Select Language

AI社区

公开数据集

显微镜下细胞图像中的细胞核分割数据,用于获得DSB 2018第10名的分割数据集的集合

显微镜下细胞图像中的细胞核分割数据,用于获得DSB 2018第10名的分割数据集的集合

336.32M
481 浏览
1 喜欢
3 次下载
0 条讨论
Earth and Nature,Computer Science,Biology,Travel Classification

ContentA collection of datasets converted into COCO segmentation format.Preprocessing:Resized few imagesTiled some image......

数据结构 ? 336.32M

    Data Structure ?

    * 以上分析是由系统提取分析形成的结果,具体实际数据为准。

    README.md

    Content

    A collection of datasets converted into COCO segmentation format.

    Preprocessing:

    • Resized few images

    • Tiled some images with lot of annotations to fit in memory

    • Extracted masks when only outlines were available

      • This is done by finding contours

    Folder hierarchy

    DATASETS = {
        'nuclei_stage1_train': {
            IM_DIR:
                _DATA_DIR + '/Nuclei/stage_1_train',
            ANN_FN:
                _DATA_DIR + '/Nuclei/annotations/stage1_train.json'
        },
        'nuclei_stage_1_local_train_split': {
            IM_DIR:
                _DATA_DIR + '/Nuclei/stage_1_train',
            ANN_FN:
                _DATA_DIR + '/Nuclei/annotations/stage_1_local_train_split.json'
        },
        'nuclei_stage_1_local_val_split': {
            IM_DIR:
                _DATA_DIR + '/Nuclei/stage_1_train',
            ANN_FN:
                _DATA_DIR + '/Nuclei/annotations/stage_1_local_val_split.json'
        },
        'nuclei_stage_1_test': {
            IM_DIR:
                _DATA_DIR + '/Nuclei/stage_1_test',
            ANN_FN:
                _DATA_DIR + '/Nuclei/annotations/stage_1_test.json'
        },
        'nuclei_stage_2_test': {
            IM_DIR:
                _DATA_DIR + '/Nuclei/stage_2_test',
            ANN_FN:
                _DATA_DIR + '/Nuclei/annotations/stage_2_test.json'
        },
        'cluster_nuclei': {
            IM_DIR:
                _DATA_DIR + '/Nuclei/cluster_nuclei',
            ANN_FN:
                _DATA_DIR + '/Nuclei/annotations/cluster_nuclei.json'
        },
        'BBBC007': {
            IM_DIR:
                _DATA_DIR + '/Nuclei/BBBC007',
            ANN_FN:
                _DATA_DIR + '/Nuclei/annotations/BBBC007.json'
        },
        'BBBC006': {
            IM_DIR:
                _DATA_DIR + '/Nuclei/BBBC006',
            ANN_FN:
                _DATA_DIR + '/Nuclei/annotations/BBBC006.json'
        },
        'BBBC018': {
            IM_DIR:
                _DATA_DIR + '/Nuclei/BBBC018',
            ANN_FN:
                _DATA_DIR + '/Nuclei/annotations/BBBC018.json'
        },
        'BBBC020': {
            IM_DIR:
                _DATA_DIR + '/Nuclei/BBBC020',
            ANN_FN:
                _DATA_DIR + '/Nuclei/annotations/BBBC020.json'
        },
        'nucleisegmentationbenchmark': {
            IM_DIR:
                _DATA_DIR + '/Nuclei/nucleisegmentationbenchmark',
            ANN_FN:
                _DATA_DIR + '/Nuclei/annotations/nucleisegmentationbenchmark.json'
        },
        '2009_ISBI_2DNuclei': {
            IM_DIR:
                _DATA_DIR + '/Nuclei/2009_ISBI_2DNuclei',
            ANN_FN:
                _DATA_DIR + '/Nuclei/annotations/2009_ISBI_2DNuclei.json'
        },
        'nuclei_partial_annotations': {
            IM_DIR:
                _DATA_DIR + '/Nuclei/nuclei_partial_annotations',
            ANN_FN:
                _DATA_DIR + '/Nuclei/annotations/nuclei_partial_annotations.json'
        },
        'TNBC_NucleiSegmentation': {
            IM_DIR:
                _DATA_DIR + '/Nuclei/TNBC_NucleiSegmentation',
            ANN_FN:
                _DATA_DIR + '/Nuclei/annotations/TNBC_NucleiSegmentation.json'
        },
    }

    Example usage:

    import json
    from pathlib import Path
    import numpy as np
    from PIL import Image
    from pycocotools import mask as mask_util
    
    ROOT_DIR = Path('/media/gangadhar/DataSSD1TB/ROOT_DATA_DIR/')
    DATASET_WORKING_DIR = ROOT_DIR / 'Nuclei'
    
    annotations_file = DATASET_WORKING_DIR / 'annotations/stage1_train.json'
    
    COCO = json.load(open(annotations_file.as_posix()))
    
    image_metadata = COCO['images'][0]
    print image_metadata
    
    # {u'file_name': u'4ca5081854df7bbcaa4934fcf34318f82733a0f8c05b942c2265eea75419d62f.jpg',
    #  u'height': 256,
    #  u'id': 0,
    #  u'nuclei_class': u'purple_purple_320_256_sparce',
    #  u'width': 320}
    
    
    def get_masks(im_metadata):
        image_annotations = []
        for annotation in COCO['annotations']:
            if annotation['image_id'] == im_metadata['id']:
                image_annotations.append(annotation)
    
        segments = [annotation['segmentation'] for annotation in image_annotations]
        masks = mask_util.decode(segments)
        return masks
    
    
    masks = get_masks(image_metadata)
    
    print masks.shape
    # (256, 320, 37)
    
    
    def show(i):
        i = np.asarray(i, np.float)
        m,M = i.min(), i.max()
        I = np.asarray((i - m) / (M - m + 0.000001) * 255, np.uint8)
        Image.fromarray(I).show()
    
    
    show(np.sum(masks, -1))
    # this should show an image with all masks


    ×

    帕依提提提温馨提示

    该数据集正在整理中,为您准备了其他渠道,请您使用

    注:部分数据正在处理中,未能直接提供下载,还请大家理解和支持。
    暂无相关内容。
    暂无相关内容。
    • 分享你的想法
    去分享你的想法~~

    全部内容

      欢迎交流分享
      开始分享您的观点和意见,和大家一起交流分享.
    所需积分:10 去赚积分?
    • 481浏览
    • 3下载
    • 1点赞
    • 收藏
    • 分享