idUS. Depósito de Investigación de la Universidad de Sevilla
oai:idus.us.es:11441/188017
Datos de investigación
Set de datos (Dataset)
Dataset of CRC-MSI-HistoTags v1.0: colorectal cancer H&E patches with microsatellite instability status and expert morphological annotations
Dataset de CRC-MSI-HistoTags v1.0: parches de cáncer colorrectal H&E con estado de inestabilidad de microsatélites y anotaciones morfológicas de expertos
CRC-MSI-HistoTags v1.0 es un conjunto de datos de histología de cáncer colorrectal a nivel de parche. Contiene 600 parches de imagen H&E desidentificados de 512 x 512 píxeles, extraídos a 20x (resolución espacial de 0,5 um/píxel; campo de tejido de 256 x 256 um por parche), repartidos a partes iguales entre tres cohortes (200 parches cada una): la cohorte institucional Macarena, TCGA-COAD y CPTAC-COAD. Cada cohorte está equilibrada con 100 parches con inestabilidad de microsatélites (MSI) y 100 estables (MSS). Cada parche se vincula a su estado MSI/MSS y a siete anotaciones morfológicas binarias por consenso de expertos (arquitectura glandular, diferenciación tumoral, serración glandular, mucina, linfocitos intraepiteliales infiltrantes de tumor, inflamación peritumoral y necrosis intraluminal).
Metodología: los parches se seleccionaron a partir de imágenes de portaobjetos completos (WSI) mediante un flujo de aprendizaje de múltiples instancias (MIL) de alta atención. El estado MSI/MSS de la cohorte Macarena se determinó por inmunohistoquímica de reparación de errores de emparejamiento (MLH1, MSH2, MSH6 y PMS2). Dos anotadores anotaron los 600 parches de forma independiente y las discrepancias se resolvieron por consenso. La cohorte institucional Macarena fue aprobada por el Comité de Ética de la Investigación de los Hospitales Universitarios Virgen Macarena-Virgen del Rocío (protocolo PID2023-147688OA-I00) y se libera como imágenes desidentificadas a nivel de parche.
El conjunto de datos incluye además metadatos por parche, un manifiesto de archivos con sumas de comprobación SHA256, diccionarios de etiquetas y cohortes, un archivo de validación técnica, tablas suplementarias de trazabilidad de anotaciones y scripts de Python para cargar y validar la publicación. El conjunto describe la colección de imágenes en sí, no los resultados de ningún modelo de predicción MSI/MSS., images/ (macarena/, tcga_coad/, cptac_coad/): 600 imágenes PNG RGB (200 por cohorte).
data/: metadata.csv, file_manifest.csv, tag_annotations_consensus_final.csv, tag_dictionary.csv, cohort_dictionary.csv, technical_validation_final.csv.
supplementary/: anotaciones brutas por anotador y tablas de trazabilidad del consenso.
code/: load_dataset.py, validate_dataset.py.
docs/: documentación de protocolo, validación técnica y disponibilidad de datos. CITATION.cff, LICENSE.
DOI: https://hdl.handle.net/11441/188017, https://doi.org/10.12795/11441/188017
idUS. Depósito de Investigación de la Universidad de Sevilla
oai:idus.us.es:11441/188017
HANDLE: https://hdl.handle.net/11441/188017, https://doi.org/10.12795/11441/188017
idUS. Depósito de Investigación de la Universidad de Sevilla
oai:idus.us.es:11441/188017
PMID: https://hdl.handle.net/11441/188017, https://doi.org/10.12795/11441/188017
idUS. Depósito de Investigación de la Universidad de Sevilla
oai:idus.us.es:11441/188017
Ver en: https://hdl.handle.net/11441/188017, https://doi.org/10.12795/11441/188017
idUS. Depósito de Investigación de la Universidad de Sevilla
oai:idus.us.es:11441/188017