},
volume={52},
pages={199--211},
year={2019},
publisher={Elsevier}
}