简介：这是一份面向医学图像分析与深度学习研究者的乳腺癌细胞分割图片数据集，适用于计算机视觉、数字病理及辅助诊断等方向的算法实验与课程设计。数据集包含58张H&E染色组织病理学图像，图像经由苏木素和伊红染色使细胞结构清晰可见；由于多数细胞透明且缺乏固有色素，分割难度较高，而该数据提供真实标注，可直接用于训练和验证细胞分割模型，并为后续良性细胞和恶性细胞的分类提供前期基础。整份压缩包共232个文件，其中116个tif格式的原始组织切片图像与116个xml格式的标注文件一一对应，总体积约93.7MB，结构规范，便于配对加载。目前已有269人学习下载，是入门病理图像分割、评测不同网络架构或开展科研预实验的实用资源。
1. 乳腺癌细胞分割图片数据集：病理 AI 的起点是数据，不是模型
H&E 染色的乳腺癌切片里，细胞核的形态、密度和排列是病理医生判断肿瘤分级的直接证据。所谓乳腺癌细胞分割图片数据集，就是把这种视觉证据变成模型可学习的样本：每个细胞核的边界被标注成掩膜或轮廓，配套原始图像一起交给分割模型训练。做过这个任务的人都会同意，瓶颈不在网络结构而在数据本身——细胞核密集贴在一起、边界像素层面模糊、不同实验室染色深浅差异极大，同一张切片两个病理医生标注的 Dice 能差出好几个点。这篇文章面向医学图像分析、病理 AI 或细胞计数的工程师，把可落地路径讲透：数据集怎么选、标注怎么做、预处理关键步骤、模型与损失函数配置、结果验证。
2. 乳腺癌细胞分割数据集怎么选：公开来源、标注粒度与许可边界
2.1 病理图像与自然图像数据集的三点本质差异
细胞分割数据集和 COCO 这类自然图像数据集有三点本质差异，选型前必须先建立这个认知。第一是成像协议：病理切片要经过福尔马林固定、石蜡包埋、切片和 H&E 染色，同一块组织在不同实验室做出来颜色差异很大，这会直接影响分割模型的跨机构泛化，所以染色归一化几乎是流水线上必有的环节。第二是标注对象：自然图像里一个类别通常对应一个完整物体，而乳腺癌切片里细胞核是密集排列的实例，相邻核的边界在像素层面几乎贴合，一份标注到底把边界画在核膜内沿还是外沿，直接决定掩膜面积和后续指标。第三是数据规模：公开的乳腺癌细胞核级标注数据通常只有几百张小图或几十张全切片，和 ImageNet 差几个数量级，这意味着数据增强、交叉验证和迁移学习不是可选项，而是训练流程的默认组成部分。
拿到一份数据集，我一般先做四个检查：切片来源是否同一台扫描仪、标注是核中心点还是像素掩膜、有没有病理医生双人复核、验证集是否按患者划分而不是按图像随机切。第四个问题最容易被忽略：同一患者的相邻切片内容高度相似，按图像随机划分会让验证集指标虚高，这在病理数据里几乎是必踩的坑。检查标注格式时，直接扫一遍掩膜文件，确认是二值图还是多类别图：
from PIL import Image import numpy as np import glob for m in sorted(glob.glob("data/masks/*.png"))[:5]: arr = np.array(Image.open(m)) uniq = np.unique(arr) print(f"{m}: shape={arr.shape} unique={uniq} max={arr.max()}") # 输出解读： # unique=[0 1] -> 二值掩膜，背景 0 / 前景 1，最常见 # unique=[0 1 2] -> 多类别图，需确认 1/2 各代表什么 # max 远大于 1 -> 实例 Id 掩膜，训练前必须转成二值图这段代码的价值在于提前暴露掩膜格式不一致的问题。很多公开数据的掩膜是实例级 Id 图而不是二值图，直接当分割标签用会在损失函数里引入虚假的类别数；统一在数据加载层做(arr > 0).astype(np.float32)是更稳妥的做法，比改每个数据源的文件本身省事得多。
2.2 公开数据集类型对比与选型判断
目前能检索到的乳腺癌相关数据集，按标注粒度可以分成四类，选型时对照这张表判断：
| 标注粒度 | 数据集代表 | 标注内容 | 适合任务 | 选型注意点 |
|---|---|---|---|---|
| 图像级标签 | BACH（ICIAR 2018） | 癌/非癌、原位癌/浸润癌 | 分类预训练、弱监督初始化 | 用于分割需配合 CAM 或 MIL |
| 区域级多边形 | 部分 WSI 标注项目 | 肿瘤区域、坏死区域 | 区域粗分割、ROI 裁剪 | 粒度不足以做细胞计数 |
| 细胞核掩膜 | BreCaHAD、MoNuSeg | 每个核的像素级轮廓 | 语义/实例分割 | 确认核边界定义是否一致 |
| 核中心点 | 密度计数类数据 | 核中心坐标 | 计数、密度图回归 | 需后处理转掩膜或换点监督损失 |
BACH 是乳腺癌组织学图像解析领域引用率很高的公开挑战赛数据，包含经过病理医生复核的乳腺组织图像，适合先跑通分类基线，再用类别激活图生成弱监督的初始 ROI。BreCaHAD 提供乳腺癌组织图像的细胞级标注，规模不大但标注质量高，适合做微调验证。MoNuSeg 是多器官细胞核分割数据，其中包含乳腺来源的切片，每个核有独立掩膜，是训练细胞分割模型常用的预训练来源。2018 年 Data Science Bowl 发布的细胞核分割数据集虽然混合了多器官，但样本量大、标注统一，适合作为大规模预训练阶段的数据。另有 TNBC 乳腺癌数据集，包含三阴性乳腺癌切片的精细细胞级标注，很多研究肿瘤微环境的论文都会引用它。
需要提醒的是，这些数据集的染色条件、扫描倍率和标注风格都不一致，直接跨域推理的效果往往不理想。我一般推荐的路线是：用 MoNuSeg 或 Data Science Bowl 这类量大者做第一阶段预训练，再用目标域数据（哪怕只有几百张）做第二阶段微调。这个两阶段策略在病理分割的实践里很常见，比迷信某个单一数据集可靠得多。
提示：检索数据集时注意区分"掩膜标注"和"检测框标注"。很多病理数据标注的是核中心点或矩形框而不是像素掩膜，这会直接影响损失函数和数据加载的实现。
2.3 数据许可与伦理边界
医学图像的数据许可比自然图像严格得多。公开数据集一般会附带使用协议，常见限制包括：仅限非商业研究、禁止重新分发、要求引用原始论文、不得用于临床诊断决策。使用前至少确认三点：数据是否已去标识化，患者姓名、病例号、采集机构是否被移除；协议是否允许你所在组织的用途，商业模型训练尤其要查这一条；模型输出是否可能反推患者身份，发布演示或开源权重时要格外注意。这类数据几乎都来自医院伦理审批过的研究项目，任何重新标注和二次发布都应当沿用原始协议的约束。实际操作中，我建议把每个数据集的许可摘要记在一个 README 里，和数据集文件放在一起，避免项目交接时说不清来源。
3. 乳腺癌细胞分割数据集的标注与预处理：从病理切片到训练样本
3.1 标注工具与标注规范
自建数据集时，标注环节决定分割质量的上限。常用工具里，QuPath 是病理领域使用最广的开源标注软件，直接支持全切片图像和多边形标注，导出 GeoJSON 或掩膜都很方便，适合病理科协作场景；CVAT 适合标注团队远程协作，支持多边形与分割掩膜，导出格式和 YOLO-seg、COCO 兼容，配合开源训练平台可以串起从标注到训练的完整闭环；napari 适合已经用 Python 脚本做预处理的团队，标注和算法验证可以在同一个环境里完成。工具选择没有绝对标准，关键是导出格式能否被你后续的数据加载代码直接消费。
标注规范比工具更重要，需要和病理医生确认三件事。第一是细胞核边界定义：标注核膜内沿、外沿还是染色质弥散边界，不同定义会让掩膜面积差出 10% 以上，也会让标注者之间的一致性大幅下降。第二是贴边核的处理：在切块边缘被截断的细胞核，常见做法是照常标注，但训练时对边缘区域降低损失权重，避免模型学到"半截核"的错误先验。第三是质量复核：至少两位标注者独立标注同一批图，用 Dice 或 F1 计算一致性，低于 0.85 就要回到规则讨论，而不是继续往下标。标注阶段省掉复核，后面所有指标都会带着噪声，这是我最想强调的一点。
3.2 染色归一化：摆脱扫描仪和染色批次偏见
H&E 切片在不同实验室甚至同一实验室不同批次之间，染色差异都很大。如果直接用原始图像训练，模型会把染色深浅当成特征一起学，换一个数据源性能就明显下降。染色归一化的目标是把所有图像的颜色分布对齐到一个参考标准，常见做法有两种：Reinhard 方法在 LAB 颜色空间做均值和标准差的匹配，实现简单、速度快；Macenko 方法更进一步，先估计 H&E 两种染料的染色向量再分离染色强度，理论上更符合组织化学原理，但对参数和图像质量更敏感。
Reinhard 方法的实现很短，适合先跑通流程：
import numpy as np from skimage import color def reinhard_normalize(src, ref, alpha=0.5): """把 src 的染色分布对齐到 ref。 alpha=1.0 完全对齐到参考图，alpha=0.0 保持原图不处理。 输入要求是 0~1 的 float RGB 图，读取后用 astype(np.float32)/255.0 转换。""" src_lab = color.rgb2lab(src) ref_lab = color.rgb2lab(ref) dst = np.empty_like(src_lab) for c in range(3): # L/a/b 三个通道分别对齐 s_mean, s_std = src_lab[..., c].mean(), src_lab[..., c].std() r_mean, r_std = ref_lab[..., c].mean(), ref_lab[..., c].std() dst[..., c] = (src_lab[..., c] - s_mean) * (r_std / s_std) + r_mean dst[..., c] = alpha * dst[..., c] + (1 - alpha) * src_lab[..., c] # LAB 通道有固定有效范围，clip 是必要的 dst[..., 0] = np.clip(dst[..., 0], 0, 100) dst[..., 1:] = np.clip(dst[..., 1:], -128, 127) return color.lab2rgb(dst)逻辑说明：先把图像从 RGB 转到 LAB，L 通道是亮度，a、b 是颜色对立通道，这样分离亮度和颜色后逐通道做标准化，把源图的均值和标准差替换成参考图的，染色差异就大体抹平了。alpha 参数用于控制回归强度，纯 Reinhard 是 alpha=1.0，但对个别染色极端的切片，完全对齐会出现色彩断层，保留 0.2~0.5 的原图成分更稳妥。参考图一般取目标数据集里染色最"标准"的一张，或者对多张图取平均。比 Reinhard 更进一步的是 Macenko 方法，它假设 H&E 染色符合比尔-朗伯定律，把每个像素的 RGB 值分解成苏木精和伊红的浓度系数，然后再对齐浓度分布；常见病理图像库里一般有现成实现，但如果你的数据染色相对一致，Reinhard 已经完全够用，没必要为归一化引入额外复杂度。
3.3 切块、数据增强与类别平衡
全切片图像通常有数万像素边长，没法直接进网络，切块是必做的一步。常见参数：在 20 倍扫描倍率下用 512x512 的 patch，相邻 patch 重叠 64~128 像素；在 40 倍率下建议降采样或改用 256x256 patch，否则单个细胞核对应的像素数太多，模型感受野不够。切块时把无效背景剔除，比如组织占比低于 20% 的 patch 直接丢弃，能省下大量无效计算。
数据增强参考这张表，比自然图像任务更克制：
| 增强项 | 参数建议 | 说明 |
|---|---|---|
| 随机旋转/翻转 | 90 度旋转 + 水平/垂直翻转 | 组织学图像无方向性，放心用 |
| 弹性形变 | sigma=3~5 | 模拟切片形变，小幅即可 |
| 亮度/对比度抖动 | 幅度 0.1~0.15 | 模拟染色批次差异，可替代部分归一化 |
| 随机裁剪 | 从 patch 内再裁 0.8~1.0 倍 | 增加边界多样性 |
类别不平衡在细胞分割里是实质问题：大部分 patch 中背景像素占 80% 以上，直接用交叉熵会让模型倾向把所有像素判成背景。常见做法是在损失函数里加 Dice 项兜底（见下一章），或者给背景类降权。对贴边核的边缘像素，可以在前景掩膜上做 1~2 像素的内缩，用腐蚀后的核作为监督目标，能明显降低边界区域的分歧，这个技巧在标注质量参差的数据上尤其有效。
4. 用乳腺癌细胞分割数据集训练模型：U-Net、YOLO-Seg 与超参配置
4.1 语义分割和实例分割怎么选
细胞分割任务的输出需求决定模型选型。如果下游只需要细胞密度、核面积分布这类整体统计，语义分割就够了，U-Net 是最稳妥的选择：结构简单、小数据下不容易过拟合、训练资源要求低，CPU 上都能完成推理。如果下游需要逐个细胞核做形态分析或准确计数，就需要实例分割，常见方案是 YOLO-Seg 或带分割分支的两阶段检测器。区分两者的核心是输出是否带实例 Id：语义分割输出一张二值图，挨在一起的核无法区分；实例分割输出每个核的独立轮廓和类别。
我的判断标准是看标注格式和数据量。语义分割只需要二值掩膜，标注成本低，几百张图就能训出可用的模型；实例分割需要每个核的独立实例 Id，标注成本高出一截，贴边核和粘连核的处理也更麻烦。如果数据量在两千张以内，我一般建议先训 U-Net 语义分割，再做分水岭后处理把粘连核拆开，多数场景的精度已经够用；只有对单核级指标要求很高时才上实例分割。反过来，如果原始标注本来就是核中心点或实例掩膜，直接用实例分割反而省事，不用在语义到实例的后处理上绕路。
4.2 最小可跑通的训练配置
用 PyTorch 生态训练分割模型，成熟做法是 segmentation-models-pytorch 库，一行代码拿到带预训练编码器的 U-Net：
import torch import segmentation_models_pytorch as smp model = smp.Unet( encoder_name="resnet34", # 编码器，病理任务常用 resnet34 或 efficientnet-b0 encoder_weights="imagenet", # ImageNet 预训练，小数据迁移的关键 in_channels=3, classes=1, # 二分类分割 activation="sigmoid", # 输出 [0,1] 概率图 ) loss_fn = smp.losses.DiceLoss(mode="binary") optimizer = torch.optim.AdamW(model.parameters(), lr=1e-4) scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=50)参数说明：编码器选 resnet34 是训练速度和精度之间的平衡点，数据量小就换 resnet18，数据量大或追求精度再上 efficientnet-b0；encoder_weights 必须保留，病理图像迁移自 ImageNet 在前几层依然有效，这是小数据能训起来的关键；classes=1 表示输出一张前景概率图，配合 DiceLoss 的 binary 模式。AdamW 的学习率从 1e-4 起步，比自然图像任务常用的 1e-3 低一个量级，因为医学分割 batch 小、标注噪声敏感，学习率大了权重更新容易被单张图的噪声带偏。
训练循环本身很常规，但有一个容易忽略的点：每轮结束要在验证集上用滑动窗口做重叠推理再算指标，而不是直接整图前向，否则指标会虚高。如果团队用的是开源训练平台，注意确认它是否支持自定义损失函数和按患者划分数据集，这两点不满足的话，平台功能再完整也不适合病理分割。
for epoch in range(100): model.train() for imgs, masks in train_loader: imgs, masks = imgs.to(device), masks.to(device) pred = model(imgs) # [B, 1, H, W] 概率图 loss = loss_fn(pred, masks) optimizer.zero_grad() loss.backward() optimizer.step() scheduler.step() val_dice = validate(model, val_loader) # 自定义验证函数 if val_dice > best_dice: best_dice = val_dice torch.save(model.state_dict(), "best_unet.pth")4.3 损失函数与训练超参数
细胞分割的损失函数我通常组合 Dice 和 BCE。单独用 BCE 在背景占多数时收敛慢，单独用 Dice 在前景小时梯度不稳定，各占一半是最常见的做法。很多开源实现默认只有交叉熵，换成组合损失后，小目标分割的收敛速度差别明显。
bce = torch.nn.BCELoss() dice = smp.losses.DiceLoss(mode="binary") def combined_loss(pred, mask): return 0.5 * bce(pred, mask) + 0.5 * dice(pred, mask)如果细胞核面积特别小，可以把 Dice 的权重提高到 0.7；如果核边界特别模糊，加一个边界损失或对核内侧像素加权更有效。超参数总体建议如下：
| 超参数 | 建议值 | 说明 |
|---|---|---|
| patch size | 512x512（20x） | 覆盖足够上下文，显存友好 |
| batch size | 8~16 | 显存不够用梯度累积补 |
| 初始学习率 | 1e-4（AdamW） | SGD 的话用 1e-2 |
| 学习率调度 | CosineAnnealing | 比 StepLR 对分割更平滑 |
| 训练轮数 | 80~120 | 以验证集 Dice 做提前停止 |
| 冻结编码器 | 前 5 轮 | 先用预训练特征稳住解码器 |
前 5 轮冻结编码器是很多人忽略的小技巧：让随机初始化的解码器先适应预训练特征，再放开全部参数，能避免前期权重互相干扰导致的损失震荡。这个策略在标注质量一般的数据集上提升尤其明显。
4.4 评估指标与模型导出
分割模型不能只看一个 Dice。像素级指标里，Dice 和 IoU 最常用，公式分别是 2TP/(2TP+FP+FN) 和 TP/(TP+FP+FN)，都反映掩膜重合度，但 Dice 对小目标更敏感，IoU 对整体重合更严格。对象级指标里，把预测核和标注核按 IoU 是否大于 0.5 匹配，再算精确率和召回率，得到对象级 F1，这才是对下游计数任务更真实的度量。一份只报 Dice 不报对象级 F1 的分割报告，在病理场景里说服力不够。
模型导出到推理端时，U-Net 转 ONNX 后在 CPU 上跑 512x512 patch 只有几十毫秒，足够离线分析；如果走 YOLO-Seg 路线，标注要转成归一化多边形格式，并确认导出的模型版本和推理框架兼容。训练平台把图片标注、数据集管理、模型训练和模型导出串成闭环后，剩下的重点就转移到数据侧的质检上。
5. 乳腺癌细胞分割结果的验证与排错清单
5.1 按患者拆分的交叉验证
分割数据集最常见的指标虚高来自划分方式错误。同一患者的连续切片在形态上高度相似，如果随机按图像划分，训练集和验证集里会出现来自同一患者的图像，模型相当于提前见过答案。正确做法是按患者文件夹划分，确保一个患者的所有图像只出现在一个集合里；做 5 折交叉验证时，每一折都要重新执行这个约束，不能只在第一次划分时遵守。检查方法很直接：统计验证集每个患者的图像数和平均 Dice，如果某几个患者的指标明显高于其他患者，基本可以断定有数据泄漏，回头查划分逻辑。
5.2 切块推理的拼接与后处理
全切片推理时，切块预测再拼接会在 patch 边缘留下拼接缝，肉眼看不明显，但对细胞这样的小目标，边界上的概率跳变足以影响计数。处理办法是重叠推理取平均：
import numpy as np import torch def predict_tiled(model, wsi, patch=512, overlap=64, device="cuda"): """整张切片的重叠切块推理，重叠区取平均消除拼接缝。""" step = patch - overlap h, w = wsi.shape[:2] out = np.zeros((h, w), dtype=np.float32) count = np.zeros((h, w), dtype=np.float32) model.eval() with torch.no_grad(): for y in range(0, h, step): for x in range(0, w, step): tile = wsi[y:y + patch, x:x + patch] # 转成 [1, C, H, W]；训练时若有归一化，这里要套用相同预处理 t = torch.from_numpy(tile).permute(2, 0, 1).unsqueeze(0).float().to(device) mask = model(t)[0, 0].cpu().numpy() # 模型带 sigmoid，输出概率图 out[y:y + patch, x:x + patch] += mask count[y:y + patch, x:x + patch] += 1 return out / np.maximum(count, 1)这段代码用一张计数图记录每个像素被预测的次数，拼接时对重叠区做加权平均，patch 边缘的概率跳变被平滑掉。overlap 取 64~128 像素即可，再增大收益有限。拿到概率图后，用 0.5 阈值二值化，再对粘连核做分水岭后处理，就能得到实例级结果。
5.3 一份可操作的质检清单
最后给一份每次交付前都会过一遍的质检清单：验证集是否按患者划分，重新跑划分脚本确认没有同患者串集；染色归一化的参考图在训练和验证间是否独立，防止参考统计泄漏进验证；Dice 之外是否记录了对象级 F1，两项同时看才能反映计数任务的真实水平；预测结果是否抽样交给病理医生复核，至少 20 张图确认边界定义一致，复核意见要落到标注规范里而不是只修这一次；模型在不同扫描仪或染色批次数据上的性能差是否在可接受范围，这决定部署时要不要做针对性微调。逐项过完，把每个患者的 Dice、对象级 F1 和对应预测掩膜一起归档，后续模型迭代直接拿这份基线对比。
本文还有配套的精品资源，点击获取
