本数据集由广东医科大学附属医院采集并标注，旨在为线粒体荧光图像的智能分割与形态分析研究提供高质量数据支撑。数据集包含从每张原始荧光图像中提取的多层次的精细标注：一是线粒体的标准轮廓标注，涵盖完整且连续的边界信息；二是基于轮廓的荧光点位置及对应的优化轮廓标注，反映了线粒体在图像中的真实边界。此外，数据集还包含轮廓的几何构成等结构化描述信息。数据可广泛应用于深度学习模型的训练与测试，以及线粒体形态学定量分析等场景。

1. 频带分解与自适应滤波：荧光图像经高斯滤波分解为高低频图像，高频图像做 5 级灰度编码，统计 7×7 窗口水平相邻像素对构建 5×5 灰度共生矩阵，计算信息熵 μ₁=-ΣΣA (i,j) logA (i,j)；基于 μ₁和低频像素值自适应计算 σ₁=c₁/μ₁、σ₂=c₂/B (x,y)，通过双边滤波核 ρ=exp (-[(a²+b²)/(2σ₁²)+(P-P_nei)²/(2σ₂²)]) 滤波生成标准图像。 2. 梯度边缘检测与轮廓匹配：计算标准图像梯度 T (x,y)=(q-q_right)²+(q-q_down)²，阈值判定提取边缘像素拟合初始轮廓，按直线 / 曲线数量与标准轮廓库做偏差匹配，偏差值 =| 直线数差 |+| 曲线数差 |，选取偏差最小者为第一轮廓。 3. 动态轮廓精化分割：在第一轮廓设置荧光点，5×5 窗口遍历候选点，计算轮廓内均值 φ₁、标准差 φ₂=√[Σ(φ₁-qk)²/Nc]，自适应边缘权重 ω₂=b₁φ₁+b₂φ₂，按损失值 E (k)=ω₁E_line+ω₂E_edge 迭代更新轮廓，收敛后生成第二轮廓完成分割。

本数据集主要面向线粒体荧光图像分割与形态学定量分析的科学研究及技术研发场景： 1.基础研究：支撑细胞生物学领域中线粒体形态的定量分析与功能关联研究，为线粒体动力学、能量代谢等生理过程的探索提供数据基础。 2.疾病机制研究：服务于神经退行性疾病、心血管疾病、肿瘤等与线粒体功能障碍相关疾病的病理机制研究，助力疾病早期诊断标志物的发现。 3.药物研发与筛选：为以线粒体为靶点的药物药效评价和毒性筛查提供高通量、标准化的图像分析数据支撑。 4.算法训练与验证：可作为深度学习分割模型的训练集或测试集，推动线粒体图像自动化分析技术的进步。

record_id control_cycle_id collect_time batch_no furnace_wall_temp_1 furnace_wall_temp_2 furnace_wall_temp_3 atmosphere_temp material_surface_temp heating_power_zone1 heating_power_zone2 heating_power_zone3 heating_power_zone4 feed_speed cooling_water_flow cooling_water_temp co_concentration co2_concentration voltage current reconstructed_temp_mean reconstructed_temp_std physical_residual_mean predicted_temp_mean predicted_temp_std kpi_variance graphitization_degree temp_uniformity_index optimal 附件下载

共计83个字段：包括像素坐标x、像素坐标y、采集日期、高频图像像素值P(x,y)、低频图像像素值B(x,y)、灰度编码值、第一数值n、灰度共生矩阵A(0,0)、灰度共生矩阵A(0,1)、灰度共生矩阵A(0,2)、灰度共生矩阵A(0,3)、灰度共生矩阵A(0,4)、灰度共生矩阵A(1,0)、灰度共生矩阵A(1,1)、灰度共生矩阵A(1,2)、灰度共生矩阵A(1,3)、灰度共生矩阵A(1,4)、灰度共生矩阵A(2,0)、灰度共生矩阵A(2,1)、灰度共生矩阵A(2,2)、灰度共生矩阵A(2,3)、灰度共生矩阵A(2,4)、灰度共生矩阵A(3,0)、灰度共生矩阵A(3,1)、灰度共生矩阵A(3,2)、灰度共生矩阵A(3,3)、灰度共生矩阵A(3,4)、灰度共生矩阵A(4,0)、灰度共生矩阵A(4,1)、灰度共生矩阵A(4,2)、灰度共生矩阵A(4,3)、灰度共生矩阵A(4,4)、第一特征值μ₁、预设常数c₁、预设常数c₂、σ₁、σ₂、邻域相对坐标a、邻域相对坐标b、邻域像素值P(x+a,y+b)、第一系数ρ、第二特征值、标准图像像素值q、右邻像素值q(x+1,y)等。