E01_textural_features_blast_pipeline/docs/data_audit.md

Аудит данных для E01

Документ фиксирует фактическое состояние данных, доступных на 9 апреля 2026 года, и определяет, какие постановки уже можно реализовывать программно без привлечения новых наборов данных.

1. Источники данных

• data — исходные изображения и object detection-разметка.
• data_masks — те же данные с дополнительными масками объектов в images_results/masks_sam.

2. Структура одного пациентского каталога

Для большинства пациентов в data используется одинаковая структура:

• images/ — исходные изображения;
• images_labels/ — текстовые файлы разметки объектов;
• predefined_classes.txt — словарь классов.

В data_masks для тех же пациентов дополнительно присутствует каталог:

• images_results/masks_sam/ — маски отдельных объектов в формате stem_class_<class_id>_obj_<index>.png.

Отдельно нужно зафиксировать специальный случай:

• в корне обоих наборов присутствует каталог part-1, который не соответствует формату пациентского идентификатора;
• в нем находится 33 изображения, 33 label-файла и 477 размеченных объектов;
• в data_masks для него есть 475 масок;
• до уточнения происхождения этого каталога его не следует включать в основной patient-level протокол.

3. Проверенные количественные характеристики

3.1. Общий объем

Для воспроизводимости нужно различать:

• полный сырой объем каталога;
• основной patient-level корпус, который используется в эксперименте.

Полный сырой объем:

• число каталогов верхнего уровня в data: 123;
• число каталогов верхнего уровня в data_masks: 123;
• среди них 122 пациент-идентифицированных каталогов и один специальный каталог part-1;
• число изображений: 12 521;
• число файлов разметки: 12 489;
• число объектов по detection-разметке: 86 873.

Основной patient-level корпус, рекомендуемый для первой фазы эксперимента:

• число пациентских каталогов: 122;
• число изображений: 12 488;
• число файлов разметки: 12 456;
• число объектов по detection-разметке: 86 396.

3.2. Наблюдения по разметке

• пустых файлов разметки: 26;
• изображений без .txt-разметки: 32;
• такие изображения встречаются только у пациентов P190315.002 и P190408.001;
• файлов разметки без соответствующего изображения не обнаружено;
• в 4 991 строках файлов разметки идентификатор класса записан в формате с плавающей точкой, например 7.0; при загрузке нужно использовать нормализацию int(float(class_id)).

3.3. Наблюдения по маскам

• всего масок объектов в основном patient-level корпусе: 86 360;
• изображений, для которых есть хотя бы одна маска: 12 428;
• изображений без масок: 60;
• пациентов, у которых есть изображения без масок: 15.

Из этих 60 изображений:

• 32 совпадают с изображениями без detection-разметки;
• остальные 28 изображений имеют разметку, но не имеют полного покрытия масками.

3.4. Проверка соответствия labels и masks

Для изображений, у которых число строк в images_labels/*.txt совпадает с числом файлов *_obj_XXXX.png, было проверено соответствие классов и порядка объектов.

Результат:

• проверено изображений: 12 395;
• изображений с полным совпадением порядка объектов: 12 395;
• изображений с нарушением последовательности obj_0000, obj_0001, ...: 0;
• изображений с несовпадением классов между строкой label-файла и именем маски: 0.

Это позволяет принять следующий контракт данных: индекс obj_XXXX соответствует порядку строки в detection-разметке.

4. Словарь классов

Основной словарь классов совпадает у 122 пациентов:

id	Класс
0	Lymphocyte
1	Metamyelocyte
2	Monocyte
3	Myelocyte
4	Normoblasts
5	Rod neutrophil
6	Segmentonuclear neutrophil
7	blast
8	Promyelocyte
9	Eosinophil
10	Basophil
11	Magakariocyte
12	Bad cells
13	plasma cells
14	artifacts
15	gumpricht shadows
16	methoses
17	normoblasts: oxyfilny
18	macrophages
19	normoblasts: erythroblasts
20	normoblasts: basophilic
21	normoblasts: polychromatophilic

У пациента 240612.007 в predefined_classes.txt есть дополнительный класс 22 mast cells, однако фактических объектов этого класса в текущем корпусе не обнаружено.

5. Распределение объектов по классам

Наиболее представленные классы:

id	Класс	Число объектов
7	blast	61 861
12	Bad cells	7 825
0	Lymphocyte	5 660
15	gumpricht shadows	3 600
6	Segmentonuclear neutrophil	1 715
3	Myelocyte	1 052
2	Monocyte	1 038
17	normoblasts: oxyfilny	1 035
5	Rod neutrophil	545
21	normoblasts: polychromatophilic	416
1	Metamyelocyte	414
9	Eosinophil	333

Редкие классы присутствуют, но для самостоятельной устойчивой оценки их объема недостаточно:

• Promyelocyte: 5;
• Magakariocyte: 7;
• macrophages: 7;
• plasma cells: 24;
• Basophil: 28;
• artifacts: 54.

6. Распределение по пациентам и изображениям

• пациентов, у которых встречается хотя бы один blast: 100;
• пациентов без blast: 22;
• изображений с хотя бы одним blast: 8 618;
• изображений только с blast: 3 508;
• изображений со смешанным составом blast + other: 5 110;
• изображений без blast: 3 812.

Это означает, что текущий набор подходит не только для object-level классификации, но и для image-level агрегирования, когда нужно оценивать вероятность наличия бластов на изображении по совокупности обнаруженных объектов.

7. Недопокрытие масками

Найдено 35 изображений, у которых число строк в detection-разметке не совпадает с числом масок объектов. Всего недостающих масок объектов: 36.

Недостающие маски по классам:

id	Класс	Число недостающих масок
7	blast	13
15	gumpricht shadows	9
12	Bad cells	5
2	Monocyte	3
6	Segmentonuclear neutrophil	2
0	Lymphocyte	1
20	normoblasts: basophilic	1
5	Rod neutrophil	1
3	Myelocyte	1

Практический вывод: маски покрывают практически весь корпус, поэтому mask-based признаки можно считать основной, а не вспомогательной веткой текущего эксперимента. При этом для воспроизводимости необходимо зафиксировать правило fallback: если маски для объекта нет, данный объект либо исключается из mask-only ветки, либо используется только в bbox-only ветке.

8. Что текущие данные позволяют исследовать

Текущий корпус уже позволяет:

• строить основной протокол на 122 пациент-идентифицированных каталогах;
• строить patient-level разбиения;
• извлекать object-level кропы по detection-разметке;
• использовать mask-restricted ROI для признаков;
• сравнивать bbox-only и mask-based признаки;
• решать бинарную задачу blast / non-blast;
• оценивать image-level наличие бластов через агрегирование объектных предсказаний;
• изучать влияние классов качества, артефактов и сложных отрицательных примеров.

9. Что текущие данные не позволяют доказательно исследовать

На текущем корпусе нельзя считать полноценно подтвержденными следующие постановки:

• включение каталога part-1 в основной patient-level корпус без дополнительного уточнения его происхождения;
• различение lymphoblast / myeloblast, так как в разметке есть только общий класс blast;
• внешнюю межлабораторную валидацию и устойчивость к доменному сдвигу;
• case-level и slide-level клиническую постановку с подтвержденными диагнозами;
• сопоставление результатов модели с экспертной разметкой нуклеол, палочек Ауэра и других специализированных структур.

10. Прямое следствие для плана эксперимента

Первый этап эксперимента должен быть построен вокруг следующей последовательности:

1. аудит и нормализация данных;
2. выделение основного patient-level корпуса и исключение part-1 из базового протокола до уточнения его статуса;
3. формирование индексных таблиц на уровне пациента, изображения и объекта;
4. извлечение кропов и mask-aware областей интереса;
5. object-level blast / non-blast baseline;
6. сравнение признаков по режимам bbox, mask, bbox+mask;
7. image-level агрегирование как приближение к задаче автоматического анализатора;
8. только после этого — расширение постановки на новые данные и более сложные модели.