信息速览

数据集名称Endoscopic Bladder Tissue Classification Dataset — TURBT 内镜四类膀胱组织分类（1754 图/23 例/CC BY 4.0）

数据类型影像数据,原始数据,人工标注

规模23 例接受 TURBT 的患者（NBI 域仅来自其中 3 例）

接入方式TURBT 手术内镜视频抽帧 PNG（WLI 与 NBI 双域）+ 逐帧注释文件 annotations.csv（帧名/成像类型/组织类型/数据划分）；样本总量 1754 张，四类 HGC 469 / LGC 647 / NST 504 / NTL 134；官方下载包 baldder_tissue_classification.zip（241.2 MB，md5 f507e28908fa73cb01fcfd48e1951675）

AI 就绪度

INFOBOX — bladder-tissue 一屏速览

维度内容

本质 TURBT（经尿道膀胱肿瘤电切）内镜视频抽帧的四类膀胱组织分类数据集（非分割、非检测）

出处 Politecnico di Milano + University of Strasbourg (ICube) + European Institute of Oncology

论文 IEEE TBME, vol. 70, no. 10, pp. 2822-2833, Oct. 2023（doi:10.1109/TBME.2023.3265679；arXiv:2212.11375）

数据 1754 张 PNG 内镜帧 / 23 例 TURBT 患者；分辨率 300×300 至 350×350

双域 WLI（白光）+ NBI（窄带）；NBI 仅来自 3 例患者，其余为 WLI

类别 HGC 469 / LGC 647 / NST 504 / NTL 134（四类，WHO/ISUP 分级）

标注按切除组织组织病理学回溯的帧级标签 + annotations.csv（帧名/域/类/划分）

挑战标注仅在 WLI 域、NBI 域无标注且 unpaired——跨域半监督分类

方法 teacher 网络 + cycle-consistency GAN + multi-input student 网络

结果平均 accuracy 0.90/precision 0.88/recall 0.89；NBI 域 0.92/0.64/0.94（高召回低精度）

获取 Zenodo 公开直链 10.5281/zenodo.7741476（241.2 MB ZIP），无门槛

许可 CC BY 4.0（可商用可再分发，需署名）

库内互链 prostate158、prostatex（同泌尿影像）、slam-3d-endoscopic、autolaparo（内镜/手术视频）

膀胱-tissue 数据集解决的是泌尿外科内镜 AI 里一个纠结已久的现实问题：同一个膀胱，用白光照（WLI）看和用窄带成像（NBI）看，是两套视觉语言。WLI 有充足的病理标注，NBI 几乎没有——而临床恰恰需要 NBI 去发现早期、平坦型的癌变。这个数据集把 23 例 TURBT 手术的内镜视频抽成 1754 张帧，按切除组织的病理报告给每帧贴上四类标签（高级别癌/低级别癌/非可疑组织/无肿瘤病灶），然后交给一个「教师网络 + CycleGAN + 多输入学生网络」的半监督框架去打通两个域。它的价值不在规模（1754 张在影像数据集里属于小体量），而在于它是一份多域、弱监督、小样本、可复现的真实手术数据，CC BY 4.0 一次性公开。

导语读法三则：

只想下数据：直奔 §6 获取与许可——Zenodo 公开直链，241 MB 一个包，无注册无申请，是最省事的类型。
关心方法设计：直奔 §4 任务定义与 §5 半监督跨域方法——「标注只在 WLI、NBI 无配对标注」是这份数据最有嚼头的方法学设定。
要做公平评测：直奔 §7 评估与基准 + §9 避坑清单——注意 NBI 只有 3 例患者、划分口径存疑，用之前先想清楚泛化边界。

§0 导读：这个数据集解决什么问题

0.1 一句核心场景

设想一位泌尿外科医生做经尿道膀胱肿瘤电切（TURBT, Trans-Urethral Resection of Bladder Tumor）：他把内镜伸进膀胱，在屏幕上寻找可疑的黏膜病变。手术室里通常开着白光（WLI, White Light Imaging），看得清轮廓和血管；如果设备支持，切到窄带模式（NBI, Narrow Band Imaging），黏膜表面的微血管和微结构会以蓝绿调高对比度浮现——早期的平坦型病变（比如原位癌）在 WLI 下几乎隐形，在 NBI 下却可能露出马脚。

问题是：AI 只在 WLI 上有标注。论文作者手里有 23 例手术的完整视频，但病理报告（金标准）是逐病灶的，而 NBI 视频只录了其中 3 例。于是任务变成一个典型的跨域半监督分类：在标注充足的 WLI 域训练，迁移到无标注的 NBI 域。

0.2 为什么值得收录进 AI-Ready 数据集

真实手术数据：来自真实 TURBT 手术，非仿真、非合成，帧级标签有组织病理作背书。
多域设定稀缺：同时含 WLI/NBI 双域的内镜分类数据集在公开领域不多见，多域研究可复用。
许可友好：CC BY 4.0，公开直链，无 gated、无申请——AI-ready 光谱上属最省事的一档。
方法有代表性：论文提出的半监督 GAN 跨域框架，是研究「标注稀缺域如何借力标注充足域」的典型范例。

0.3 与相邻概念划清界限

不是膀胱镜视频数据集：它发布的是抽帧后的静态 PNG，不是原始视频流（原始视频未公开）。
不是分割数据集：没有像素级掩码，只有图像级四分类标签。
不是 23 例「膀胱癌患者」的通用队列：全部为接受 TURBT 的患者，偏向已有肿瘤的人群，不能代表普通筛查人群。
不是 NBI 数据集：NBI 只是少数（3 例），主体是 WLI。

0.4 「AI-Ready」三个字的落脚点

「AI-Ready Wikipedia」条目要回答的不只是「这是什么」，更是「拿它能不能直接干活」。用 AI-Ready 的三把尺子量一下：

尺子	本数据集的表现
可获取（Accessible）	Zenodo 公开直链，CC BY 4.0，无注册无申请——满分
可理解（Understandable）	四类定义清晰（WHO/ISUP）、annotations.csv 自描述、配套论文完备——良好
可训练（Trainable）	PNG+CSV 即插即用，但需自行按患者划分、处理不均衡——需少量工程

三条里，「可获取」是它最硬的优势，「可训练」则要求使用者主动规避若干坑（详见 §9）。这也是本条目存在的意义：把「能下载」变成「会用、用对」。

0.5 阅读路径的三种走法

工程路径（要落地）：§2 数据构成 → §6 获取与许可 → §9 避坑清单 → 附录 F 使用清单。
科研路径（要做方法）：§4 任务定义 → §5 半监督跨域方法 → §7 评估与基准 → §8 生态。
决策路径（要判断值不值得用）：INFOBOX → §1 二十问 → §11 总结 + 30 秒决策卡。

§1 数据集速览：二十问二十答

Q1：这个数据集的官方全称是什么？
Endoscopic Bladder Tissue Classification Dataset（内镜膀胱组织分类数据集）。中文语境常音译为「膀胱组织分类数据集」。配套论文标题为 Semi-Supervised Bladder Tissue Classification in Multi-Domain Endoscopic Images。

Q2：谁做的？
米兰理工大学（Politecnico di Milano）+ 斯特拉斯堡大学 ICube 实验室（UMR 7357, CNRS）+ 米兰欧洲肿瘤研究所（European Institute of Oncology, IEO）泌尿外科。一作 Jorge F. Lazo，资深作者含 Elena De Momi、Michel de Mathelin。

Q3：数据规模多大？
1754 张内镜图像，来自 23 例接受 TURBT 的患者。压缩包 241.2 MB。分辨率范围 300×300 至 350×350，PNG 格式。

Q4：分几类？
四类：HGC（High-Grade Cancer，高级别癌，469 张）、LGC（Low-Grade Cancer，低级别癌，647 张）、NST（Non-Suspicious Tissue，非可疑组织，504 张）、NTL（No Tumor Lesion，无肿瘤病灶，134 张，含膀胱炎）。分类体系依据 WHO 与世界泌尿病理学会（ISUP）的膀胱癌分级。

Q5：标注怎么来的？
依据切除组织的组织病理学分析（histopathology analysis of the resected tissue）回溯标注——即用手术标本的病理结论给对应的内镜帧贴标签，属帧级弱监督。

Q6：什么是 WLI 和 NBI？
WLI = White Light Imaging，白光成像，常规内镜模式；NBI = Narrow Band Imaging，窄带成像，用特定波长光增强黏膜表面微血管与微结构对比度，利于发现早期病变。

Q7：NBI 数据有多少？
NBI 视频来自 3 例患者，其余患者均为 WLI。这是数据集跨域挑战的根源，也是使用时的关键局限。

Q8：怎么下载？
Zenodo 公开直链：https://zenodo.org/records/7741476（DOI 10.5281/zenodo.7741476）。文件 baldder_tissue_classification.zip，241.2 MB，md5 f507e28908fa73cb01fcfd48e1951675。无需注册、无需申请。

Q9：许可是什么？
CC BY 4.0（Creative Commons Attribution 4.0 International）——可商用、可再分发，只需署名。

Q10：配套论文发的哪？
IEEE Transactions on Biomedical Engineering（IEEE TBME），vol. 70, no. 10, pp. 2822-2833, Oct. 2023；预印本 arXiv:2212.11375。

Q11：为什么 NBI 只有 3 例？
NBI 是可选模式，需设备支持且术者愿意切换；实际手术中并非所有病例都采集了 NBI 视频。作者在这批手术中仅对 3 例患者录制了 NBI。

Q12：数据集里有没有「正常膀胱」图？
有，NST（非可疑组织）504 张可近似视为「无可疑病变」的样本，NTL（无肿瘤病灶）134 张含膀胱炎等良性改变。但注意它们并非严格的「健康人群」对照。

Q13：这是不是「膀胱癌筛查」数据集？
不是。全部患者均接受 TURBT（即有肿瘤指征），属治疗场景，不是筛查场景。

Q14：能区分原位癌（CIS）吗？
数据集未单列 CIS，CIS 通常归入高级别（HGC）。若研究 CIS 需自行确认标注细节。

Q15：用于商业产品可以吗？
CC BY 4.0 允许商用，但需署名并遵守医疗器械相关法规（数据许可 ≠ 器械合规）。

Q16：有没有中文版说明？
官方无中文版；本条目即为其系统性中文整理。

Q17：和 PANDA（前列腺病理）能比吗？
能作方法论对照，但任务、模态、规模差异大：PANDA 是前列腺 WSI 病理分级（万级切片），本条目是膀胱内镜分类（千级图像）。两者都体现「医学标签质量决定模型上限」的主题。

Q18：数据里有没有患者隐私信息？
发布的是抽帧图像与帧级标签，未见叠加的姓名/病历文本；但内镜图像本身可能含体表或器械信息，使用时应遵守机构伦理要求。

Q19：可以只下载某几类吗？
Zenodo 提供的是单压缩包整体下载，无法按类选择性下载；下载后自行按目录筛类即可。

Q20：如果只想做二分类（肿瘤 vs 非肿瘤）怎么办？
可将 HGC+LGC 合并为「肿瘤」，NST+NTL 合并为「非肿瘤」，但需注意这会改变类别先验，且削弱数据集的分级价值。

§2 数据构成与规格

2.1 规模、来源与机构构成

数据集的核心数字是一组清晰的三元组：1754 张图像 / 23 例患者 / 4 个类别。图像来源为 TURBT（经尿道膀胱肿瘤电切）手术的内镜视频——手术中把膀胱肿瘤切除，同步录像，术后把视频拆成帧，再按切除标本的病理结果给帧贴标签。

机构构成体现了医工交叉：工程侧为米兰理工大学与斯特拉斯堡大学 ICube 实验室（机器人视觉与医学影像方向），临床侧为米兰欧洲肿瘤研究所（IEO）与 Pope John XXIII Hospital 的泌尿外科。资助来自欧盟 Horizon 2020 的 ATLAS 项目（Marie Skłodowska-Curie grant No 813782）与法国 ANR 的 Investissements d’Avenir 计划。

2.2 帧规格与文件组织

格式：PNG（无损，适合医学影像保真）。
分辨率：min 300×300，max 350×350（原始内镜帧分辨率，未见统一 resize 的说明）。
目录结构：解包后为四个类别子目录（HGC/LGC/NST/NTL）+ 一个 annotations.csv。
帧命名：形如 case_002_pt_003_frame_0009.png（case→病例，pt→patient，frame→帧序）；NST 目录下另有 case_6_cys_pt1_0039.png 型命名（cys 提示膀胱炎 cystitis 来源）。
压缩包：baldder_tissue_classification.zip，241.2 MB。注意官方文件名拼写为 baldder（双 d），系 Zenodo 上的拼写错误，引用时保留原样。

2.3 类别体系：四类从何而来

四类标签体系依据 WHO（世界卫生组织）与国际泌尿病理学会（ISUP）的膀胱癌通用分级：

代号	全称（英）	中文	图像数	占比
HGC	High-Grade Cancer	高级别癌	469	26%
LGC	Low-Grade Cancer	低级别癌	647	37%
NST	Non-Suspicious Tissue	非可疑组织	504	29%
NTL	No Tumor Lesion	无肿瘤病灶	134	7.6%

恶性组织按级别分两级（HGC/LGC），非肿瘤类分 NTL（含感染或炎症引起的膀胱炎）与 NST（无可疑组织）。这种「恶性分两级 + 非肿瘤分两类」的划分，直接对应临床医生在屏幕前要做的判断：这块黏膜是癌吗？是哪一级的癌？还是炎症或正常组织？

2.4 分布特征：一个轻微不均衡的四分类

从占比看，LGC（37%）与 NST（29%）构成主体，HGC（26%）次之，NTL 最稀少（7.6%）。最大类（LGC 647）是最小类（NTL 134）的约 4.8 倍——属轻中度不均衡。对分类任务而言，这意味着：

直接用 accuracy 作指标会被多数类主导，少数类 NTL 的表现容易被掩盖；
NTL 类内混合了膀胱炎与其他无肿瘤病灶，视觉异质性高，进一步加大学习难度；
实践中建议报告 macro-F1 或 per-class 指标，并对 NTL 做重采样或加权。

2.5 WLI 与 NBI：一个「不配对」的双域结构

这是本数据集最独特、也最容易踩坑的结构性特征：

WLI 域：覆盖绝大多数患者，标注充足（论文方法即在此域训练）。
NBI 域：仅来自 3 例患者，无标注。
unpaired：WLI 与 NBI 之间没有逐图一一对应的帧——不存在「同一时刻同一视野」的 WLI/NBI 配对样本。

因此，任何试图做 WLI↔NBI 配对的策略（如配对图像翻译）在此都不适用，必须用非配对方法（论文选择了 cycle-consistency GAN）。同时，「NBI 只来自 3 例患者」意味着 NBI 域的多样性极低，用它做跨患者泛化评估会严重乐观。

2.6 文件树与解包后的样子

压缩包解包后，目录结构大致如下（四类子目录 + 一个注释表）：

Endoscopic Bladder Tissue Classification Dataset/
├── HGC/
│   ├── case_002_pt_003_frame_0009.png
│   ├── case_002_pt_003_frame_0022.png
│   └── ...
├── LGC/
│   ├── case_005_pt_001_frame_0000.png
│   ├── case_005_pt_001_frame_0008.png
│   └── ...
├── NST/
│   ├── case_6_cys_pt1_0039.png
│   ├── case_6_cys_pt1_0165.png
│   └── ...
├── NTL/
│   ├── case_002_pt_001_frame_0000.png
│   ├── case_002_pt_001_frame_0010.png
│   └── ...
└── annotations.csv

注：以上文件树为结构化示意（依据 GitHub 数据索引页与官方描述整理），实际文件数量与命名以解包结果为准。

从命名可以看出几条线索：

case_XXX 是病例编号，pt_XXX 是患者编号——同一 case 下可能有多位患者，划分时必须用这两者共同确定患者归属；
frame_XXXX 是帧序号，同一患者的多帧通常来自同一段视频、同一个病灶区域，高度相关；
cys 出现在 NST 目录下的部分文件名中，提示「膀胱炎」来源的帧——印证 NTL/NST 与炎症组织的关联。

2.7 类别语义的边界模糊处

四类看似清晰，实际使用中会遇到若干边界问题，提前知道能少走弯路：

HGC 与 LGC 的分界主观性：WHO/ISUP 分级本身存在观察者间变异，同一病灶不同病理医生可能给出不同级别；数据集采用病理报告的单一口径，意味着它继承了这一固有噪声。
NST 与 NTL 的界限：两者都「非肿瘤」，区别在于 NST 是「非可疑组织」（近似正常/低异型），NTL 是「无肿瘤病灶」（含炎症等病变）。临床上一个偏「正常」，一个偏「良性病变」，但视觉上可能重叠。
单帧多病灶：一张帧里若同时存在多个不同类病灶，帧级单标签无法表达——作者声明「使用了含单一病灶的图像以避混淆」，但边界样本仍可能存在。

理解这些模糊处，有助于在解读模型错误时区分「模型错」与「标签本就模糊」。

2.8 解包与检查的三步实操

拿到 ZIP 后，建议先做三件小事，五分钟内摸清数据底细：

统计各目录文件数：ls HGC | wc -l 等，核对是否为 469/647/504/134，与官方口径比对，确认包完整；
统计 imaging type 分布：读 annotations.csv，按 NBI/WLI 分组计数，确认 NBI 占比极低（3 例患者贡献）；
抽取患者列表：从帧名解析 case/pt 编号，统计唯一患者数是否为 23，并生成「患者 → 帧列表」的映射，为按患者划分做准备。

这三步能提前暴露「包不完整」「NBI 少到无法训练」「同一患者帧分散」等关键问题，避免训练到一半才发现。

2.9 校验与完整性

下载完成后务必核对 md5：f507e28908fa73cb01fcfd48e1951675。若 md5 不符，说明下载中断或文件被改动，应重新下载。

Linux/macOS：md5sum baldder_tissue_classification.zip（macOS 可用 md5）；
Windows：certutil -hashfile baldder_tissue_classification.zip MD5。

校验通过后再解包，避免用损坏的压缩包浪费时间。

§3 标注体系：病理金标准如何变成帧标签

3.1 标注流程的逻辑链

本数据集的标注不是「人看着图像打标签」，而是病理报告的图像回溯，逻辑链如下：

手术中切除可疑病灶（TURBT），标本送病理科；
病理科给出组织学诊断（如「高级别尿路上皮癌」或「慢性膀胱炎」）；
研究者把该患者的病理结论对应回内镜视频中拍摄了该病灶区域的帧；
逐帧贴上对应的组织类型标签（HGC/LGC/NST/NTL）。

这条链路的好处是：标签来自病理这一真正的金标准，而非内镜医生的主观目测。代价是：标签是帧级的、弱监督的——一帧被判为 HGC，是因为该帧所在的病灶区域，其病理为高级别癌，而不是说这一帧里每一个像素都逐点验证过。

3.2 annotations.csv 的四列信息

注释文件逐帧记录四项：

frame name：帧文件名（对应图像）；
imaging type：成像类型（NBI 或 WLI）；
tissue type：组织类型（HGC / LGC / NTL / NST）；
dataset split：所属划分（train / val / test）。

这四列构成了一个紧凑的监督信号矩阵：检索者拿到 CSV 就能直接构建 (图像路径, 类别, 域, 划分) 的元组，无需额外处理。

3.3 弱监督的边界：能做什么、不能做什么

能做：图像级四分类；按成像域分组分析（域内/跨域）；按划分复现论文实验。

不能轻易做：病灶分割（无掩码）；病灶定位（无边界框）；精确的组织比例统计（帧级标签不能反映病灶面积占比）。

要小心做：把标签当作「独立同分布」的样本——同一患者的多帧高度相关，同一病灶的连续帧几乎重复，必须按患者划分才能避免泄漏（见 §9 坑点 3）。

3.4 NTL 类内不纯：一个需要警惕的标签设计

NTL（No Tumor Lesion）官方定义包含「感染或炎症因子引起的膀胱炎（cystitis）以及其他无肿瘤病灶」。这意味着 NTL 不是一类病理实体，而是一个排除性概念——「不是肿瘤的那些」。类内因此可能混有慢性膀胱炎、腺性膀胱炎、肉芽组织、术后改变等多种外观差异极大的组织，加之样本量最小（134），NTL 是整个数据集中最难学、最容易拉低 macro 指标的类。

3.5 与「多专家标注」模式的对照

本数据集的标注走的是「病理报告回溯」路线，而另一类常见做法是「多位专家对内镜图逐一投票」（多专家委员会模式，如一些内镜/病理共识数据集）。两者对比：

维度	病理回溯（本数据集）	多专家投票
金标准强度	高（病理是诊断终审）	中（依赖观察者一致性）
粒度	帧级，病灶整体归属	可做逐图/逐区域
成本	相对低（复用临床病理）	高（需多名专家工时）
观察者间一致性	隐含（病理报告单一结论）	可量化（κ 等）
风险	病灶↔帧对应可能错配	专家分歧难仲裁

病理回溯的优势在于金标准硬，劣势在于「哪一帧真的拍到了这个病灶」是研究者判断的，存在错配风险——这也是帧级弱监督的固有代价。

§4 任务定义：多域半监督分类

4.1 形式化描述

设 WLI 域为 $D_W$，NBI 域为 $D_N$，类别集合 $Y = {\text{HGC}, \text{LGC}, \text{NST}, \text{NTL}}$。任务设定为：

$D_W$ 有完整标注 ${(x_i^W, y_i)}$；
$D_N$ 无标注 ${x_j^N}$，且 $D_W$ 与 $D_N$ 非配对（不存在精确对应帧）；
目标：学习一个分类器，在 $D_W$ 上表现好，同时能迁移到无标注的 $D_N$。

这同时命中三个难点：域偏移（domain shift，WLI 与 NBI 视觉分布不同）、标注稀缺（NBI 无标签）、非配对（不能用配对翻译）。

4.2 为什么这个问题在临床上重要

临床上，NBI 恰恰是发现早期、平坦型病变（如原位癌 CIS）的利器——这些病变在 WLI 下因缺乏隆起和明显血管异常而容易被漏诊。但 NBI 的使用依赖设备支持与术者经验，且缺乏大规模标注。如果能用标注充足的 WLI 去「教会」模型理解 NBI，就等于把 NBI 的诊断能力规模化、自动化。这正是论文方法要回答的问题。

4.3 数据划分的口径（存照）

论文摘要与正文描述训练/验证/测试划分约为 0.7 / 0.2 / 0.1。而后续文献（如 DeepBCTPred）在复述数据时，描述为「先按 9:1 分出测试集，剩余 90% 再按 8:2 分出训练/验证」的两段式流程，等效比例约 0.8 / 0.2 / 0.1。

两者在数值上接近，但流程描述不同，且均未在公开摘要中明示划分是「患者级」还是「帧级」。这一点至关重要：若为帧级随机划分，同一患者的多帧会同时落入 train 与 test，测试性能将被显著高估。检索者使用时应自行按患者重新划分。

4.4 评价协议：论文用了什么指标、该补什么

论文报告 accuracy、precision、recall 三项。这三项在类别不均衡时各有盲区：

Accuracy 会被多数类主导（本数据集 LGC 占 37%），单看它无法反映少数类 NTL 的表现；
Precision / Recall 在多分类下通常按类或按 macro 汇总，论文报告的「整体平均」需要明确是 macro 还是 weighted——公开摘要未细化；
缺失项：论文未强调 per-class、macro-F1、AUC，也未给置信区间。做后续研究时建议补齐这些。

一个稳妥的补充协议：

主指标用 macro-F1（对四个类等权）；
辅以 per-class recall，重点看 NTL；
报告 患者级 bootstrap 置信区间（因样本仅 23 例，点估计方差大）；
若报跨域，分别报 WLI 域与 NBI 域，切勿混报。

4.5 与经典半监督设定的异同

经典半监督分类（如 CIFAR-10 上只用 1000 个标签）假设标注与未标注样本来自同一分布。本数据集不同：

标注只在 WLI，未标注只在 NBI——标注分布 ≠ 未标注分布；
因此它不是纯半监督，而是半监督 + 域适应的复合问题（semi-supervised domain adaptation）。

这个区别决定了方法选择：只用伪标签的半监督方法（不建模域差）在此大概率失效，必须显式处理域偏移——这正是论文引入 CycleGAN 的原因。

4.6 任务的现实意义：把 NBI 的「经验壁垒」降到可复制

NBI 的诊断力高度依赖术者经验：熟练的医生能从微血管形态变化中读出病变，新手则容易看不出来。若能用 WLI（标注充足、几乎所有医院都有）训练的模型去「理解」NBI，就等于把少数专家的经验沉淀为可复制的算法能力。这是本数据集在临床应用层面的核心价值主张——尽管当前 NBI 只有 3 例，离落地还很远，但方向清晰。

§5 半监督跨域方法：教师—GAN—学生三件套

5.1 方法总览

论文提出的框架由三个核心组件构成，形成一个「标注域训练 → 跨域翻译 → 多输入融合」的闭环：

Teacher network（教师网络）：在带标注的 WLI 数据上监督训练，得到一个 WLI 域的强分类器。它既是基线，也是后续为学生网络生成伪标签的「知识源」。
Cycle-consistency GAN（循环一致性生成对抗网络）：执行非配对的图像到图像翻译（unpaired image-to-image translation），把 WLI 帧翻译成 NBI 风格（或反向），从而在无配对样本的情况下建立两个域之间的视觉桥梁。采用 cycle-consistency 约束，保证翻译可逆、内容不丢失。
Multi-input student network（多输入学生网络）：同时接收原始域图像与翻译域图像作为输入，融合两者信息做分类，实现对两个域的鲁棒判别。

5.2 为什么用 CycleGAN 而不是配对翻译

因为数据集是 unpaired 的——没有「同一时刻、同一视野」的 WLI/NBI 配对帧。配对翻译方法（如 pix2pix）依赖成对训练数据，在此不可用。CycleGAN 类的循环一致性方法正是为非配对域翻译设计的：它不需要逐样本对应，只要求「翻译过去再翻译回来 ≈ 原来」，用循环损失约束翻译的保真度。

5.3 合成图像的质量验证：让专科医师当裁判

论文强调对 GAN 生成的合成图像做了定量与定性双重分析，并**借助专科医师（specialists）**进行评估。一个被反复引用的结论是：生成图像的质量「逼真到足以欺骗专科医师」（reliable enough to deceive specialists）。这个说法值得两面看：

正面：说明翻译后的 NBI 风格图像在视觉上接近真实，域对齐有效；
警示：人类都难辨真假，意味着合成图可能携带不易察觉的伪影，若被误当作真实临床图像使用存在风险。生产环境应以原始图像为准，合成图仅用于训练增强。

5.4 方法学的方法学：这个框架能迁移到哪里

教师—GAN—学生的三段式并非膀胱专用。任何满足「一个域有标注、另一个域无标注、且两者非配对」的场景，都可以套用：皮肤镜与病理、CT 与 MRI、白天与夜间监控、不同染色协议的病理切片等。bladder-tissue 因此不只服务于泌尿科，也是跨域半监督方法的一个标准试验台。

5.5 三组件的数据流：一次前向传播的完整叙事

把三个组件串起来看，一次训练/推理的数据流大致如下：

WLI 标注样本进入 teacher 网络，产生 WLI 域的预测与特征；
同一批 WLI 图像进入 CycleGAN 的生成器，被翻译成 NBI 风格图（像素层对齐两个域的外观）；
判别器判断翻译图是否像真实 NBI，反向生成器把翻译图翻回 WLI，循环一致性损失约束「翻过去再翻回来 ≈ 原图」；
student 网络同时接收原始 WLI 与翻译后的 NBI 风格图（多输入），输出统一分类；
在真实 NBI 无标注帧上，student 网络借助域对齐后的表示直接推理。

这条数据流的关键在于：student 网络在训练时「见过」两个域的视觉形态，因此推理时对 NBI 的域偏移更鲁棒——这正是「用大量已标注 WLI 弥补 NBI 无标注」的实现方式。

5.6 教师—学生范式的两个隐含假设

采用 teacher-student 结构，隐含两个假设，值得检索者意识到：

假设一：WLI 上学到的判别知识可迁移到 NBI。 若两个域的组织判别线索根本不同（NBI 依赖微血管形态、WLI 依赖表面轮廓），迁移就会受阻。论文 NBI 域 precision 只有 0.64，正说明迁移并不完美。
假设二：非配对翻译能重建足够真实的域外观。 若 GAN 生成的 NBI 图系统性地偏离真实 NBI 分布，student 学到的「NBI 表示」就是失真的。论文用专科医师评估来缓解这一风险，但人工评估的样本覆盖有限。

5.7 与其他域适应路线的对比

路线	是否需要配对数据	代表性思路	与本文方法的关系
对抗域适应（如 DANN）	否	特征层对齐 + 域判别器	只做特征对齐，不生成图像
图像翻译（CycleGAN 类）	否	像素层对齐，生成目标域图像	本文采用
配对翻译（pix2pix）	是	WLI↔NBI 逐图对应	本数据集 unpaired，不可用
自训练 / 伪标签	否	用教师置信预测打伪标签	与 teacher-student 相通
风格归一化（如 stain norm）	否	直接归一化外观差异	更轻量，但表达力较弱

本文的创新点在图像翻译 + 教师学生的组合：先用生成模型把域差在像素层抹平，再用多输入网络在特征层融合。这一组合在当年的多域内镜分类中具代表性。

5.8 复现这套方法的最小清单

若要从零复现在本数据集上的半监督实验，最小步骤为：

从 Zenodo 下载并解包，按患者重做 WLI 的 train/val/test 划分；
在 WLI 上训练一个 CNN 分类器（teacher，可用 ResNet/EfficientNet）；
训练 WLI→NBI 的 CycleGAN（需 NBI 无标注图作为目标域样本）；
用 teacher 在 WLI 上的预测 + 翻译后的 NBI 训练多输入 student；
在 NBI（3 例患者的帧）上评估，报告 accuracy/precision/recall，并预期低 precision 的跨域表现；
与不做翻译的朴素域适应基线对比，验证翻译的增益。

复现时最容易翻车的两处：(a) 忘记按患者划分导致泄漏；(b) 用帧级指标掩盖了 NTL 少数类的失败。避开这两点，结果才可信。

§6 获取与许可

6.1 一层门：公开直链，无门槛

与许多需要申请或签署协议的医学数据集不同，bladder-tissue 的获取极为直接：

项目	内容
平台	Zenodo
记录页	https://zenodo.org/records/7741476
DOI	10.5281/zenodo.7741476
直链下载	https://zenodo.org/records/7741476/files/baldder_tissue_classification.zip?download=1
文件	baldder_tissue_classification.zip（241.2 MB）
md5	f507e28908fa73cb01fcfd48e1951675
注册要求	无
用途限制	无（CC BY 4.0）
gated	否

6.2 许可：CC BY 4.0 的确切含义

DataCite 元数据明确标注 license 为 Creative Commons Attribution 4.0 International（SPDX 标识符 cc-by-4.0，rightsUri https://creativecommons.org/licenses/by/4.0/legalcode）。这意味着你可以：

商用：无需额外授权；
再分发：可复制、可转存、可二次发布；
改编：可修改、可混入自有数据。

唯一义务是署名（attribution）——需注明数据来源、作者与许可，并标明是否做了修改。

6.3 版本链：仅 v1，无后继

Zenodo 记录为 v1，发布日期 2023-03-16，无 v2/v3，属稳定发布。概念 DOI 与版本 DOI 指向同一记录。检索时无需担心「用错版本」，但也要注意：不存在「更新版」，若你在别处见到标称 v2 或「扩展版」的同名数据，应核对是否第三方非官方改动（见 §9 坑点 6）。

6.4 获取路径的风险提示

优先 Zenodo 官方：Kaggle 等平台存在用户上传的镜像，其许可标注可能不一致（有的标 “Unknown”），且可能是子集或改动版。
校验 md5：下载后务必核对 f507e28908fa73cb01fcfd48e1951675，确认包完整。
注意文件名拼写：官方包名为 baldder_tissue_classification.zip（双 d），搜索时不要因拼写「纠正」而找不到。

6.5 AI-Ready 光谱定位：为什么它属「最省事」一档

用「获取门槛」这把尺子衡量，公开医学数据集可分几档：

档位	特征	典型代表	本条目所处
A. 公开直链	无需注册/申请，许可明确	Zenodo/HF 开放数据集	✅ 最省事
B. 注册后下载	需账号或同意条款	部分 Kaggle 竞赛数据	—
C. 申请制	需邮件/表单+用途说明	PANDA-PLUS 掩码	—
D. 受限访问	需 DUA/伦理审批	MIMIC、TCIA 部分	—

bladder-tissue 属 A 档：Zenodo 公开直链、CC BY 4.0、无 gated。这意味着它可以被自动化流水线直接拉取、直接进训练，无需人工审批环节——对「AI-Ready」而言，这是最理想的状态。

6.6 许可合规的三种实践动作

即便 CC BY 4.0 极为宽松，落地时仍有三件事要做对：

署名：在任何使用该数据的论文、产品、衍生数据集中注明来源（Zenodo 记录 + 作者 + CC BY 4.0）；
标明修改：若做了重标注、裁剪、扩增，需说明「基于原始数据做了何种修改」；
不得误示背书：CC BY 不等于原作者为你的二次使用背书，宣传中不可暗示原团队认可你的结论。

§7 评估与基准

7.1 论文自报结果

论文以 accuracy、precision、recall 三项指标报告半监督方法的效果：

指标	整体平均（overall average）	无标注域 NBI
Accuracy	0.90	0.92
Precision	0.88	0.64
Recall	0.89	0.94

7.2 数字背后的故事：NBI 的「高召回低精度」

上表最值得玩味的是 NBI 域的表现——accuracy 0.92、recall 0.94 都很亮眼，但 precision 骤降到 0.64。用一句话解读：在 NBI 域上，模型几乎不漏掉任何真正的病变（高召回），代价是大量误报（低精度）。

这在域迁移场景中非常典型：当模型面对一个标注缺失、分布不同的域时，伪标签/翻译引入的噪声会让它倾向于「保守地多报」——把不确定的样本也判为阳性。临床翻译是：当作筛查辅助可接受（不漏诊），但绝不能单独作为确诊依据。使用时若对假阳性敏感，需配合复检或阈值调整。

7.3 第三方复现与天花板比较

ViT 对比研究（PMC12092318，Comparative Bladder Cancer Tissues Prediction Using Vision Transformer）：在同一数据集上比较了 Vision Transformer、AlexNet 以及「ResNet18 概率 + 线性 SVM」的深度学习+机器学习混合方案。ViT 输入 resize 至 383×383，AlexNet/DL 输入 227×227，按 0.7/0.2/0.1 划分，并交付了一个可交互的 GUI 应用。该研究表明原始 1754 张在 ViT 上可复现四分类任务。
DeepBCTPred（Bioinformatics Advances, doi:10.1093/bioadv/vbag087）：走手工特征路线——提取 LBP、Haralick 纹理、颜色直方图、SIFT、HOG、ORB、熵、DCT 等特征，用递归特征消除（RFE）选出 512 维，再用遗传算法生成增强图像扩充数据。作者宣称在 recall、specificity、F1 上超越既有 SOTA，并用 Grad-CAM 生成热图提供可解释性。

7.4 评估的注意事项

类别不均衡：报告 accuracy 之外应给 macro-F1 与 per-class 指标，重点看 NTL（最少类）。
划分口径：复现结果对划分方式敏感，务必确认（或重做）患者级划分。
AUC 与置信区间：小样本（1754 张但仅 23 例患者）下，点估计的方差大，建议用患者级 bootstrap 估计置信区间。
跨域评估：若关心 NBI，注意 NBI 仅 3 例患者，跨患者泛化结论不宜外推。

7.5 结果表的读法示例

把论文的两个口径并排看，能读出方法的行为模式：

域	Accuracy	Precision	Recall	解读
整体平均	0.90	0.88	0.89	三项均衡，判别质量稳定
NBI（无标注域）	0.92	0.64	0.94	召回高、精度塌——多报倾向

行为模式：一旦进入无标注的目标域，模型表现出 recall↑ / precision↓ 的钟摆偏移。这是域迁移 + 伪标签噪声叠加的经典表现：模型为了「不漏掉病变」，把大量不确定样本判为阳性，精度因此受损。对临床应用的含义是——可以用它做初筛提示，但不能用它下确诊结论。

7.6 与同期膀胱癌内镜 AI 基准的粗略对照

本数据集并非唯一选择。检索者若要比对，可留意以下维度：

规模：本数据集 1754 图属小体量；一些膀胱镜数据集虽更大但多为单域（WLI）且标注标准不一；
域覆盖：双域（WLI/NBI）是稀缺属性，多数膀胱内镜数据仅 WLI；
金标准：病理回溯背书是亮点，部分数据集仅靠内镜医生目测；
许可：CC BY 4.0 直链在膀胱镜数据集里少见（许多需申请）。

结论：规模不占优，但「双域 + 病理金标准 + 许可友好」的组合使其在方法研究上难以替代。

7.7 基线报告模板（建议）

在论文中报告本数据集结果时，建议用如下最小模板：

Dataset: Endoscopic Bladder Tissue Classification Dataset (Zenodo 7741476)
Split: patient-level, X train / Y val / Z test (patients)
Domains: WLI (labeled), NBI (unlabeled)
Metrics: accuracy, macro-F1, per-class recall (esp. NTL)
Report: mean ± std over N seeds; 95% CI via patient-level bootstrap
Transfer: report WLI and NBI separately

这个模板能一次性堵住「划分不透明」「不均衡掩盖」「单点报数」「跨域混报」四个常见漏洞。

§8 生态与影响

8.1 在膀胱癌 AI 研究中的位置

膀胱癌内镜 AI 的公开数据长期偏少。膀胱镜/内镜数据集多是单域（通常 WLI）且单中心。bladder-tissue 的独特贡献在于把双域（WLI+NBI）、病理级金标准、**多中心（意法合作）**三点结合，且以 CC BY 4.0 无门槛公开。它因此成为多域内镜分类方法的标准对照集之一，被 ViT 对比研究、DeepBCTPred 等后续工作反复引用。

8.2 与其方法谱系的关系

域适应（domain adaptation）：本数据集服务于跨域分类这一域适应子问题。
生成式数据增强：CycleGAN 翻译是「用生成模型弥合域差」的典型，与 DeepBCTPred 的遗传算法增强、GAN 合成数据增强属同一思潮。
半监督学习：教师—学生（teacher-student）范式与伪标签（pseudo-labeling）在半监督中广泛使用，本数据集是其在医学多域场景的一个实例。

8.3 局限与研究方向

规模小：23 例患者的量级，深度模型易过拟合，适合方法验证而非大规模预训练。
NBI 稀缺：仅 3 例，跨域结论脆弱，扩充 NBI 数据是明显的下一步。
弱标签：帧级病理回溯标签，缺少病灶级边界，未来可做像素级标注升级。
可解释性：目前第三方已用 Grad-CAM 探索，但仍缺系统性的可解释性基准。

8.4 库内生态定位

在千方病案医数集的库内，bladder-tissue 处于三条线索的交点：

泌尿影像线：与 prostate158、prostatex 同属泌尿系统影像 AI；前者偏 MRI 分割，本条目偏内镜分类。
内镜/手术视频线：与 slam-3d-endoscopic、autolaparo、miccai-surgt、slam-laparoscopic-motions 共享内镜/腔镜视觉域。
肿瘤病理与分类线：与 luad-histoseg、sth-schisto-eggs、polypdb、cvc-colondb（结直肠息肉）等共享「影像→肿瘤判断」的范式（息肉分类与本条目在方法上高度可迁移）。

8.5 从结直肠息肉到膀胱组织：一条方法迁移链

库内的结直肠息肉数据集（polypdb、cvc-colondb、ldpolypvideo、bkai-igh-neopolyp）与本条目在方法层高度同构：

都是内镜图像分类/检测；
都面临类别不均衡与域偏移（不同设备、不同中心、不同光照）；
都受益于域适应、生成式增强、自监督预训练等手段。

因此，在本库内做「内镜 AI 方法通用性」研究时，膀胱组织分类与结直肠息肉分类可以构成一对跨器官、同范式的对照实验：同一套方法在两个器官上的表现差异，往往能揭示方法对解剖/成像先验的依赖程度。

8.6 对下游任务的外溢价值

除直接分类外，本数据集还可支撑若干外溢研究：

域适应基准：WLI→NBI 是天然的跨域设定，可作域适应方法的评测；
生成式数据增强：可研究合成图对下游精度的增益上限；
标签噪声研究：病理回溯标签的错配风险，可作弱标签噪声的实例；
小样本学习：23 例患者的量级适合 few-shot / meta-learning 实验。

8.7 临床落地的前置条件

若考虑把基于本数据集的方法推向临床，至少需满足：

扩大 NBI 规模：3 例远不足以支撑 NBI 域泛化；
前瞻验证：在未参与训练的新中心、新设备上做前瞻测试；
医生在环：以「辅助提示」而非「自动诊断」的定位切入，保留医生终审；
监管合规：医疗器械软件（SaMD）路径下的数据溯源、算法更新与临床评价要求。

§9 避坑清单：十五个已踩或必踩的坑

坑点 1：把 NBI 当主体，误以为它和 WLI 一样多

症状：以为 1754 张里有一半是 NBI，兴冲冲做双域平衡训练。
真相：NBI 视频仅来自 3 例患者，绝大多数是 WLI。直接按「域」平分采样会严重高估 NBI 可用量。
对策：先按 imaging type 统计帧数，再决定跨域策略；把 NBI 当作稀缺的评测集而非训练主力。

坑点 2：按帧级随机划分，导致数据泄漏

症状：随机把 1754 张按 7:2:1 划分，报告了漂亮的测试精度。
真相：同一患者的多帧、尤其同一病灶的连续帧高度相似，帧级划分会把「几乎相同的图」分到 train 与 test，测试精度被显著高估。公开摘要未明示原划分是患者级还是帧级。
对策：按患者（case/patient id）划分，确保同一患者的帧只出现在一个划分里。这是本数据集使用中的头号红线。

坑点 3：用 accuracy 当主指标，忽略类别不均衡

症状：报一个 0.9 的 accuracy 就收工。
真相：四类占比 26%/37%/29%/7.6%，NTL 最少（134），accuracy 会被多数类主导，少数类表现被掩盖。
对策：报告 macro-F1、per-class recall，并针对性报告 NTL 的指标。

坑点 4：把 NTL 当成一类病理实体

症状：期望 NTL 内部视觉一致、易于聚类。
真相：NTL 是排除性类别（「无肿瘤病灶」），内含感染/炎症性膀胱炎及其他非肿瘤病灶，类内异质性高、样本最少。
对策：分析 NTL 时预期其可分性差；若研究目的是细分，需自行标注子类。

坑点 5：把帧级弱标签当像素级真值

症状：想做病灶分割或病灶面积统计。
真相：数据集只有图像级分类标签，标签来自该患者病灶的病理结论，没有逐像素掩码，也没有病灶边界。
对策：分割/定位任务请换数据集；若要做弱监督定位，需自建方法并谨慎评估。

坑点 6：从非官方镜像下载，许可或内容不一致

症状：从 Kaggle 某镜像下载并标为 CC BY 4.0（或反之标为 Unknown）。
真相：Kaggle 等平台存在用户二次上传，可能是子集、改动版或错误许可标注。
对策：始终以 Zenodo 官方记录为准，下载后核对 md5 f507e28908fa73cb01fcfd48e1951675。

坑点 7：担心「文件名拼错」，找不到正确的包

症状：在 Zenodo 上搜 bladder_tissue_classification.zip 找不到，怀疑记录失效。
真相：官方文件名拼写为 baldder_tissue_classification.zip（baldder，双 d）——这是官方笔误。
对策：用记录页/DOI 访问，按页面上显示的文件名下载，勿按「正确拼写」搜索。

坑点 8：以为划分比例只有一个口径

症状：照搬某篇论文的 0.7/0.2/0.1（或另篇的 0.8/0.2/0.1）复现，结果对不上。
真相：论文口径约 0.7/0.2/0.1，DeepBCTPred 复述为「9:1 再 8:2」的两段式（约 0.8/0.2/0.1）。两者近似但流程不同。
对策：复现时以原论文为准，且明确自己的划分方式；跨文献比较时注明划分差异。

坑点 9：把合成图像当真实临床图像使用

症状：把 GAN 翻译出的 NBI 风格图存进数据集或展示为真实病例。
真相：论文称合成图「逼真到足以欺骗专科医师」——正因如此，它携带的伪影更难被肉眼识别。
对策：合成图只用于训练增强，不进真实数据/展示；任何对外交付的图像须能溯源到原始帧。

坑点 10：忽略临床人群的选择偏倚

症状：把本数据集的结论外推到普通人群的膀胱癌筛查。
真相：23 例全部是已接受 TURBT 的患者（即已有可疑/确诊肿瘤者），属高度选择的临床人群，不反映筛查人群的患病率与图像分布。
对策：结论限定在「TURBT 术中组织分类」语境；筛查场景需另做前瞻验证。

坑点 11：把「23 例」当「23 个独立样本」

症状：做统计检验时把每张图当独立样本，得到极小 p 值。
真相：1754 张图嵌套在 23 例患者内，同患者帧高度相关，有效样本量远小于 1754。
对策：统计推断用患者级聚类或分层 bootstrap，勿按图数计自由度过检。

坑点 12：忽略域内亮度/色彩差异

症状：直接把所有帧混在一起训练，模型学到「设备/光照」而非「组织」。
真相：不同手术、不同设备、不同时段的 WLI 帧在亮度、白平衡、反光上差异显著，可能成为捷径特征（shortcut）。
对策：做颜色归一化/直方图匹配，或按术次分组验证模型的稳健性。

坑点 13：以为「逼真合成图 = 可用数据」

症状：把大量 GAN 合成帧当真实样本扩充训练集，且不做来源标注。
真相：合成图与真实 NBI 存在分布差，过量使用会引入系统性偏差，且一旦混入交付会造成溯源困难。
对策：合成图按用途隔离存储、记录生成参数，训练时可试但须做消融验证其增益。

坑点 14：忽略反光与器械遮挡

症状：模型把内镜反光点、器械边缘当作判别线索。
真相：内镜图像常含高光反射、气泡、器械入镜等伪影，若与某类共现会成为虚假线索。
对策：可视化 Grad-CAM 检查模型关注区域；必要时做反光抑制或掩码伪影区域。

坑点 15：只报「平均」，不报「最差类」

症状：报告一个漂亮的平均指标，掩盖 NTL 上的失败。
真相：NTL 最少且最杂，往往是最差类；平均指标会稀释它的糟糕表现。
对策：显式报告最差类指标与其置信区间，作为模型可用性的下限判断。

§10 DAIMS 数据成熟度评估

DAIMS（Data Asset Maturity and Impact Scoring）从多个维度刻画数据资产的成熟度与影响力。本条目按公开可核信息评估如下：

维度	评分	依据
可发现性（Findability）	高	Zenodo 记录 + DOI（10.5281/zenodo.7741476）+ 概念 DOI；被第三方文献与数据集索引广泛引用
可获取性（Accessibility）	高	公开直链下载，无注册、无申请、无 gated；单包 241.2 MB
互操作性（Interoperability）	中	PNG + CSV + 四类目录，结构清晰；但无标准化 schema（如 DICOM/FHIR），元数据靠 CSV 自描述
可复用性（Reusability）	高	CC BY 4.0（可商用可再分发需署名）；含逐帧标注与划分字段；文件结构即插即用
数据规模（Volume）	低	1754 图 / 23 例，属小体量，适合方法验证而非预训练
标注质量（Annotation Quality）	中高	病理金标准背书（高）；但为帧级弱监督、类内 NTL 不纯、划分口径未完全明示（扣分）
域覆盖（Domain Coverage）	中	含 WLI/NBI 双域（加分）；但 NBI 仅 3 例，域内多样性不足（扣分）
时效性（Freshness）	中	2023 年发布，暂无更新版本；膀胱癌内镜 AI 领域仍在演进
影响力（Impact）	中	被 ViT 对比、DeepBCTPred 等后续工作引用；属该细分领域常用基准之一
合规与伦理（Compliance）	中高	CC BY 4.0 明确；但去标识化流程、伦理审批编号未在数据集页面公开披露

综合定位：「小体量、高可获取、方法导向」的成熟数据集——它的价值不在于规模，而在于多域约束的真实性与许可的友好性。适合作为跨域半监督方法的标准试验台，不适合作为大规模预训练语料。

10.1 逐维度评分说明

可发现性与可获取性为何给高？ Zenodo 记录同时提供数据 DOI 与概念 DOI，DataCite 元数据完整（标题、作者、机构、许可、相关作品一应俱全），且文件公开直链、无 gated。检索者从 DOI 出发能一步到位，无需邮件申请——这是很多临床数据集不具备的。

互操作性为何只给中？ 数据以「PNG 文件 + 扁平 CSV」的形式组织，没有采用 DICOM、FHIR 或 OMOP 等医学标准，也没有附带 JSON-LD 元数据。优点是即插即用（PyTorch/TensorFlow 直接读 PNG），缺点是跨数据集整合时需自行写解析逻辑，且缺少标准化的患者/手术级元数据。

标注质量为何给中高？ 病理金标准背书是最大亮点——标签不是内镜医生的目测，而是切除标本的病理结论。但帧级弱监督（非像素级）、NTL 类内不纯、划分口径未完全明示，三处都扣分。

影响力为何给中？ 被 ViT 对比研究与 DeepBCTPred 等引用，在该细分领域属常用对照集，但尚未达到「领域公认必测基准」的地位（对比之下，PANDA 之于前列腺病理就是必测基准）。

10.2 与库内条目成熟度的横向对照

对照项	bladder-tissue	prostate158	prostatex	autolaparo
规模	1754 图	中等	中等	视频级
模态	内镜 WLI/NBI	MRI	MRI/DWI	腹腔镜视频
许可友好	高（CC BY 4.0 直链）	视条目	视条目	视条目
任务	多域分类	分割	分类/分割	动作/工具
定位	方法试验台	泌尿影像	泌尿影像	手术视频

结论：bladder-tissue 在许可友好度与多域设定上突出，在规模上是弱项。检索者应根据「要方法验证还是大规模预训练」二选一。

§11 总结

11.1 三句话总结

是什么：1754 张 TURBT 内镜帧、23 例患者，按切除组织病理回溯标注为 HGC/LGC/NST/NTL 四类，含 WLI 与 NBI 双域。
难在哪：标注只在 WLI、NBI 无标注且非配对，是典型的跨域半监督分类问题；NBI 仅 3 例使泛化结论脆弱。
怎么用：Zenodo 直链 CC BY 4.0 下载，按患者划分、用 macro-F1 评估、合成图只作训练增强。

11.2 适合谁

研究多域/域适应医学图像分类的方法学者；
开发膀胱癌内镜计算机辅助诊断的工程团队；
做半监督学习 / 生成式数据增强的算法研究者；
需要真实手术数据 + 病理金标准做小样本实验的临床研究者。

11.3 不适合谁

想要大规模预训练语料的团队（1754 张太少）；
需要像素级分割掩码的任务（本数据集只有图像级分类标签）；
需要原始手术视频流的研究（视频未公开）；
希望做普通人群筛查外推的团队（人群高度选择）。

11.4 30 秒决策卡

如果你的需求是…	结论
下载一个小而干净的四分类内镜数据集	✅ 直接用（Zenodo 直链）
研究 WLI↔NBI 跨域迁移	✅ 首选基准之一
训练分割模型	❌ 换数据集（无掩码）
大规模自监督预训练	❌ 规模不足
可商用的医学影像数据	✅ CC BY 4.0 允许（需署名）
复现论文精度	⚠️ 先确认患者级划分与指标口径

11.5 一句话给不同角色

给临床研究者：这是一份能让你「看见膀胱镜 AI 现状」的真实手术数据，但别指望它直接临床落地。
给算法研究者：这是多域半监督的一个干净试验台，规范使用能出可信结论。
给数据工程：这是 CC BY 4.0 公开直链的范本，拿来就能进流水线，前提是补上患者级划分。
给决策者：它证明「标注资产（病理）可以被复用为 AI 训练信号」，这是医疗数据价值释放的一条现实路径。

§12 常见误解澄清

误解一：这是膀胱癌的「早筛」数据集。
正解：全部患者均接受 TURBT（已有肿瘤指征），是治疗场景数据，不是筛查数据。

误解二：数据里 NBI 和 WLI 一样多。
正解：NBI 仅来自 3 例患者，主体是 WLI。

误解三：有像素级标注，能做分割。
正解：只有图像级四分类标签，无分割掩码。

误解四：1754 张 = 1754 个独立样本。
正解：嵌套在 23 例患者内，独立样本量远小于 1754。

误解五：CC BY 4.0 意味着不用署名。
正解：可商用可再分发，但必须署名并标明是否修改。

误解六：论文精度可以直接当产品性能。
正解：论文精度受划分口径、测试集构成影响，产品性能需前瞻验证。

误解七：合成图可以当真实数据展示。
正解：合成图仅用于训练增强，不得作为真实病例展示或交付。

误解八：四类标签可以随意合并成二分类而不影响结论。
正解：合并（如 HGC+LGC 为肿瘤）会改变类别先验并削弱分级价值，需在方法中显式说明。

误解九：NBI 的 precision 低说明方法完全失败。
正解：低 precision 是该域迁移设定下的结构性现象（高召回多报），应结合应用目标判断是否可接受。

误解十：这是中文数据集。
正解：图像与标注均为英文命名，官方无中文版；本条目是其中文系统性整理。

12.1 用法小结：三条底线

把上述误解浓缩成三条不可逾越的底线：

划分必须患者级——否则一切精度数字都不可信；
指标必须覆盖少数类——否则 NTL 的失败会被平均掩盖；
合成与真实必须可溯源分离——否则数据血缘与合规都会出问题。

守住这三条，bladder-tissue 就是一份可用、可信、可复现的方法试验台。

FAQ（高频问答 50 问）

A. 基础认知

A1. 这个数据集的官方名字是什么？
Endoscopic Bladder Tissue Classification Dataset。

A2. 它和「膀胱癌数据集」是一回事吗？
不完全。它是内镜图像分类数据集，标签含癌（HGC/LGC）与非癌（NST/NTL）四类，不是单纯的膀胱癌阳性/阴性二分类。

A3. 图像是从哪来的？
TURBT（经尿道膀胱肿瘤电切）手术的内镜视频，逐帧抽取为 PNG。

A4. 一共多少张图、多少患者？
1754 张图，23 例患者。

A5. 分哪几类？各多少张？
HGC 469、LGC 647、NST 504、NTL 134，共四类 1754 张。

A6. HGC 和 LGC 是什么？
High-Grade Cancer（高级别癌）与 Low-Grade Cancer（低级别癌）——WHO/ISUP 膀胱癌分级体系下的两个恶性级别。

A7. NST 和 NTL 是什么？
NST = Non-Suspicious Tissue（非可疑组织）；NTL = No Tumor Lesion（无肿瘤病灶，含膀胱炎）。

A8. WLI 和 NBI 是什么？
WLI = 白光成像（常规内镜）；NBI = 窄带成像（增强黏膜表面微血管/微结构对比，利于早期病变）。

A9. 分辨率是多少？
300×300 至 350×350（PNG）。

A10. 图像是彩色的吗？
是，内镜 RGB 彩色帧。

B. 数据与获取

B1. 在哪下载？
Zenodo：https://zenodo.org/records/7741476 。

B2. DOI 是什么？
10.5281/zenodo.7741476。

B3. 压缩包多大？
241.2 MB，文件名 baldder_tissue_classification.zip。

B4. md5 是多少？
f507e28908fa73cb01fcfd48e1951675。

B5. 需要注册或申请吗？
不需要，公开直链。

B6. 许可是什么？能商用吗？
CC BY 4.0，可商用、可再分发，需署名。

B7. 有没有更新版本？
只有 v1（2023-03-16 发布），无后续版本。

B8. 有原始手术视频吗？
没有，只发布了抽帧 PNG。

B9. Kaggle 上的版本能用吗？
可用但需谨慎：优先 Zenodo 官方源，避免许可/内容不一致的镜像。

C. 数据与标注

C1. 注释文件叫什么？
annotations.csv。

C2. 注释里有哪些字段？
帧名、成像类型（WLI/NBI）、组织类型（HGC/LGC/NST/NTL）、划分（train/val/test）。

C3. 标签是怎么定的？
按切除组织的组织病理学分析回溯——病理报告作为金标准。

C4. 有几种成像域？
两种：WLI 与 NBI。NBI 仅来自 3 例患者。

C5. WLI 和 NBI 是配对的吗？
不是，unpaired——没有逐帧一一对应。

C6. 划分比例是多少？
论文口径约 0.7/0.2/0.1；第三方复述为 9:1 再 8:2（约 0.8/0.2/0.1）。

C7. 是患者级还是帧级划分？
公开摘要未明确，务必自行按患者划分以避免泄漏。

C8. 有分割掩码吗？
没有，只有图像级分类标签。

D. 方法与结果

D1. 论文方法的核心是什么？
teacher 网络 + cycle-consistency GAN + multi-input student 网络的半监督跨域框架。

D2. 为什么用 CycleGAN？
因为 WLI/NBI 是非配对数据，配对翻译方法不可用。

D3. 论文报告的精度是多少？
平均 accuracy 0.90 / precision 0.88 / recall 0.89；NBI 域 0.92 / 0.64 / 0.94。

D4. 为什么 NBI 的 precision 那么低？
跨域伪标签噪声下模型倾向高召回、高误报（保守多报）。

D5. 有哪些后续工作用过这个数据集？
ViT 对比研究（PMC12092318）、DeepBCTPred（Bioinformatics Advances）等。

D6. 合成图像可靠吗？
论文称逼真到足以欺骗专科医师——因此只宜用于训练增强。

E. 局限与使用

E1. 最主要的使用风险是？
帧级划分导致数据泄漏；应按患者划分。

E2. 能用来做筛查外推吗？
不能，人群是已接受 TURBT 的患者。

E3. 类别不均衡严重吗？
轻中度：最大类 647 是最小类 134 的约 4.8 倍。

E4. 适合预训练吗？
不适合，规模太小。

E5. 适合做什么？
跨域半监督方法验证、膀胱癌内镜分类基线、生成式增强研究。

F. 工程与复现细节

F1. 用什么框架读数据最方便？
PNG + CSV 结构，PyTorch 的 ImageFolder 或自定义 Dataset 均可直接读；关键是划分要用患者级。

F2. 类别标签怎么编码？
建议映射为 0-3（如 HGC=0, LGC=1, NST=2, NTL=3），并保存映射表到实验记录。

F3. 需要图像归一化吗？
建议做基础归一化（ImageNet 均值方差或数据集自身统计），内镜图像亮度/色偏差异较大，归一化有助稳定训练。

F4. 数据增强能用吗？
可以，但要注意内镜图像的翻转/旋转可能破坏解剖方位语义；颜色抖动对跨域研究要谨慎（可能抹掉 WLI/NBI 域差本身）。

F5. 要不要做 resize？
视模型而定：ViT 常 resize 到 383×383，AlexNet/ResNet 常 resize 到 224/227。原始仅 300-350，放大到 383 会插值，注意记录。

F6. 小样本容易过拟合怎么办？
用强正则（dropout、weight decay）、迁移学习（ImageNet 预训练）、交叉验证，并优先报告置信区间而非单点。

F7. NBI 无标注怎么评估？
只能在 NBI 帧上做推理并人工核对，或留出极少量 NBI 标注做小规模验证——但样本太少，结论慎用。

F8. 能不能把它和别的内镜数据集合并训练？
可以，但类别体系、分辨率、成像协议不同，需先统一标签空间与预处理，并单独评估防止域混淆。

F9. 复现论文结果的最大障碍是？
划分口径（患者级/帧级不明确）与随机性；建议多种子重复并报告均值±标准差。

F10. 有官方代码吗？
数据集页面未附官方训练代码链接；论文描述了方法，复现需自行实现或参考第三方开源实现。

事实清单（硬事实 40 条）

官方数据集名：Endoscopic Bladder Tissue Classification Dataset。
Zenodo record：7741476；DOI 10.5281/zenodo.7741476。
发布机构：Politecnico di Milano / University of Strasbourg (ICube) / IEO。
图像总数：1754 张。
患者总数：23 例。
类别数：4（HGC/LGC/NST/NTL）。
HGC 图量：469。
LGC 图量：647。
NST 图量：504。
NTL 图量：134。
占比：26% / 37% / 29% / 7.6%。
成像域：WLI 与 NBI。
NBI 患者数：3 例。
图像格式：PNG。
分辨率范围：300×300 至 350×350。
压缩包大小：241.2 MB。
压缩包文件名：baldder_tissue_classification.zip（官方拼写，双 d）。
压缩包 md5：f507e28908fa73cb01fcfd48e1951675。
注释文件：annotations.csv。
License：CC BY 4.0。
发布版本：v1；日期 2023-03-16。
配套论文：IEEE TBME vol.70 no.10 pp.2822-2833, Oct. 2023。
论文 DOI：10.1109/TBME.2023.3265679。
预印本：arXiv:2212.11375（v1 2022-12-21；v2 2023-03-17）。
方法组件：teacher network + cycle-consistency GAN + multi-input student network。
论文平均结果：acc 0.90 / prec 0.88 / rec 0.89。
NBI 域结果：acc 0.92 / prec 0.64 / rec 0.94。
划分口径（论文）：约 0.7/0.2/0.1。
资助：H2020 MSCA No 813782；ANR-11-LABX-0004；ANR-10-IAHU-02。
分类依据：WHO 与 ISUP 膀胱癌分级体系。
任务性质：多域（WLI/NBI）半监督图像分类。
NBI 域无标注且与 WLI 非配对。
论文第三方复现含 ViT、AlexNet、ResNet18+SVM。
DeepBCTPred 用手工特征 + RFE + 遗传算法增强。
数据集无像素级分割掩码。
数据集未公开原始手术视频。
划分的患者级/帧级归属未在公开摘要明示。
NTL 类含膀胱炎（cystitis）等炎症病灶。
获取方式：Zenodo 公开直链，无 gated。
数据集仅 v1，无后续版本。

术语表（40 条）

TURBT（Trans-Urethral Resection of Bladder Tumor）：经尿道膀胱肿瘤电切术。
WLI（White Light Imaging）：白光成像。
NBI（Narrow Band Imaging）：窄带成像。
HGC（High-Grade Cancer）：高级别癌。
LGC（Low-Grade Cancer）：低级别癌。
NST（Non-Suspicious Tissue）：非可疑组织。
NTL（No Tumor Lesion）：无肿瘤病灶。
Cystitis：膀胱炎。
WHO：世界卫生组织。
ISUP（International Society of Urological Pathology）：国际泌尿病理学会。
Histopathology：组织病理学。
Cystoscopy：膀胱镜检查。
Endoscopy：内镜检查。
Unpaired：非配对（两域无一一对应样本）。
Domain shift：域偏移。
Domain adaptation：域适应。
Semi-supervised learning：半监督学习。
Pseudo-labeling：伪标签。
GAN（Generative Adversarial Network）：生成对抗网络。
CycleGAN：循环一致性生成对抗网络。
Cycle consistency：循环一致性。
Image-to-image translation：图像到图像翻译。
Teacher network：教师网络。
Student network：学生网络。
Multi-input network：多输入网络。
Grad-CAM：梯度加权类激活映射（可解释性方法）。
RFE（Recursive Feature Elimination）：递归特征消除。
FP / FN：假阳性 / 假阴性。
Macro-F1：对各类 F1 取算术平均，对少数类敏感。
Accuracy：总体准确率，类别不均衡时易虚高。
Precision（精确率）：预测为正的样本中真正为正的比例。
Recall（召回率）：真正为正的样本中被找出的比例。
Specificity（特异度）：真正为负的样本中被正确识别的比例。
Confusion matrix：混淆矩阵。
Patient-level split：患者级划分（同一患者只入一个划分）。
Data leakage：数据泄漏（训练集混入与测试同源的样本）。
Class imbalance：类别不均衡。
Bootstrap CI：自助法置信区间。
Transfer learning：迁移学习。
Interpolation：插值（图像缩放时的像素估计）。

附录

附录 A：条目信息速查卡

项目	内容
slug	bladder-tissue
官方名	Endoscopic Bladder Tissue Classification Dataset
规模	1754 图 / 23 例 / 4 类
域	WLI + NBI（NBI 3 例）
分辨率	300×300 – 350×350
获取	Zenodo 直链（无门槛）
许可	CC BY 4.0
论文	IEEE TBME 2023（arXiv:2212.11375）
库内互链	prostate158(703)、prostatex(554)、slam-3d-endoscopic(82)、autolaparo(313)

附录 B：DAIMS 评估全表

见 §10。综合定位：小体量、高可获取、方法导向的成熟数据集；适合跨域半监督方法验证，不适合大规模预训练。

附录 C：类别分布明细表

代号	全称	中文	图量	占比	说明
HGC	High-Grade Cancer	高级别癌	469	26%	恶性，高级别
LGC	Low-Grade Cancer	低级别癌	647	37%	恶性，低级别（最大类）
NST	Non-Suspicious Tissue	非可疑组织	504	29%	无可疑病变
NTL	No Tumor Lesion	无肿瘤病灶	134	7.6%	含膀胱炎，类内最杂、最少
—	合计	—	1754	100%	—

附录 D：来源与核验 URL

Zenodo 官方记录：https://zenodo.org/records/7741476
DataCite 元数据（license）：https://api.datacite.org/dois/10.5281/zenodo.7741476
论文（arXiv）：https://arxiv.org/abs/2212.11375
论文（IEEE DOI）：https://doi.org/10.1109/TBME.2023.3265679
第三方复现（ViT 对比）：https://pmc.ncbi.nlm.nih.gov/articles/PMC12092318/
第三方复现（DeepBCTPred）：https://academic.oup.com/bioinformaticsadvances/article/doi/10.1093/bioadv/vbag087/8541987
优秀医学数据集索引：https://github.com/xxxmian/Awesome-Medical-Dataset/blob/main/resources/Endoscopic_Bladder_Tissue_Classification.md

附录 E：建议互链点（库内条目 + rid）

prostate158（rid 703/704）——前列腺 MRI 分割，同属泌尿系统影像。
prostatex（rid 554）——前列腺癌 DWI/MRI，泌尿肿瘤影像。
slam-3d-endoscopic（rid 82）——内镜 3D SLAM，共享内镜视觉域。
autolaparo（rid 313）——腹腔镜手术视频，共享手术视频域。
miccai-surgt（rid 83）——手术工具跟踪。
luad-histoseg（rid 861）——肿瘤组织分割，共享肿瘤病理范式。
polypdb（rid 779）/ cvc-colondb（rid 142）——结直肠息肉分类，方法高度可迁移。
slam-laparoscopic-motions（rid 762）——腹腔镜运动。

说明（R012）：本条目 frontmatter 的 relatedLink 字段仅保留本条目自身 URL 占位（https://www.qianfanghub.com/ai-ready-dataset/bladder-tissue/915），不写任何说明文字；上述血缘对照、消歧说明与互链理由一律写在本节正文。发布后由主会话统一重建家族导航。

附录 F：使用清单（落地 checklist）

[ ] 从 Zenodo 官方下载并核对 md5。
[ ] 读取 annotations.csv，统计 imaging type 分布。
[ ] 按患者 id 重做 train/val/test 划分。
[ ] 报告 macro-F1 与 per-class 指标（重点 NTL）。
[ ] 若用 NBI 域评估，注明仅 3 例患者、结论不外推。
[ ] 合成图像仅用于训练增强，不进交付数据。
[ ] 署名并注明 CC BY 4.0 与是否修改。

附录 G：硬数字速查表

数字	含义
1754	图像总数
23	患者总数
469	HGC 图量
647	LGC 图量
504	NST 图量
134	NTL 图量
3	NBI 域患者数
4	类别数
300×300 – 350×350	分辨率范围
241.2 MB	压缩包大小
0.90 / 0.88 / 0.89	论文平均 acc/prec/rec
0.92 / 0.64 / 0.94	论文 NBI 域 acc/prec/rec
~0.7/0.2/0.1	论文划分口径
2023-03-16	Zenodo 发布日期
2023-10	IEEE 正式刊出

附录 H：一页速读（TL;DR）

一句话：23 例 TURBT 手术的 1754 张 WLI/NBI 内镜帧，四类组织标签（病理金标准），CC BY 4.0 公开。
最强点：真实手术数据 + 病理标签 + 双域（WLI/NBI）+ 公开直链。
最弱点：规模小、NBI 仅 3 例、帧级弱标签。
最该防：按患者划分（防泄漏）、报 macro-F1（防不均衡掩盖）、合成图只作增强。
怎么拿：Zenodo 10.5281/zenodo.7741476，241.2 MB。
给谁用：跨域半监督/域适应方法研究者、膀胱癌内镜 CAD 团队。

维度	内容
本质	TURBT（经尿道膀胱肿瘤电切）内镜视频抽帧的四类膀胱组织分类数据集（非分割、非检测）
出处	Politecnico di Milano + University of Strasbourg (ICube) + European Institute of Oncology
论文	IEEE TBME, vol. 70, no. 10, pp. 2822-2833, Oct. 2023（doi:10.1109/TBME.2023.3265679；arXiv:2212.11375）
数据	1754 张 PNG 内镜帧 / 23 例 TURBT 患者；分辨率 300×300 至 350×350
双域	WLI（白光）+ NBI（窄带）；NBI 仅来自 3 例患者，其余为 WLI
类别	HGC 469 / LGC 647 / NST 504 / NTL 134（四类，WHO/ISUP 分级）
标注	按切除组织组织病理学回溯的帧级标签 + `annotations.csv`（帧名/域/类/划分）
挑战	标注仅在 WLI 域、NBI 域无标注且 unpaired——跨域半监督分类
方法	teacher 网络 + cycle-consistency GAN + multi-input student 网络
结果	平均 accuracy 0.90/precision 0.88/recall 0.89；NBI 域 0.92/0.64/0.94（高召回低精度）
获取	Zenodo 公开直链 10.5281/zenodo.7741476（241.2 MB ZIP），无门槛
许可	CC BY 4.0（可商用可再分发，需署名）
库内互链	prostate158、prostatex（同泌尿影像）、slam-3d-endoscopic、autolaparo（内镜/手术视频）