ACRIMA (acrima) — 青光眼视盘眼底分类基准数据集 — AI-Ready Wikipedia

ACRIMA — 青光眼视盘眼底分类基准数据集

一句话定义：ACRIMA 是 2019 年由西班牙瓦伦西亚理工大学（UPV）I3B 团队联合 FOM 眼科机构公开的 705 张视盘居中彩色眼底照片二分类数据集（396 青光眼 + 309 正常），以 CC BY 4.0 许可在 Figshare 发布，并随包附赠五种 ImageNet 预训练 CNN 的微调权重与复现脚本——它既是青光眼自动筛查的入门级基准库，也是「跨库泛化」这一方法论问题的经典试验场。

§0 导读：这个数据集解决什么问题

0.1 从「手工特征」到「端到端学习」的转折点

青光眼的诊断在临床上高度依赖对视盘（optic disc, OD）与视杯（optic cup, OC）形态的判读——尤其是视杯视盘比（cup-to-disc ratio, CDR）。在深度学习兴起之前，自动青光眼筛查的主流路线是「分割 → 量测 → 分类」：先用算法分割出视盘与视杯边界，再计算 CDR、盘沿面积比（ACDR）、血管弯折（vessel kinks）、ISNT 规则等手工特征，最后送进 SVM 等分类器。

这条路线有一个被论文反复点名的痛点：手工特征本身在人类专家之间就存在显著分歧。CDR 的目测估计、盘沿的定性判断，即使资深青光眼医师之间也难有稳定一致的结果——上游分割的误差会被下游量测放大。

ACRIMA 数据集及其首发论文的定位，正是要回答一个方法论问题：如果不做分割、不做手工特征，直接让 ImageNet 预训练的卷积神经网络（CNN）从原始像素学习判别特征，能做到多好？ 论文用五种架构（VGG16/VGG19/InceptionV3/ResNet50/Xception）在五个公开数据库共 1707 张图上做了「交叉验证 + 交叉测试」的大范围验证（extensive validation），并顺带把一个新的临床数据库 ACRIMA 公开出来作为试炼场。

0.2 为什么 ACRIMA 值得单独成条

在眼底影像数据集里，ACRIMA 的体量并不大（705 张），分辨率也非最高（2048×1536）。但它有三个独特价值点，使其成为眼科 AI 生态中被引用最多的入门基准之一：

1. 标注纯度与许可友好度俱佳：CC BY 4.0 明确许可、Figshare 自助下载、无审批门槛；类别分布相对均衡（396:309），不像 REFUGE2 那样 80:720 的极端偏斜。
2. 「随包附权重与脚本」的复现友好设计：官方 Figshare 包不仅给图，还给论文用到的 Python 脚本和五种 CNN 的微调权重，这在 2019 年的眼底数据集里相当超前。
3. 跨库泛化评测的天然坐标：论文本身就用它做了「训练库 vs 测试库异构」的实验，ACRIMA 作纯测试集时的 AUC（0.7678）与同库交叉验证（0.9605）之间的落差，成为后续大量域适应研究的引用锚点。

0.3 本条目与其他青光眼眼底条目的边界

本库已有的 REFUGE（rid 62）/ REFUGE2（rid 766） 是挑战赛驱动、多相机多中心、含视盘视杯分割 GT 的复杂数据集；DRISHTI-GS（rid 301） 是 101 张的分割基准（含 expert soft map）；HRF（rid 261） 是血管分割基准且同时是 ACRIMA 论文的五对照库之一。ACRIMA 与它们的区别在于：

• 单中心、单设备、纯分类、无分割 GT——数据「轻」，入门门槛低；
• 不是挑战赛——没有官方排行榜与固定划分，社区划分各行其是；
• 含权重脚本——偏向可复现的对照实验而非竞赛。

0.4 本条目结构导航

章节	内容
§1	数据集速览（十问十答 + 横向对比 + 时间轴）
§2	医学背景（青光眼、视盘形态、CDR 与任务定义）
§3	数据集规格（模态/格式/采集/标注/溯源）
§4	数据结构（目录树 + DAIMS 字段字典 + 标签分布）
§5	划分与使用建议（泄漏风险 + 交叉验证 + 外部验证）
§6	AI 就绪指南（加载/预处理/DataLoader/坑点/模型）
§7	质量评估与局限性（偏倚/泛化/伦理/DAIMS 评估）
§8	基准性能与生态（排行榜/协议/相关数据集/关键论文）
§9	相关资源与引用
§10	AI 使用声明卡

§1 数据集速览

1.1 十问十答

Q1：ACRIMA 是什么？
西班牙瓦伦西亚理工大学（UPV）I3B 团队联合 FOM 眼科机构，于 2019 年公开的青光眼二分类眼底照片数据集，全称 “ACRIMA: Glaucoma Optic Disc Fundus Database”。

Q2：ACRIMA 这个名字怎么来的？
它是西班牙 MINECO 资助的科研项目名（项目编号 TIN2013-46751-R，“ACRIMA project”），不是首字母缩写。原始论文与 Figshare 页面均未给出 ACRIMA 的字母展开，本条目按「项目名」处理，不臆造全称。

Q3：有多少张图？类别怎么分？
705 张，其中青光眼 396 张 + 正常 309 张。此为本条目采用的权威口径（Figshare 官方描述 + 论文 Table 1 + PMC 摘要一致）。

Q4：图像是什么规格？
彩色眼底照片，分辨率 2048×1536 px，35° 视场，Topcon TRC 眼底相机 + IMAGEnet® 采集系统，视盘居中裁剪，多数取自散瞳后的左右眼。

Q5：谁标的？可靠吗？
由两名青光眼专家（各 8 年经验）独立标注为青光眼/正常，仅依据其判读标准与检查时的临床发现，未使用 IOP、视野等其他临床信息。论文未报告标注者间一致性（inter-observer agreement）的量化指标。

Q6：有分割标注（视盘/视杯轮廓）吗？
没有。 论文明确：“This first version of ACRIMA database could only be used for classification tasks. Optic disc and optic cup segmentation are not provided.”

Q7：怎么获取？要钱吗？要申请吗？
免费且自助。主渠道是 Figshare 短链 https://figshare.com/s/c2d31f850af14c5b5232（对应 article 7613135），直接下载 zip；亦可从 Kaggle 多个镜像获取。

Q8：什么许可？能商用吗？
CC BY 4.0（署名即可自由使用、共享、改编，含商用），以 Figshare 官方条款为准。⚠️ 注意部分 Kaggle 镜像页把 License 标为 “Unknown”，属镜像页疏漏，不代表官方许可。

Q9：用它发论文常拿来干嘛？
最常见的三种用法：① 训练/评测青光眼二分类 CNN；② 作为跨库泛化实验的异构测试集；③ 作为合成数据增强（GAN/自编码器）方法的效果验证库。

Q10：有什么坑？
① 无分割 GT，别拿它做视杯分割；② 单中心单设备，跨人群泛化未验证；③ 无官方划分，社区划分随意，同一患者/眼的图像可能跨 train/test 泄漏；④ 患者数为 NR，无法做患者级分层。

1.2 一眼看清：ACRIMA 关键数字

维度	数值	来源
总图像数	705	Figshare / 论文 Table 1
青光眼（阳性）	396	同上
正常（阴性）	309	同上
类别比	396:309 ≈ 1.28:1	计算
分辨率	2048×1536 px	Diaz-Pinto 博士论文 / IIETA
视场（FOV）	35°	论文正文
相机	Topcon TRC（+ IMAGEnet® 系统）	论文正文
图像格式	彩色眼底照片（JPEG）	Lancet 综述 / Kaggle
标注者	2 名青光眼专家（各 8 年经验）	论文正文
分割 GT	无	论文正文
许可证	CC BY 4.0	Figshare
患者级数量	未披露（NR）	Lancet 综述
官方包体积	Kaggle 镜像约 25.62 MB	Kaggle
公开日期	2019-03-15（数据）/ 2019-03-20（论文）	Figshare / PMC

1.3 横向对比：ACRIMA 与同域青光眼库

数据集	图像数	青光眼:正常	任务	分割 GT	采集	许可	库内 rid
ACRIMA	705	396:309	分类	无	单中心 Topcon TRC 35°	CC BY 4.0	本条
DRISHTI-GS	101	70:31	分割+分类	有（soft map）	单中心 Aravind 30°	学术使用	301
REFUGE	1200	多类	分类+分割	有	多中心	非商用	62
REFUGE2	2000	80:720（训练）	分类+分割	有	4 相机多中心	CC BY-NC-ND	766
HRF	45	27:18	血管分割	有（血管）	单中心	CC BY-NC-SA	261
RIM-ONE	455	194:261	分类+分割	有	3 家西班牙医院	研究用途	—
ORIGA-light	650	168:482	分类+分割	有	新加坡 SiMES	研究用途	—
LAG（AG-CNN）	5824	2392:3432	分类	无	北京同仁医院	部分需申请	—

读法：ACRIMA 的体量居中、类别最均衡、许可最宽松，且是表中唯一「随包附 CNN 权重」的库。DRISHTI-GS 与本库已有条目可作学习用视盘形态的对照；REFUGE2 代表「多域挑战赛」形态。

1.4 版本时间轴

2013 ── MINECO 批准 ACRIMA 项目 TIN2013-46751-R（西班牙）
2014-2018 ── 图像采集与双专家标注（Topcon TRC，35°，散瞳视盘居中）
2019-03-07 ── 姊妹论文 IEEE TMI 38(9) 在线（DCGAN 半监督，非首发）
2019-03-15 ── 【数据发布】Figshare article 7613135 公开（705 张 + 脚本 + 权重）
2019-03-20 ── 【首发论文】BioMedical Engineering OnLine 2019;18:29 见刊
2019-09 ── IEEE TMI 38(9):2211-2218 正式出版
2020-01 ── Lancet Digital Health 眼科影像数据集全球综述收录（Spain / 705 / OA）
2020s ── Kaggle 多个社区镜像流转；被 HiGANCNN、MM-Retinal-Reason 等衍生数据集引用
2026-09-30 ── 本条目撰写与事实核验

1.5 典型应用场景

• 教学与入门：体量小、许可清晰、类别均衡，是眼底分类课程的经典「Hello World」数据集；
• 方法对照：因其论文提供了五模型的基准数字与权重，便于复现与公平对比；
• 跨库泛化研究：作为异构测试集，衡量模型从其他库迁移到本库的衰减；
• 合成数据增强：GAN/自编码器生成图像后，用 ACRIMA 验证分类增益（如 ViT 增强实验 AUC 0.94→0.99）；
• 类别不平衡处理：1.28:1 的轻度不平衡，适合作为加权损失/重采样的温和练习场。

1.6 名词速查

术语	英文	一句话解释
视盘	optic disc (OD)	视网膜上视神经纤维汇合处，眼底照片中的亮白色圆盘
视杯	optic cup (OC)	视盘中央更亮、更凹陷的区域
视杯视盘比	cup-to-disc ratio (CDR)	视杯直径/视盘直径，青光眼常增大，是经典筛查指标
盘沿	neuro-retinal rim	视盘外圈、视杯之外的神经组织带
视场	field of view (FOV)	相机单次成像覆盖的视网膜角范围，此处 35°
散瞳	dilation	用药扩大瞳孔以获取更大视野与更清晰图像
交叉库测试	cross-testing	在一个库训练、在另一个库测试，考察泛化
域偏移	domain shift	训练与测试分布不一致（人群/设备/协议差异）

1.7 本条目的事实纪律说明

本条目所有硬数字均以三源互证为准（首发论文 PMC 全文 / Figshare 官方描述 / Lancet Digital Health 综述或 Diaz-Pinto 博士论文）。凡遇口径冲突（尤其是类别标签互换与采集机构名称两处），均按权威源采用并在 §9 与全文相应位置逐条存照，不掩盖、不臆改。ACRIMA 是项目名而非缩写，本条目不为其编造字母展开。

1.8 三条最容易被误传的说法（澄清）

常见误传	事实
「ACRIMA 有 396 正常 + 309 青光眼」（Eyedatahub 口径）	实为 396 青光眼 + 309 正常（Figshare/论文一致）
「ACRIMA 采集自 Hospital Clínico San Carlos」	实为 FOM / FISABIO Oftalmología Médica（Valencia）；San Carlos 是 RIM-ONE 的来源医院
「ACRIMA 是某缩写，如 Automatic Classification of Retinal Images…」	ACRIMA 是项目名（TIN2013-46751-R），原始文献未给字母展开

这三条是本数据集在二次传播中最易出错的点，本条目在正文相应位置均作了标注。

1.9 一分钟上手路径

1. 打开 https://figshare.com/s/c2d31f850af14c5b5232 下载 zip
   （或 kaggle datasets download -d toaharahmanratul/acrima-dataset）
2. 解压，找到 705 张 *ACRIMA.jpg
3. 用 "_g_" in filename 解析标签 → 396 青光眼 / 309 正常
4. 断言数量无误 → resize 到 224/299 + ImageNet 归一化
5. 用 ImageNet 预训练骨干微调 → 分层 k 折报告 AUC/sens/spec
6. 若要评泛化：在别的库训练、在 ACRIMA 上测（或反之）

1.10 引用本数据集时的一句话模板

「我们在 ACRIMA 数据集（705 张视盘居中眼底照片，396 青光眼 + 309 正常；Diaz-Pinto et al., BioMedical Engineering OnLine 2019；CC BY 4.0）上评估了……（划分协议……；同库 / 跨库口径……）。」

该模板强制补齐许可、划分、口径三要素，避免引用时的常见歧义。

§2 医学背景

2.1 青光眼：不可逆的「沉默视力杀手」

青光眼（glaucoma）是一组以视神经纤维进行性丢失、视网膜神经节细胞凋亡为共同特征的神经退行性眼病，也是全球主要致盲原因之一。首发论文引用 WHO 数据指出，青光眼全球影响超过 6500 万人；TMI 姊妹论文则称其为「全球第二大致盲原因」。其关键临床特征是不可逆性——一旦视神经纤维死亡，视力损失无法恢复，因此早期发现与及时干预（药物、激光、手术）是保住视力的核心。

青光眼主要分两型：

• 开角型（open-angle）：进展缓慢、早期几无症状，是欧美裔人群的主要类型；
• 闭角型（angle-closure）：亚洲人群更常见，起病急、可伴眼痛与视力骤降。

注：上文分型表述综合自 openmedlab 数据集卡片与临床常识，ACRIMA 论文本身未做分型标注——ACRIMA 的标签是二值（青光眼/正常），不含分期与分型。

2.2 为什么诊断要看「视盘」

论文明确指出：眼压（IOP）测量既不够特异也不够敏感——视神经损伤可以在眼压不升高的情况下出现，因此单靠眼压无法作为可靠的青光眼指标。临床因此转向视神经乳头（optic nerve head, ONH）形态学评估：

在眼底照片中，视盘可视觉区分为两个区域：

• 视杯（optic cup）：中央较亮的凹陷区；
• 盘沿（neuro-retinal rim）：视盘外围的神经组织带。

青光眼的形态学标志是「视杯相对视盘异常增大」——即 CDR 升高、盘沿变窄。这一形态改变是 ACRIMA 这类「视盘居中」图像能够支持青光眼识别的解剖学基础。论文图示（Fig. 1）对比了健康眼与青光眼眼的视盘结构差异。

2.3 任务定义

ACRIMA 支持且仅支持一个任务：图像级二分类（binary image-level classification）——给定一张视盘居中的彩色眼底照片，输出 青光眼（glaucomatous）/ 正常（normal） 标签。

属性	说明
输入	单张彩色眼底照片（2048×1536，视盘居中，JPEG）
输出	二分类标签（青光眼 / 正常）
监督信号	图像级标签（非像素级、非区域级）
不可用任务	视盘/视杯分割、CDR 回归、青光眼分期、进展预测

论文强调其方法的卖点是不依赖分割与几何量测：与「先分割 OD/OC 再算 CDR」的传统路线不同，CNN 直接从原始像素学习判别特征，无需特征选择，也无需精确量测视神经乳头结构。这一「端到端」定位正是 ACRIMA 作为分类（而非分割）数据集的设计初衷。

2.4 患者人群

维度	情况
来源人群	西班牙 Valencia 单地区
采集机构	FOM / FISABIO Oftalmología Médica
患者筛选	由专家依临床标准与检查发现挑选青光眼与正常患者
年龄/性别	未披露
眼别	多数图像取自左右眼（未标注具体眼别）
患者数	未披露（NR）
知情同意	获患者事先同意

⚠️ 患者级元数据（年龄、性别、眼别配对、每患者图像数）的缺失，是本数据集在公平性评估与患者级分层上的硬约束。

2.5 临床价值

• 筛查原型：为低成本、无创的眼底照片青光眼筛查算法提供训练与评测基础；
• 减少人工负担：自动分类可作为大规模眼底筛查的初筛环节，缓解眼科医师不足；
• 早期干预窗口：青光眼不可逆，自动筛查若能提前发现可疑病例，具有真实临床意义；
• 教学与标准化：相对均衡的样本分布使其适合训练与教学中的方法对照。

2.6 金标准表

层面	金标准	强度说明
图像级标签	2 名青光眼专家（各 8 年经验）独立判读	专家判读，非组织学/纵向随访确证；无 agreement 量化
诊断依据	专家判读标准 + 检查时的临床发现	未纳入 IOP/视野/眼底 OCT 等辅助信息
分割 GT	无	第一版未提供
患者级诊断	未提供	仅图像级标签

读法：ACRIMA 的标签是「专家图像级判读」，在青光眼这种存在主观判读差异的疾病上，没有量化观察者间一致性是使用时应知晓的监督信号局限。

2.7 青光眼筛查的临床工作流与 ACRIMA 的定位

理解 ACRIMA 的临床价值，需要把它放回真实的筛查工作流：

人群筛查入口（≥40 岁 / 家族史 / 高眼压等高危）
   │
   ├─ (1) 眼底照相（本次数据集的成像环节，Topcon TRC，35° 视盘居中）
   │        └─ 真实场景常为未散瞳、视野偏离、画质参差 ←→ ACRIMA 均为散瞳、视盘居中、已清洗
   │
   ├─ (2) 视神经乳头判读（临床金标准环节）
   │        └─ 眼科医师目测 CDR / 盘沿 / 出血等 ←→ ACRIMA 标签即此环节的双专家判读
   │
   ├─ (3) 辅助检查（IOP / 视野 / 眼底 OCT / 房角镜）
   │        └─ ACRIMA 标签未纳入这些信息 ← 关键局限
   │
   └─ (4) 诊断与随访

ACRIMA 对应的是工作流中 (1)+(2) 的「照相 → 判读」两端，目标是让算法替代/辅助 (2) 的初筛判读。这也解释了其设计取舍：

• 只做视盘居中的图：因为判读依据主要是视盘形态，居中构图能最大化形态信息的可读性；
• 只做二分类：因为 (2) 环节的临床输出就是「可疑/不可疑」的二值决断，分期需要 (3) 的辅助信息；
• 不含临床协变量：因为算法被定位为「仅凭眼底照片」的筛查器，纳入 IOP 等会改变任务定义。

2.8 CDR：既是金指标又不可单独依赖

视杯视盘比（CDR） 是青光眼形态学筛查中引用最广的量化指标，但它在 ACRIMA 的语境里有双重身份：

1. 它解释了「为什么视盘图像能分类」：CDR 升高是青光眼的形态学标志，CNN 从像素中学到的判别特征在相当程度上对应这一形态差异；
2. 它恰恰是论文要绕开的对象：传统方法「先分割 OD/OC → 再算 CDR」的路线，其瓶颈在于分割误差与目测 CDR 的专家间分歧。论文明确指出，基于手工特征（CDR、ACDR、血管弯折、ISNT 规则）的方法「即使专家之间也有显著分歧」。ACRIMA 首发论文的方法不做分割、不算 CDR，直接端到端分类。

这一层张力值得读者注意：ACRIMA 是一个「视盘形态学」数据集，却刻意不提供形态学的几何标注（分割 GT）——它把「形态识别」这件事整个交给网络从原始像素去学。这也是为什么它不能用于 CDR 回归任务，却非常适合考察「端到端 vs 手工特征」的方法论对比。

2.9 与库内同类数据集的临床任务边界

数据集	临床任务	需要的标注深度	ACRIMA 能否替代
ACRIMA	青光眼二分类	图像级标签	—
DRISHTI-GS	视盘/视杯分割 + CDR	像素级 soft map	✗（无分割 GT）
REFUGE / REFUGE2	分类 + 分割 + 中心凹定位	多任务像素级	✗（任务更宽）
HRF	血管分割	血管像素级	✗（任务不同）
DRIVE	血管分割	血管像素级	✗（任务不同）

结论：在青光眼眼底的**「纯分类」这一细分任务上，ACRIMA 是库内最轻、许可最宽松**的入口；一旦任务涉及分割或几何量测，必须换用其他条目。

§3 数据集规格

3.1 版本抉择矩阵

问题	结论
有几个官方版本？	只有一个（2019-03-15 Figshare 首发），无多版本演进
Kimi/社区有分叉版本吗？	有多个 Kaggle 社区镜像（原图重新打包），非官方新版本
该用哪个？	研究引用与公平对比应优先用 Figshare 官方包（含脚本与权重）
有预处理版本吗？	部分第三方提供 resize/划分版本，非官方，慎用于可复现对比

3.2 模态详情

项	内容
成像模态	彩色眼底照相（color fundus photography, CFP）
解剖部位	眼（视网膜 / 视神经乳头区域）
视角	视盘居中（optic disc-centred）
图像维度	2D
通道	RGB 彩色

3.3 格式表

项	内容	来源口径
图像格式	JPEG	Lancet 综述、Kaggle、PeerJ-CS（多数权威源）
图像格式（异说）	PNG	openmedlab GitHub 元信息表（⚠️ 少数口径，见 §9）
分辨率	2048×1536 px	Diaz-Pinto 博士论文、IIETA、PeerJ-CS
位深/通道	RGB（未特别说明）	—
标签载体	文件名编码（_g_ = 青光眼、_ = 正常）	Figshare / Kaggle readme
附带内容	Python 复现脚本 + 五种 CNN 权重	Figshare 描述

3.4 存储大小

口径	数值	说明
Kaggle 镜像 Version 1	约 25.62 MB（706 files）	纯图像包（705 图 + 1 readme）
Eyedatahub 记录 Size	0.5 GB	疑为含脚本/权重的整包或不同压缩口径

⚠️ 两个数字相差一个数量级，属口径差异而非冲突：705 张 2048×1536 的 JPEG 压缩后确实在几十 MB 量级；0.5 GB 更可能是整包（含权重）或误记。使用时以实际下载为准。

3.5 标注方式

1. 采集：Topcon TRC 相机 + IMAGEnet® 系统，35° 视场，散瞳、视盘居中拍摄；
2. 清洗：剔除含伪影（artefacts）、噪声（noise）、低对比度（poor contrast）的图像；
3. 裁剪重命名：围绕视盘裁剪并统一重命名为 Im<三位序号>[_g]_ACRIMA；
4. 专家标注：两名青光眼专家（各 8 年经验）独立标注为青光眼或正常；
5. 无分割：不提供视盘/视杯轮廓。

3.6 标注者资质与一致性

项	内容
标注者人数	2 名
专业资质	青光眼专家（glaucoma experts）
经验年限	各 8 年
标注依据	其判读标准 + 检查时的临床发现；未用其他临床信息
一致性指标	未报告（无 κ、无 agreement rate）

读法：两名专家、各 8 年经验、独立标注、无辅助临床信息、无一致性量化——这是 ACRIMA 标签质量的完整画像：专业但信息有限、且不确定性未被量化。

3.7 采集周期

未明确披露。据项目周期推断，采集发生在 ACRIMA 项目 TIN2013-46751-R 执行期（约 2014-2018）。

3.8 地域覆盖

项	内容
国家	西班牙
城市	Valencia
采集机构	Fundación Oftalmológica del Mediterráneo (FOM) / FISABIO Oftalmología Médica
中心数	1（单中心）
人群多样性	有限（单一地区人群）

3.9 设备规格

项	内容
相机	Topcon TRC 眼底相机（Topcon, 日本）
采集系统	IMAGEnet®
视场	35°
分辨率	2048×1536 px
瞳孔条件	多数图像散瞳后采集
构图	视盘居中

3.10 深度溯源链

临床场景：青光眼/正常患者的眼科检查
   └─ 患者事先同意（符合 1964 赫尔辛基宣言）
   └─ FOM / FISABIO Oftalmología Médica（Valencia）采集眼底照片
        └─ Topcon TRC + IMAGEnet®，35° 视场，2048×1536，散瞳视盘居中
        └─ 剔除伪影/噪声/低对比度图像
        └─ 视盘周围裁剪 + 重命名（Im###[_g]_ACRIMA）
   └─ 2 名青光眼专家（各 8 年）独立标注为青光眼/正常
        └─ 705 张（396 青光眼 + 309 正常）
   └─ 【发布】Figshare article 7613135（2019-03-15）+ Python 脚本 + 5 CNN 权重
   └─ 【论文】Diaz-Pinto et al., BioMedical Engineering OnLine 2019;18:29

3.11 官方包到底给了什么（与常见误解）

读者常误以为 ACRIMA 只是「一堆图 + 一个标签」。实际上 Figshare 官方包是一个可复现套件，包含三类内容：

内容	说明	对使用者的意义
705 张标注图像	396 青光眼 + 309 正常	数据本体
Python 复现脚本	论文结果的可运行代码	复现基准的门槛大幅降低
五种 CNN 权重	VGG16/VGG19/InceptionV3/ResNet50/Xception	可直接推理或继续微调

这一「数据 + 脚本 + 权重」三件套在 2019 年的眼底数据集里并不常见，是 ACRIMA 被反复用于公平对照实验的重要原因——复现者无需从零训练即可对齐基线。

3.12 与其他库的「信息完整度」对照

信息维度	ACRIMA	DRISHTI-GS	REFUGE2
图像数	705	101	2000
患者元数据	✗	✗	部分
分割 GT	✗	✓	✓
官方划分	✗	✓（50/51）	✓
附带权重/脚本	✓	部分	✗
观察者一致性量化	✗	✓（soft map 体现）	✓
许可宽松度	CC BY 4.0（最宽）	学术使用	CC BY-NC-ND

读法：ACRIMA 在「信息深度」上并非最强，但在「即取即用的可复现性」与「许可宽松度」上处于第一梯队。选数据集时应按任务需要权衡这两类属性。

3.13 采集参数对模型的影响

参数	值	对建模的含义
视场 35°	相对较小	视盘占画面比例较大，形态信息集中，利于分类；但视野边缘信息少
视盘居中	构图固定	减少位置变化带来的干扰，模型更易学到形态特征
散瞳	多数已散瞳	图像质量高、伪影少；但真实筛查常不散瞳，存在域差异
2048×1536	高分辨率	下采样到 224/299 后仍保有线盘细节，合适
单设备	Topcon TRC	色彩与成像特性一致；换设备会引入域偏移

3.14 与「临床可用性」的距离评估

把 ACRIMA 到临床落地之间需跨越的鸿沟列成检查表，有助于理性看待其分数：

关卡	ACRIMA 现状	临床落地要求	差距
样本量	705	数万-数十万	大
中心数	1	多中心	大
人群多样性	西班牙单一地区	目标人群覆盖	大
设备多样性	单相机	多厂商多型号	大
图像质量分布	已清洗的高质量	含真实劣质图	中
临床协变量	无	IOP/视野/OCT	大
标注深度	图像级二分类	分期/进展/多标注者	大
前瞻验证	无	前瞻性多中心试验	大

结论：ACRIMA 是算法研发与基准评测阶段的优秀工具，但距离临床部署尚有关键关卡未跨越。将其高分解读为「可临床使用」是过度外推。

§4 数据结构

4.0 目录树

官方 Figshare 包与主流 Kaggle 镜像的典型结构：

ACRIMA/
├── Images/                         # 或 Database/Images/（镜像差异）
│   ├── Im001_ACRIMA.jpg            # 正常（标签位为下划线占位）
│   ├── Im002_ACRIMA.jpg
│   ├── ...
│   ├── Im686_g_ACRIMA.jpg          # 青光眼（标签位为 g）
│   └── Im705_g_ACRIMA.jpg
├── Readme.txt                      # 命名与采集说明（镜像提供）
├── train.txt / val.txt             # 部分镜像提供的划分清单（非官方）
└── （官方包另含）Python 复现脚本 + 5 个 CNN 权重

⚠️ 不同镜像的目录名（Images / Database / train+test）与清单文件（train.txt/val.txt）不一致，且非官方划分。可复现实验应以文件名解析标签而非依赖镜像的目录划分。

4.1 命名规则（关键）

图像文件名结构固定：

Im <三位数字序号> [ _g_ | _ ] ACRIMA
│   │            │        └─ 固定后缀：数据库名 ACRIMA
│   │            └─ 类别位：青光眼 = "_g_"；正常 = "_"（单下划线占位）
│   └─ 序号：001 —— 705
└─ 固定前缀：Im

示例：

• 青光眼：Im686_g_ACRIMA （含 _g_）
• 正常：Im001_ACRIMA （含单个下划线占位）

解析要点：判断青光眼应匹配 _g_，判断正常应匹配不含 _g_ 但含 _ACRIMA——单纯按「是否有下划线」会把正常图的两处下划线（标签位 + 后缀位）误判。稳健做法是 "_g_" in stem 判青光眼，否则为正常。

4.2 DAIMS 8 列字段字典

对照 DAIMS（Data and Analytics Information Management Specification）锚定数据管理要素，ACRIMA 的数据字典如下：

DAIMS 维度	ACRIMA 对应内容	证据/值
1. Dataset Identity（身份）	名称、版本、发布者	“ACRIMA: Glaucoma Optic Disc Fundus Database”；v1（2019-03-15）；UPV I3B
2. Provenance（溯源）	采集机构、设备、时间、伦理	FOM/FISABIO Valencia；Topcon TRC 35°；患者同意 + 1964 赫尔辛基
3. Structure（结构）	文件组织、命名、粒度	扁平图像目录；Im###[_g]_ACRIMA.ext；图像级粒度
4. Content（内容）	模态、分辨率、通道	彩色眼底照片；2048×1536；RGB
5. Semantics（语义）	任务、标签体系	二分类；青光眼/正常；标签来自文件名编码
6. Quality（质量）	标注者、一致性、清洗	2 专家（8 年）；无一致性量化；剔除伪影/噪声/低对比度
7. Access（访问）	许可、获取、格式	CC BY 4.0；Figshare 自助；JPEG zip
8. Governance（治理）	隐私、伦理、维护	去标识化图像；伦理合规；无持续更新（无版本演进）

4.3 标签分布

类别	数量	占比	文件名特征
青光眼（阳性）	396	56.2%	含 _g_
正常（阴性）	309	43.8%	不含 _g_
合计	705	100%	—

• 不平衡比：396:309 ≈ 1.28:1（轻度）；阳性略多于阴性。
• 与同类库对比：远好于 REFUGE2 训练集（80:720 ≈ 1:9），接近平衡。

4.4 关键统计

统计量	值
图像总数	705
类别数	2
分辨率（统一）	2048×1536
通道	3（RGB）
患者数	NR
官方划分	无
附带权重模型数	5（VGG16/VGG19/InceptionV3/ResNet50/Xception）

4.5 数据层级

数据集 ACRIMA
 └─ 图像 705 张（唯一数据单元）
      └─ 属性：文件名、分辨率、RGB
      └─ 标签：青光眼/正常（图像级）
      └─ 缺失层级：患者级、眼别级、分割级、分期级

读法：ACRIMA 是扁平的单层结构——没有患者分组、没有子集划分、没有分割图层。任何患者级/眼别级分析都无法在官方数据上完成。

4.6 缺失值与信息性缺失

缺失项	类型	影响
患者 ID / 数量	信息性缺失	无法做 GroupKFold，存在患者级泄漏风险
年龄/性别	信息性缺失	无法做公平性/亚组分析
眼别（左/右）	信息性缺失	无法做眼别配对分析
分割掩码	设计性缺失（第一版不含）	无法做分割/vCDR 任务
成像时间	信息性缺失	无法做时间漂移分析
标注一致性数值	信息性缺失	标签不确定性不可量化

4.7 文件名解析的工程细节

文件名是 ACRIMA 唯一的标签载体，因此解析正确性直接决定监督信号质量。三种常见解析的对比：

def label_wrong_a(stem):   # ❌ 错：按有无下划线判
    return 1 if "_" in stem else 0
# 问题：正常图 "Im001_ACRIMA" 也含下划线 → 全部误判为青光眼

def label_wrong_b(stem):   # ❌ 错：按末段精确匹配
    return 1 if stem.endswith("g_ACRIMA") else 0
# 问题：依赖后缀完整性，镜像重命名后失效

def label_right(stem):     # ✅ 对：只查 _g_ 子串
    return 1 if "_g_" in stem else 0
# 稳健：正常图无 _g_，青光眼图必有 _g_

文件名	正确标签	"_" in	"_g_" in
Im001_ACRIMA	正常(0)	1 ✗	0 ✓
Im686_g_ACRIMA	青光眼(1)	1 ✓	1 ✓
Im705_g_ACRIMA	青光眼(1)	1 ✓	1 ✓

工程建议：解析后断言总数=705、青光眼数=396，一旦不符立即报错，避免静默的错误标签污染训练。

4.8 元数据缺口对建模任务的映射

想做的分析	需要的元数据	ACRIMA 是否支持
图像级二分类	文件名标签	✓
患者级分组划分	患者 ID	✗
眼别配对（左右眼）	眼别字段	✗
亚组公平性（性别/年龄）	人口学	✗
时间漂移分析	采集时间	✗
分期/进展预测	分期/随访	✗
分割/CDR 回归	分割掩码	✗

4.9 数据治理视角的小结

从数据治理看，ACRIMA 是一个**「轻元数据、重可用性」的数据集：它把可解析、可自助获取、可复现做到了高分，却在患者级溯源、标注不确定性、临床协变量三个维度留白。使用者应在知情的前提下，用外部验证与明示局限性**来补偿这些留白。

§5 划分与使用建议

5.1 官方划分

ACRIMA 没有官方 train/val/test 划分。 这与挑战赛数据集（如 REFUGE2 有明确 cz 训练/验证/测试集）形成鲜明对比。部分 Kaggle 镜像附带 train.txt/val.txt，属社区自行划分，不可当作官方口径。

5.2 社区惯例划分

文献中的常见做法：

划分方式	典型比例	示例出处
80/20 训练测试	565 / 140	PMC12015992（No-Code 平台对比）
70/15/15 训练验证测试	图像级随机	PeerJ-CS 11:e2844
k=10 折交叉验证	10 折	首发论文 BEO 2019
70/30 训练测试	1195 / 512（五库合计）	首发论文同库实验

5.3 划分策略与泄漏风险

⚠️ 最大的隐患是患者级泄漏：由于患者数未披露、无患者 ID，随机划分可能把同一患者的左右眼图像或同一眼的多次拍摄分到 train 与 test 两侧，导致测试性能虚高。

缓解建议：

• 若明知数据含左右眼，尽量识别成对图像并做眼级而非图像级划分；
• 报告结果时明确划分方式，并对「患者级泄漏不可排除」作局限性声明；
• 与文献数字对比时，注意划分方式差异会显著影响可比性（如 80/20 与 70/30 结果不可直接并比）。

5.4 交叉验证建议

• 首选分层 k 折（StratifiedKFold）：因存在轻度类别不平衡，分层可保持各折类别比例；
• k 建议 5 或 10（首发论文用 k=10）；
• 若无法排除患者复用，至少做多次不同随机种子的重复 CV，报告均值与标准差，降低单次划分的偶然性。

# 分层交叉验证骨架（伪代码）
from sklearn.model_selection import StratifiedKFold
skf = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)
for tr, va in skf.split(paths, labels):
    ...  # 训练/评估，记录每折 AUC、sensitivity、specificity

5.5 外部验证建议

ACRIMA 的论文本身就示范了跨库外部验证（cross-testing）：在五个库上训练后逐库测试，ACRIMA 作纯测试集时 Xception AUC 为 0.7678。因此推荐：

• 以 ACRIMA 作外部测试集：用其他库（如 RIM-ONE、ORIGA-light、DRIHTI-GS、HRF、sjchoi86-HRF）训练，在 ACRIMA 上测泛化；
• 以 ACRIMA 作训练集：在 ACRIMA 上训练，在其他库上测——观察域偏移；
• 多库联合训练 + 留一库测试：最严格的泛化评测协议。

提醒：跨库结果普遍低于同库交叉验证，这是域偏移的真实反映，而非模型缺陷。引用时务必区分「同库」与「跨库」两类数字。

5.6 使用检查清单

• [ ] 用 _g_ 判定青光眼，勿按「有无下划线」判定；
• [ ] 明确记录所用划分方式与随机种子；
• [ ] 对患者级泄漏风险作局限性声明；
• [ ] 报告 AUC 时同时给 sensitivity 与 specificity（类别不平衡下 AUC 单独不够）；
• [ ] 与文献对比时区分同库/跨库口径；
• [ ] 不将本数据集结果直接外推为临床可用性结论（单中心小样本）。

5.7 划分的三种协议对比（推荐度）

协议	描述	优点	缺点	推荐度
单次随机划分	一次性 80/20	简单	方差大、可能泄漏	★★
分层 k 折 CV	k=5/10，分层	稳健、充分利用数据	无独立测试集	★★★★
嵌套 CV	外层评估 + 内层调参	偏差最小	计算量大	★★★★★
跨库留出	其他库训练、ACRIMA 测试	真实泛化估计	反映域偏移，分数偏低	★★★★★（泛化目的）

实践建议：同库性能用分层 k 折报告，泛化性能用跨库留出报告，两套数字分别标注口径，不要混为一谈。

5.8 结果报告的必备信息（最小可复现集）

1. 数据来源：Figshare 官方包 or 哪个 Kaggle 镜像（注明）；
2. 划分协议：随机种子、折数、是否分层、是否尝试患者/眼级隔离；
3. 预处理：resize 尺寸、归一化方式、是否 CLAHE/增强；
4. 模型：骨干网、是否 ImageNet 预训练、训练轮数与优化器；
5. 指标：AUC + sensitivity + specificity（+accuracy），以及口径（同库/跨库）；
6. 局限声明：单中心、无患者元数据、无一致性量化。

这六项齐备的报告，才能与论文及其他工作的结果做有意义的比较。

§6 AI 就绪指南

6.0 云端快速启动

# Kaggle Notebook：数据集挂载路径示例（先在右侧 Add Input 添加 ACRIMA 镜像）
# 常见路径：/kaggle/input/acrima-dataset/Database/Images/
#          或 /kaggle/input/acrima-glaucoma-assessment-using-fundus-images/Database/
import os, glob
root = "/kaggle/input/acrima-dataset"
imgs = glob.glob(os.path.join(root, "**", "*.jpg"), recursive=True) \
     + glob.glob(os.path.join(root, "**", "*.png"), recursive=True)
print(len(imgs), "images found")   # 期望 705

6.1 快速上手（本地加载）

# pip install pillow numpy
import os, glob
from PIL import Image
import numpy as np

DATA_DIR = "./ACRIMA/Images"

def load_dataset(data_dir):
    paths, labels = [], []
    for p in sorted(glob.glob(os.path.join(data_dir, "*ACRIMA.*"))):
        stem = os.path.splitext(os.path.basename(p))[0]
        # 关键：用 "_g_" 判定青光眼，否则为正常
        labels.append(1 if "_g_" in stem else 0)
        paths.append(p)
    return paths, np.array(labels)

paths, y = load_dataset(DATA_DIR)
print("总数:", len(paths), "青光眼:", int(y.sum()), "正常:", int((y == 0).sum()))
# 期望：总数 705，青光眼 396，正常 309

# 读一张检查尺寸
img = Image.open(paths[0]).convert("RGB")
print(img.size)   # 期望 (2048, 1536) 或 (1536, 2048)，视镜像旋转而定

6.2 数据获取

# 官方渠道（推荐，含脚本与权重）：浏览器打开 Figshare 短链下载 zip
# https://figshare.com/s/c2d31f850af14c5b5232

# Kaggle CLI 拉取镜像（已配置 kaggle API key）
kaggle datasets download -d toaharahmanratul/acrima-dataset -p ./data --unzip
# 或
kaggle datasets download -d orvile/acrima-glaucoma-assessment-using-fundus-images -p ./data --unzip

# 下载后核对数量
find ./data -iname "*ACRIMA*" | wc -l        # 期望 705
find ./data -iname "*_g_ACRIMA*" | wc -l     # 期望 396

6.3 预处理全流程

# pip install pillow numpy
from PIL import Image
import numpy as np

def preprocess(path, size=(224, 224)):
    img = Image.open(path).convert("RGB").resize(size, Image.BILINEAR)
    x = np.asarray(img, dtype=np.float32) / 255.0   # 归一化到 [0,1]
    # 建议：按 ImageNet 均值方差归一化（与预训练权重匹配）
    mean = np.array([0.485, 0.456, 0.406], dtype=np.float32)
    std  = np.array([0.229, 0.224, 0.225], dtype=np.float32)
    x = (x - mean) / std
    return x.transpose(2, 0, 1)   # CHW

要点：

1. 分辨率需下采样：原始 2048×1536 远超 CNN 输入（224×224 或 299×299），需 resize；
2. 归一化要与预训练权重匹配：论文用 ImageNet 预训练模型，故按 ImageNet mean/std 归一化；
3. 可做 CLAHE 等增强：论文提到相关工作用 CLAHE 与血管去除，但本文方法未强制；
4. 勿做过度增强：跨库对比时过度增强会引入不可比因素。

6.4 PyTorch DataLoader

# pip install torch torchvision pillow
import glob, os
from torch.utils.data import Dataset, DataLoader
from torchvision import transforms
from PIL import Image

class ACRIMA(Dataset):
    def __init__(self, root, size=224):
        self.paths = sorted(glob.glob(os.path.join(root, "*ACRIMA.*")))
        self.labels = [1 if "_g_" in os.path.basename(p) else 0 for p in self.paths]
        self.tf = transforms.Compose([
            transforms.Resize((size, size)),
            transforms.ToTensor(),
            transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]),
        ])
    def __len__(self): return len(self.paths)
    def __getitem__(self, i):
        img = Image.open(self.paths[i]).convert("RGB")
        return self.tf(img), self.labels[i]

ds = ACRIMA("./ACRIMA/Images")
dl = DataLoader(ds, batch_size=16, shuffle=True, num_workers=2)
print(len(ds))   # 期望 705

6.5 坑点 8 个（真实失败模式）

坑 1：按「有无下划线」判标签导致正常图被误标为青光眼。
正常文件名 Im001_ACRIMA 含下划线，若用 "_" in name 判标签会全部误判。必须用 "_g_" in name 判青光眼，其余为正常。

坑 2：把 Im686_g_ACRIMA 的 686 当作标签编号或患者号。
686 只是图像序号（001-705），不代表类别或患者。类别仅由 _g_ 位决定。

坑 3：误以为有视盘/视杯分割 GT。
ACRIMA 第一版明确不含分割标注。若任务需要分割，应改用 DRISHTI-GS/REFUGE/REFUGE2。试图在 ACRIMA 上做分割监督会在数据里找不到掩码文件而失败。

坑 4：忽略患者级泄漏做随机划分（最隐蔽的坑）。
患者数未披露、无患者 ID，左右眼图像可能被随机分到 train 与 test 两侧，导致测试性能虚高。需在局限性中声明，并尽量做眼级划分。

坑 5：直接用原始 2048×1536 喂 CNN。
原始分辨率远超网络输入，直接送入会 OOM 或维度不匹配。必须先 resize 到 224 或 299（对应所用骨干网）。

坑 6：忘记了 ImageNet 归一化。
论文用 ImageNet 预训练模型微调，若只用 /255 而不做 mean/std 归一化，会与预训练分布不匹配，性能下降。

坑 7：混淆「同库交叉验证」与「跨库测试」两套数字。
0.9605 是五库平均（Xception，含同库 CV），0.7678 是 ACRIMA 作纯外部测试集时的 AUC。混用会误导选型。

坑 8：把项目名当缩写去「还原」。
ACRIMA 是项目代号（TIN2013-46751-R），不是首字母缩写。引用时不臆造 "Automatic … " 之类的展开。

附加提示：Kaggle 镜像的 License 字段常标 “Unknown”，不要据此认定数据无许可；官方 Figshare 条款为 CC BY 4.0。

6.5b 坑点速查表（速览版）

#	坑	后果	一句话解法
1	按有无下划线判标签	正常全误判为青光眼	用 "_g_" in stem
2	把序号当患者/标签号	元数据误解	686 只是序号
3	以为有分割 GT	任务无法开展	分割请换库
4	忽略患者级泄漏	测试虚高	声明局限，尽量眼级划分
5	直接喂原始分辨率	OOM/维度错	先 resize
6	忘记 ImageNet 归一化	性能下降	加 mean/std
7	混淆同库/跨库数字	误导选型	分开标注口径
8	给 ACRIMA 编缩写	事实错误	它是项目名

6.5c 一个完整可跑的最小示例

# pip install torch torchvision pillow scikit-learn
import glob, os
import torch
from torch.utils.data import DataLoader
from torchvision import transforms, models
from PIL import Image
from sklearn.metrics import roc_auc_score
from sklearn.model_selection import train_test_split

paths = sorted(glob.glob("./ACRIMA/Images/*ACRIMA.*"))
y = [1 if "_g_" in os.path.basename(p) else 0 for p in paths]
assert len(paths) == 705 and sum(y) == 396, "解析异常，检查命名"

class DS(torch.utils.data.Dataset):
    def __init__(self, ps, ys):
        self.ps, self.ys = ps, ys
        self.tf = transforms.Compose([
            transforms.Resize((224, 224)),
            transforms.ToTensor(),
            transforms.Normalize([0.485,0.456,0.406], [0.229,0.224,0.225]),
        ])
    def __len__(self): return len(self.ps)
    def __getitem__(self, i):
        return self.tf(Image.open(self.ps[i]).convert("RGB")), self.ys[i]

tr_p, va_p, tr_y, va_y = train_test_split(paths, y, test_size=0.2,
                                          stratify=y, random_state=42)
model = models.resnet50(weights=models.ResNet50_Weights.IMAGENET1K_V2)
model.fc = torch.nn.Linear(model.fc.in_features, 2)
opt = torch.optim.Adam(model.parameters(), lr=1e-4)
lossf = torch.nn.CrossEntropyLoss()
tl = DataLoader(DS(tr_p, tr_y), batch_size=16, shuffle=True)
vl = DataLoader(DS(va_p, va_y), batch_size=16)

model.train()
for xb, yb in tl:
    opt.zero_grad(); loss = lossf(model(xb), yb); loss.backward(); opt.step()

model.eval(); probs, gts = [], []
with torch.no_grad():
    for xb, yb in vl:
        probs += torch.softmax(model(xb), 1)[:,1].tolist(); gts += yb.tolist()
print("Val AUC:", roc_auc_score(gts, probs))

说明：这是同库单次划分的示例，结果仅作流程验证；正式评测请用分层 k 折并补报 sensitivity/specificity。

6.6 数据增强

论文报道用的增强：随机旋转、缩放（0-0.2）、水平/垂直翻转。建议：

增强	建议	说明
随机旋转	✓ 小角度（±15-40°）	眼底图像旋转不变性较好
水平/垂直翻转	✓	论文采用
缩放/裁剪	✓（0-0.2）	论文采用
颜色抖动	△ 谨慎	可能改变视盘颜色特征
强几何形变	✗	会破坏视盘形态学信息

6.7 模型推荐表

骨干网	输入尺寸	备注
VGG16 / VGG19	224	论文基准之一
ResNet50	224	论文基准之一
InceptionV3	299	论文基准之一
Xception	299	论文最优（五库平均 AUC 0.9605）
EfficientNet / DenseNet	224-299	现代替代，社区常用
ViT + 增强	224	增强后 AUC 可达 0.99（PMC39071920）

6.8 硬件需求表

规模	配置	说明
微调单骨干	单 GPU（≥8GB）	705 张小数据集，轻松
k 折 × 多骨干	单 GPU，数小时	论文规模
CPU 训练	可行但慢	数据集极小，CPU 亦可跑通
存储	<1 GB	数据本体约几十 MB

6.9 评估指标代码

# pip install scikit-learn
from sklearn.metrics import roc_auc_score, confusion_matrix

def metrics(y_true, y_prob, thr=0.5):
    y_pred = (y_prob >= thr).astype(int)
    tn, fp, fn, tp = confusion_matrix(y_true, y_pred, labels=[0, 1]).ravel()
    sens = tp / (tp + fn) if (tp + fn) else 0.0   # 敏感性 = 召回 = 检出青光眼能力
    spec = tn / (tn + fp) if (tn + fp) else 0.0   # 特异性 = 正确排除正常能力
    return {
        "AUC": roc_auc_score(y_true, y_prob),
        "sensitivity": sens,
        "specificity": spec,
        "accuracy": (tp + tn) / (tp + tn + fp + fn),
    }

青光眼筛查场景下，**sensitivity（不漏诊）**通常比 specificity 更关键，报告时应分别给出，勿只报 accuracy。

6.10 MLOps 笔记

• 数据版本固定：ACRIMA 无版本演进，固定使用 v1（2019）即可，记录下载日期与镜像来源；
• 可复现性：优先用 Figshare 官方包，社区镜像的目录结构与划分各异，会破坏可复现性；
• 监控项：类别分布（应为 396:309）、分辨率一致性、文件名解析正确率；
• 发布前对照：与论文的 Xception 基线（同库 CV vs 跨库）做 sanity check，避免划分差异造成的假高。

§7 质量评估与局限性

7.1 已知偏倚表

偏倚类型	表现	影响
选择性偏倚	单中心、单一地区人群	跨人群泛化未验证
设备偏倚	仅 Topcon TRC 一种相机	换设备性能可能下降
质量偏倚	剔除伪影/噪声/低对比度图	模型未见真实场景劣质图，实际部署或高估
构成偏倚	阳性略多（396:309）	轻度不平衡，影响阈值选择
标注者偏倚	仅 2 名专家、单一机构标准	标签带机构风格，跨库标签标准不一
泄漏偏倚	无患者 ID，随机划分可能泄漏	测试性能虚高风险

7.2 标注质量

• 优点：由青光眼专科专家（各 8 年经验）标注，专业性有保障；说明标注依据（判读标准 + 临床发现），可追溯；
• 局限：未报告观察者间一致性（无 κ、无 agreement rate）；未纳入 IOP/视野/OCT 等客观检查；青光眼本身判读存在主观差异，标签不确定性未被量化。

7.3 泛化性表

论文 Table 4 的核心发现——Xception 微调后跨库测试：

测试库	图像数	AUC	95% CI
HRF	45	0.8354	50.00–100.00%
Drishti-GS1	101	0.8041	50.49–92.55%
RIM-ONE	455	0.8575	77.53–91.12%
sjchoi86-HRF	401	0.7739	66.44–86.85%
ACRIMA	705	0.7678	68.41–81.81%

读法：跨库 AUC 普遍低于同库交叉验证的平均 0.9605。这直接印证了论文自己的结论——泛化到不同数据库是主要难点，标注标准、人群与成像设备差异带来显著域偏移。作者直言这是「most publicly available databases differ in the way they are labelled」。

7.4 伦理

• 图像获患者事先同意；
• 符合 1964 年赫尔辛基宣言伦理标准；
• 发布内容为眼底图像与标签，无患者身份信息；
• ⚠️ 局限性：无独立伦理审查批号披露、无去标识化流程细节、无数据使用协议（CC BY 4.0 直接免申请）。

7.5 公平性

• 无法开展亚组公平性分析：无年龄、性别、种族、眼别等元数据；
• 单一人群采集：西班牙 Valencia 人群，对亚洲/非洲等人群的适用性未知；
• 青光眼分型盲区：不区分开角型/闭角型，而闭角型在亚洲人群更常见——可能对亚洲人群表现更差。

7.6 数据漂移

ACRIMA 为静态快照，无时间维度元数据，无法评估时间漂移；发布后无更新，不会引入新版本漂移，但也意味着不会随临床实践演进而更新。

7.7 DAIMS 数据集评估

DAIMS 治理维度	评级	说明
数据身份清晰度	★★★★☆	名称、发布者、日期明确；无 DOI 数据集号（仅短链）
溯源完整性	★★★★☆	机构、设备、标注者、伦理齐全；时间与患者数缺失
结构规范性	★★★★☆	命名规整可解析；镜像目录不统一
内容描述	★★★★★	分辨率、模态、视场明确
语义标注	★★★☆☆	二分类语义清晰；无一致性量化、无分期
质量保证	★★★☆☆	专家标注 + 清洗；无 agreement、无交叉复核
可访问性	★★★★★	CC BY 4.0 + 自助下载，门槛极低
治理与伦理	★★★★☆	同意 + 赫尔辛基合规；无批号、无患者元数据
综合	★★★★☆	定位清晰的入门级基准：许可与可访问性突出，监督信号深度与元数据完整性有限

7.8 外部验证矩阵

作为	训练库示例	测试库	论文 AUC	备注
测试集	五库混合微调	ACRIMA	0.7678	首发论文 Table 4
训练集	ACRIMA	HRF/Drishti/RIM-ONE	—	论文未逐项报告
联合训练	五库	五库 k 折	0.9605（均值）	Xception

7.9 使用红线

• 不用于临床诊断决策：单中心、小样本、无临床协变量、无前瞻验证；
• 不外推患病率：非流行病学抽样，类别比例不能反映人群患病率；
• 不声称泛化能力：跨人群/跨设备性能未知，须实测；
• 不忽略标签不确定性：青光眼判读本身有主观性，标签非绝对金标准。

7.10 与其他青光眼库的质量对照

质量维度	ACRIMA	DRISHTI-GS	REFUGE2
标注者数	2	4	多名（挑战赛）
一致性量化	✗	✓（soft map）	✓
分割 GT	✗	✓	✓
患者元数据	✗	✗	部分
多中心/多设备	✗	✗	✓
图像量	705	101	2000
许可宽松	✓✓	△	△

读法：ACRIMA 的优势在量与许可，劣势在多中心性与标注深度。它是优秀的「入门与泛化评测」库，但不是「临床级标注深度」库。

7.11 何时该用 ACRIMA，何时不该

适合：

• 需要快速搭一个青光眼二分类基线；
• 做跨库泛化/域适应的实验设计（作为训练库或测试库）；
• 验证合成数据增强方法的增益；
• 教学与可复现性研究。

不适合：

• 需要视盘视杯分割或 CDR 定量；
• 需要青光眼分期/进展建模；
• 需要患者级纵向随访；
• 声称临床级诊断性能或跨人群泛化。

7.12 局限性一句话总结

ACRIMA 是一个**「小而清、许可宽、可复现，但单中心、无分割、无患者元数据、标签不确定性未量化」的分类基准——它的价值在于可复现的方法论对照与泛化评测**，而不在于临床级监督信号的深度。

§8 基准性能与生态

8.1 首发论文基准（BEO 2019）

五库 1707 张图，五种 ImageNet 预训练 CNN，k=10 交叉验证：

模型	备注
VGG16	基准
VGG19	基准
InceptionV3	基准
ResNet50	基准
Xception	最优：平均 AUC 0.9605，specificity 0.8580，sensitivity 0.9346

论文的选型结论：Xception 在 AUC 与参数量之间的权衡最优。数字来自五库混合（含 ACRIMA），非 ACRIMA 单库。

8.2 跨库测试（论文 Table 4）

Xception 微调后、对未见库的纯测试结果（见 §7.3 表）：

测试库	AUC	Sensitivity	Specificity	图像数
HRF	0.8354	0.8000	0.7778	45
Drishti-GS1	0.8041	0.7525	0.7143	101
RIM-ONE	0.8575	0.7121	0.7990	455
sjchoi86-HRF	0.7739	0.7082	0.7030	401
ACRIMA	0.7678	0.6893	0.7020	705

同库 70/30 划分（1195/512）：AUC 0.9464、accuracy 0.8908、sensitivity 0.9175、specificity 0.8571。

8.3 第三方基准（引用 ACRIMA 的 SOTA）

方法	出处	在 ACRIMA 的结果
ViT（原始数据）	PMC39071920	AUC 0.94（sens 1.00 / spec 0.88）
ViT + 自编码器增强（+564 合成图）	PMC39071920	AUC 0.99（sens 1.00 / spec 0.98）
HiGANCNN（DCGAN + DenseNet）	IJCSNS 2022, 22(9):23-30	准确率 99.4%
多阶段预训练 CNN + 投票融合	Frontiers Physiol 2023, PMC10293617	二分类评测
ResNet200d / Teachable Machine / Create ML	PMC12015992	80/20 划分对比
MCICNet（Conv-Involution 级联）	PeerJ CS 2023, 11:e2844	附加评估集
注意力增强自定义 CNN	MDPI 2024, 2673-4591/124/1/110	Drishti-GS1 + ACRIMA

观察：ACRIMA 上的报告准确率/ AUC 普遍很高（0.94-0.99），但这些数字多为同库划分结果，与跨库泛化的 0.7678 存在明显落差。引用高分时须注明划分口径。

8.3b 基准数字的分层解读

把 ACRIMA 上的报告数字按「可信度层级」拆开，有助于避免被高分误导：

层级	典型数字	含义	可信度
L1 同库同划分	0.99（ViT+增强）、0.994（HiGANCNN）	同一划分下的上界	低（易受泄漏与调参影响）
L2 同库交叉验证	0.94（ViT 原数据）、0.9605（五库均值）	库内泛化	中
L3 跨库测试	0.7678（Xception，ACRIMA 为测试集）	真实泛化	高
L4 多库留一	论文 cross-testing 均值约 0.81	跨库稳健性	高

建议：引用 ACRIMA 结果时优先看 L3/L4。L1 的高分（0.99+）在单中心、小样本、无患者隔离的情况下，很可能包含乐观偏倚，不构成「模型已可用于临床」的证据。

8.3c 增强方法在 ACRIMA 上的实证

方法	基线	增强后	增量	出处
ViT + 自编码器合成图（+564）	AUC 0.94	AUC 0.99	+0.05	PMC39071920
ViT 在不同训练比例	10% AUC 0.62 起	逐步提升	—	同源（REFUGE2 主实验）

该实验的价值在于证明合成数据能在小样本时提升分类性能，ACRIMA 作为其中一档对照库被引用。注意其合成图增强后的 0.99 属 L1 层级，应与跨库数字区分看待。

8.4 SOTA 总结与选型建议

• 同库刷分：现代 CNN/Transformer + 增强即可轻松 0.95+，参考价值有限；
• 真正有区分度的评测：跨库测试与外部验证，ACRIMA 是常用的异构测试集；
• 选型：若做公平对比，优先复现论文的 Xception 基线；若追求性能，用 ImageNet 预训练骨干 + 适度增强。

8.5 评测协议

社区无统一协议。建议报告时明确：

1. 划分方式（随机 / 分层 / k 折）+ 随机种子；
2. 输入尺寸与归一化；
3. 是否做患者级隔离（并声明无法完全排除泄漏）；
4. 区分同库与跨库口径；
5. 同时报告 AUC、sensitivity、specificity。

8.6 相关数据集表

数据集	关系	图像数	库内 rid
DRISHTI-GS	同域分割基准；论文对照库	101	301
REFUGE	同域青光眼挑战赛	1200	62
REFUGE2	同域多域挑战赛	2000	766
HRF	论文对照库；血管分割基准	45	261
DRIVE	同域血管分割	40	241
RIM-ONE	论文对照库	455	—
ORIGA-light	常见对照库	650	—
sjchoi86-HRF	论文对照库	401	—
HiGANCNN Generated Glaucoma	衍生数据集（ACRIMA 为源之一）	30,000（合成）	—

8.7 关键论文 Top 6

1. Diaz-Pinto et al., BioMedical Engineering OnLine 2019;18:29 — 首发论文，doi 10.1186/s12938-019-0649-y；
2. Diaz-Pinto et al., IEEE TMI 2019;38(9):2211-2218 — 姊妹论文（DCGAN 半监督），doi 10.1109/TMI.2019.2903434；
3. Sivaswamy et al., Drishti-GS（ISBI 2014）— 视盘/视杯分割基准；
4. Fumero et al., RIM-ONE（2011）— 青光眼分类/分割；
5. Orlando et al., REFUGE（MICCAI 2018 挑战赛）；
6. Elseid et al., ViT + 自编码器增强（PMC39071920）— 合成数据增强验证。

8.8 生态快照

作者团队（UPV I3B）
  ├─ ACRIMA（2019）──── 本条目，705 张青光眼分类
  ├─ REFUGE 系列关联工作（青光眼挑战赛生态）
  └─ GAN/半监督青光眼评估路线（TMI 2019）
下游衍生
  ├─ HiGANCNN Generated Glaucoma（30k 合成，源含 ACRIMA/Drishti-GS/HRF/ORIGA-light/RIM-ONE）
  └─ MM-Retinal-Reason（CFP/OCT 来源之一）
平台分发
  ├─ Figshare article 7613135（官方）
  ├─ Kaggle toaharahmanratul/acrima-dataset
  └─ Kaggle orvile/acrima-glaucoma-assessment-using-fundus-images
综述收录
  └─ Lancet Digital Health 2021 全球眼科影像数据集综述（Spain / 705 / OA）

§9 相关资源与引用

9.1 官方与权威资源

资源	链接
数据（官方短链）	https://figshare.com/s/c2d31f850af14c5b5232
Figshare article	article 7613135
首发论文	https://doi.org/10.1186/s12938-019-0649-y（PMC6425593 / PMID 30894178）
姊妹论文	https://doi.org/10.1109/TMI.2019.2903434
博士论文（细节源）	UPV riunet handle 10251/124351
Kaggle 镜像 1	https://www.kaggle.com/datasets/toaharahmanratul/acrima-dataset
Kaggle 镜像 2	https://www.kaggle.com/datasets/orvile/acrima-glaucoma-assessment-using-fundus-images

9.2 BibTeX 完整引用

@article{diazpinto2019acrima,
  title   = {CNNs for automatic glaucoma assessment using fundus images: an extensive validation},
  author  = {Diaz-Pinto, Andres and Morales, Sandra and Naranjo, Valery and
             K{\"o}hler, Thomas and Mossi, Jose M. and Navea, Amparo},
  journal = {BioMedical Engineering OnLine},
  volume  = {18},
  number  = {29},
  year    = {2019},
  doi     = {10.1186/s12938-019-0649-y}
}

@article{diazpinto2019retinal,
  title   = {Retinal Image Synthesis and Semi-supervised Learning for Glaucoma Assessment},
  author  = {Diaz-Pinto, Andres and Colomer, Adri{\'a}n and Naranjo, Valery and
             Morales, Sandra and Xu, Yanwu and Frangi, Alejandro F.},
  journal = {IEEE Transactions on Medical Imaging},
  volume  = {38},
  number  = {9},
  pages   = {2211--2218},
  year    = {2019},
  doi     = {10.1109/TMI.2019.2903434}
}

@misc{acrima_dataset,
  title        = {ACRIMA: Glaucoma Optic Disc Fundus Database},
  author       = {Diaz-Pinto, Andres and Morales, Sandra and Naranjo, Valery and
                  K{\"o}hler, Thomas and Mossi, Jose M. and Navea, Amparo},
  year         = {2019},
  publisher    = {Figshare},
  howpublished = {\url{https://figshare.com/s/c2d31f850af14c5b5232}}
}

9.3 引用指南

• 引用数据集时注明 Figshare article 7613135 与 CC BY 4.0；
• 引用方法基准时区分 BEO 2019（分类验证） 与 **TMI 2019（合成/半监督）**两篇；
• 使用其图像时按 CC BY 4.0 署名（Diaz-Pinto et al., 2019）。

9.4 存照与待核（双口径冲突逐条）

1. ⚠️ 类别标签互换（最严重）：Eyedatahub 页面写「396 normal + 309 glaucoma」，与 Figshare/论文/PMC/Kaggle 的「396 glaucomatous + 309 normal」相反。本条目采用权威口径 396 青光眼 + 309 正常。
2. ⚠️ 采集机构错误：Eyedatahub 写 “Hospital Clinico San Carlos”，实为 FOM（Fundación Oftalmológica del Mediterráneo）/ FISABIO Oftalmología Médica（Valencia）；San Carlos 是 RIM-ONE 的协作医院之一，疑为跨库混淆。
3. 机构称谓双口径：Diaz-Pinto 博士论文写 “Fundación Oftalmológica del Mediterráneo (FOM)”，Kaggle/GitHub 写 “FISABIO Oftalmología Médica”——同一实体不同称谓（FISABIO 为母基金会）。
4. 图像格式双口径：Lancet 综述 / Kaggle / PeerJ-CS 作 JPEG；openmedlab GitHub 元信息表作 PNG。本条目按 JPEG（多数权威源）。
5. 存储体积双口径：Kaggle 镜像 25.62 MB vs Eyedatahub 0.5 GB——后者疑为含脚本权重整包或误记。
6. Kaggle 镜像 License 不一：toaharahmanratul 标 Unknown，orvile 标 CC BY 4.0；以 Figshare 官方 CC BY 4.0 为准。
7. Figshare API 403：沙箱内 api.figshare.com/v2/articles/7613135 返回 403（环境反爬），未能取得机器可读 license 字段；license 由多源网页互证。
8. 遗留疑点：患者数、年龄、性别、眼别配对均未披露；TMI 姊妹论文的 “86926 images from 14 databases” 是更大语料，非 ACRIMA 本体，切勿混淆；「largest public database for glaucoma diagnosis」为 2019 年自述口径，现已被 REFUGE2/LAG 超越。

9.5 库内互链点（建议）

互链条目	rid	互链理由
drishti-gs	301	同域青光眼视盘基准；ACRIMA 论文 Table 1 对照库之一
refuge	62	同域青光眼眼底挑战赛
refuge2	766	同域多域青光眼挑战赛；分类任务的现代对照
hrf	261	ACRIMA 论文五对照库之一（青光眼眼底）
drive	241	同域眼底影像（血管分割），模态相近

9.6 关键事实的一句话回扣

• 是什么：705 张视盘居中眼底照片的青光眼二分类库（396+309）；
• 从哪来：UPV I3B + FOM/FISABIO（Valencia），两名 8 年经验专家标注；
• 怎么取：Figshare 短链自助下载，CC BY 4.0；
• 怎么用：分类基线、迁移学习、跨库泛化评测、合成增强验证；
• 注意啥：无分割 GT、单中心、无患者元数据、同库高分≠泛化能力。

§10 AI 使用声明卡

10.1 AI 模型列表

本条目由「千方病案医数集」写手代理在人工编排与核验下撰写，事实抽取与交叉核对借助检索与语言模型辅助完成。

10.2 AI 参与范围

• 辅助：从公开一手来源（首发论文 PMC 全文、Figshare 页面、Diaz-Pinto 博士论文、Lancet 综述、Kaggle 页面）抽取硬数字与表述；
• 人工核验：硬数字三源互证，口径冲突逐条存照，查重与许可口径人工确认；
• 不臆造：ACRIMA 未给字母展开则不编造；未披露项（患者数等）标注 NR。

10.3 输入来源列表

来源	用途
BioMedical Engineering OnLine 2019;18:29（PMC6425593）	论文事实、Table 1/4、标注与采集参数
Figshare article 7613135 页面	数据规模、许可、发布日
Diaz-Pinto 博士论文（UPV riunet 10251/124351）	采集机构 FOM、分辨率 2048×1536
Lancet Digital Health 2021 综述（PMC7618278）	国家/图像数/OA 属性
Kaggle 镜像页	命名规则、镜像口径
IEEE TMI 2019;38(9)（White Rose 全文）	姊妹论文、86,926 图像语料

10.4 人工校验表

项	结论
数据集真实性	✅ 多源确证存在
规模数字	✅ 705（396+309）三源一致
许可	✅ CC BY 4.0（Figshare）
机构	✅ FOM/FISABIO（已纠正 Eyedatahub 错误口径）
查重	✅ 库内无同名/别名
存照	✅ 8 条口径冲突/疑点逐条记录

10.5 AI 生成章节标注

§0-§10 全文为基于一手来源的整理与撰写，所有硬数字均标注来源，冲突处显式存照。

10.6 最后人工审核日期

2026-09-30

10.7 核验证据链摘要

待核事实	主张	佐证来源 1	佐证来源 2	佐证来源 3	结论
总图像数	705	Figshare 描述	论文 Table 1	Lancet 综述	✅ 确证
青光眼数	396	Figshare 描述	论文 Table 1	PMC 摘要	✅ 确证
正常数	309	Figshare 描述	论文 Table 1	PMC 摘要	✅ 确证
分辨率	2048×1536	Diaz-Pinto 博士论文	IIETA 述评	PeerJ-CS	✅ 确证
视场	35°	论文正文	博士论文	IIETA	✅ 确证
相机	Topcon TRC	论文正文	Lancet 综述	博士论文	✅ 确证
标注者	2 名/8 年	论文正文	Kaggle readme	PMC10293617	✅ 确证
机构	FOM/FISABIO	博士论文	Kaggle/GitHub	Toxics 2021	✅ 确证（纠 Eyedatahub 错）
许可	CC BY 4.0	Figshare/Eyedatahub 抓取	Kaggle (orvile)	—	✅ 确证
发布日	2019-03-15	Figshare 页面	Eyedatahub	—	✅ 确证
患者数	NR	Lancet 综述	无其他披露	—	⚠️ 未披露

10.8 免责声明

本条目为数据集百科整理，非临床指南、非医疗器械说明、非法律许可意见。数据使用请以 Figshare 官方条款（CC BY 4.0）与原始论文为准；任何临床决策须由执业医师依据完整临床信息作出。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• justraigs — 共享标签：医学影像 / 眼科影像 / 图像分类 / 青光眼 / 评测基准
• origa-light — 共享标签：医学影像 / 眼科影像 / 图像分类 / 青光眼 / 评测基准
• riga — 共享标签：医学影像 / 眼科影像 / 图像分类 / 青光眼 / 评测基准
• g1020 — 共享标签：眼科影像 / 图像分类 / 青光眼 / 评测基准
• dermacon-in — 共享标签：医学影像 / 图像分类 / 评测基准 / 医学问答与基准
• drive — 共享标签：医学影像 / 眼科影像 / 评测基准 / 医学问答与基准
• drions-db — 共享标签：医学影像 / 眼科影像 / 青光眼 / 评测基准
• med-node — 共享标签：医学影像 / 图像分类 / 评测基准 / 医学问答与基准
• nct-crc-he-100k — 共享标签：医学影像 / 图像分类 / 评测基准 / 医学问答与基准
• rfmid — 共享标签：医学影像 / 眼科影像 / 图像分类

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。