该页面包含来自Malaria Screener研究活动的薄血涂片幻灯片图像的分段细胞库。Lister Hill国家生物医学通信中心（LHNCBC）是国家医学图书馆（NLM）的一部分，研究人员开发了一种符合标准的移动应用程序，以减轻资源受限区域显微镜专家的负担并提高诊断准确性。 Android智能手机连接到传统的光学显微镜。收集来自150只恶性疟原虫感染的和50名健康患者的Giemsa染色的薄血涂片载玻片并在孟加拉国吉大港医学院医院拍照。智能手机的内置摄像头为每个微观视野获取了幻灯片图像。图像由泰国曼谷Mahidol-Oxford热带医学研究单位的专家幻灯片阅读器手动注释。去识别的图像和注释在NLM（IRB＃12972）存档。我们应用基于水平集的算法来检测和分割红细胞。该数据集包含总共27,558个细胞图像，具有相同的寄生和未感染细胞实例。这里示出了如何将患者ID编码到细胞名称中的实例：“P1”表示标记为“C33P1thinF_IMG_20150619_114756a_cell_179.png”的细胞的患者ID。我们还将包含Patient-ID的CSV文件包含在寄生和未感染类的细胞映射中。寄生类的CSV文件包含151个患者ID条目。从两种不同的显微镜模型（Olympus和Motif）读取寄生的患者ID“C47P8thinOriginal”的载玻片图像。未感染类的CSV文件包含201个条目，因为来自感染患者的载玻片的正常细胞也使其达到正常细胞类别（151 + 50 = 201）。
数据与出版物一起出现：
Rajaraman S，Antani SK，Poostchi M，Silamut K，Hossain MA，Maude，RJ，Jaeger S，Thoma GR。（2018）预先训练的卷积神经网络作为特征提取器，用于改善薄血涂片图像中的疟疾寄生虫检测。PeerJ6：e4568 https://doi.org/10.7717/peerj.4568
数据集可在cell_images.zip，在码malaria_cell_classification_code.zip病人-ID和在细胞的寄生的和未感染的类映射patientid_cellmapping_parasitized.csv和patientid_cellmapping_uninfected.csv分别。
作者：Stefan Jaeger博士
