Frühzeitige Diagnose von Leukämie kann jährlich Tausende von Leben retten. Die Prognose der Leukämie ist ohne morphologische Informationen über weiße Blutkörperchen (WBC) herausfordernd und hängt von der Verfügbarkeit kostspieliger Mikroskope sowie von der Anwesenheit von Hämatologen zur Analyse peripherer Blutproben (PBS) ab. Deep-Learning-basierte Methoden können Hämatologen unterstützen. Diese Algorithmen erfordern jedoch eine große Menge an annotierten Daten, die nicht leicht verfügbar sind. Um diese Einschränkung zu überwinden, haben wir ein realistisches, generalisierbares und großes Datensatzkollektiv erworben. Um diesen umfassenden Datensatz für reale Anwendungen zu erstellen, wurden zwei Mikroskope aus unterschiedlichen Kostenkategorien (hochpreisiger HCM und kostengünstiger LCM) zur Datenerfassung bei drei Vergrößerungsstufen (100×, 40×, 10×) über verschiedene Sensoren (Hochleistungskamera für HCM, mittelklasse Kamera für LCM und Smartphone-Kamera für beide) eingesetzt. Die hochwertige Kamera ist 47-mal teurer als die mittelklasse Kamera, und das HCM ist 17-mal teurer als das LCM. Bei dieser Erfassung wurden mit dem HCM in hoher Auflösung (100×) erfahrene Hämatologen mit der Annotation von 10.300 WBC-Typen (14 Klassen) und Artefakten beauftragt, wobei 55.000 morphologische Labels (z. B. Zellgröße, Kernchromatin, Kernform) aus 2.400 Bildern mehrerer PBS-Leukämiepatienten erfasst wurden. Anschließend wurden diese Annotationen auf die beiden anderen Vergrößerungsstufen des HCM sowie auf die drei Vergrößerungsstufen des LCM übertragen, sowie auf die jeweils von jeder Kamera erfassten Bilder. Neben dem LeukämieAttri-Datensatz stellen wir Baseline-Ergebnisse für mehrere Objektdetektoren und Strategien für unsupervised Domain Adaptation (UDA) sowie eine Attributvorhersage basierend auf morphologischen Informationen bereit. Der Datensatz wird nach Veröffentlichung öffentlich zugänglich gemacht, um die Forschung in dieser Richtung zu fördern.