Name: BUS-UCLM: Breast Ultrasound Lesion Segmentation Dataset
Creator: Universidad de Castilla-La Mancha (UCLM)
Published: 2025
License: https://creativecommons.org/licenses/by/4.0/

信息速览

数据集名称BUS-UCLM — 西班牙 UCLM 683 张乳腺超声病灶分割数据集（38 患者/419 正常-174 良性-90 恶性/CC BY 4.0）

数据类型人工标注,影像数据,原始数据

规模38

接入方式Mendeley Data (BUS-UCLM, DOI 10.17632/7fvgj4jsp7.3) url: https://data.mendeley.com/datasets/7fvgj4jsp7/3

AI 就绪度

BUS-UCLM — 西班牙 UCLM 乳腺超声病灶分割数据集

一句话速览：BUS-UCLM 是一份 2025 年发布的乳腺超声（BUS）病灶分割数据集，含 683 张来自 38 位患者的图像（419 正常 / 174 良性 / 90 恶性），配原始 PNG 与三分类彩色掩膜，CC BY 4.0 可商用，并附完整的匿名化、标注绘制、COCO 导出与患者级划分脚本。

维度	内容
官方全名	BUS-UCLM: Breast Ultrasound Lesion Segmentation Dataset
缩略/别名	BUS-UCLM
一句话定位	西班牙 UCLM 发布的乳腺超声病灶分割基线数据集
数据类型	乳腺超声（B-mode）二维图像 + 三分类分割掩膜
图像规模	683 张
患者规模	38 位
类别构成	419 正常 / 174 良性 / 90 恶性
采集时间	2022–2023 年
采集机构	Hospital General de Ciudad Real（西班牙）
超声设备	Siemens ACUSON S2000™
图像分辨率	约 856 × 606 像素（各图略有差异）
标注方式	两位资深乳腺影像放射科医师共识标注
掩膜编码	绿 = 良性，红 = 恶性，黑 = 背景/正常
主要任务	病灶分割（主）/ 三分类（辅）
许可	CC BY 4.0（可商用）
存储体积	约 321 MB（7fvgj4jsp7-1.zip）
官方数据页	Mendeley Data DOI 10.17632/7fvgj4jsp7.3
论文	Scientific Data 2025;12(1):242
代码仓	github.com/noeliavallez/BUS-UCLM-Dataset
库内互链	busi、bus-bra、oasbud

§0 E-E-A-T 审核与免责声明

E-E-A-T（经验、专业、权威、可信）声明

经验（Experience）：本条目在撰写前核验了数据集的三类一手来源——Mendeley Data 官方数据页（DOI 10.17632/7fvgj4jsp7.3）、Scientific Data 数据描述论文（DOI 10.1038/s41597-025-04562-3）与官方 GitHub 代码仓（noeliavallez/BUS-UCLM-Dataset），并交叉比对了 Hugging Face 镜像与第三方目录站的信息。
专业（Expertise）：条目聚焦乳腺超声影像 AI 的工程与研究场景，围绕数据构成、标注体系、任务定义、评估口径与使用坑点展开，力求对训练与评测决策有直接参考价值。
权威（Authoritativeness）：所有硬数字（683 张、38 患者、419/174/90、321 MB、SHA-256 等）均标注来源，凡遇第三方与官方口径冲突，一律以官方来源为准并在正文中留痕。
可信（Trustworthiness）：条目明确区分「已核实事实」与「待核疑点」，对未能一级核实的项不臆断、不补全，并给出可复现的核验路径。

医疗免责声明：本条目仅为数据集的技术与元数据解读，不构成任何医学诊断、治疗或临床决策建议。模型输出需经具备资质的医师复核，不得直接用于患者诊疗。

技术免责声明：本条目描述的数据规模、划分与基线性能均以官方发布为准。第三方镜像、衍生数据集或社区实现的字段与口径可能不同，引用前请以官方页面为准。

数据使用合规声明：BUS-UCLM 采用 CC BY 4.0 许可，允许商用与再分发，但须保留署名与许可声明。使用者应自行确保其使用场景符合当地法规与伦理要求，严禁用于再识别或侵害患者权益的用途。

§1 数据集概览

§1.0 30 秒速览

BUS-UCLM 解决的是一个非常具体的问题：在缺乏高质量、许可开放、类别标注完整的乳腺超声分割数据集时，研究者如何拿到一份既能直接训练、又能合规发布的基线数据。 它的答案是——683 张来自 38 位患者的真实临床乳腺超声图像，每一张都配一张三分类彩色掩膜（绿=良性、红=恶性、黑=背景），整套采用 CC BY 4.0 许可。

如果你是第一次接触这个数据集，请记住三件事：

它是「病灶分割为主、分类为辅」的数据集。掩膜是像素级的，分类标签可以从掩膜颜色反推，也可以直接使用官方给出的患者级类别。
它包含大量正常病例。419 张正常图（占比约 61%）让它有别于许多「只收病灶」的 BUS 数据集，这对训练一个能区分「有病/没病」的模型至关重要。
它是西班牙单一中心数据。38 位患者全部来自西班牙 Ciudad Real 综合医院、使用同一台 Siemens 超声设备，这既是它的可用性优势（成像条件统一），也是它的最大局限（泛化性存疑）。

§1.1 这个数据集是什么

按官方描述，BUS-UCLM 是一份乳腺超声病灶分割数据集（Breast Ultrasound Lesion Segmentation Dataset）。它由西班牙卡斯蒂利亚-拉曼恰大学（Universidad de Castilla-La Mancha，UCLM）主导构建，采集自 Ciudad Real 综合医院（Hospital General de Ciudad Real）的真实临床乳腺超声检查。

数据集的核心构成是一一对应的图像—掩膜对：

原始图像：从临床 DICOM 文件转换而来的 PNG 灰度乳腺超声图，已去除元数据中的患者标识信息。
分割掩膜：同一尺寸的 PNG 彩色掩膜，用颜色编码病灶性质——绿色代表良性病灶，红色代表恶性病灶，黑色代表背景或正常组织。

换言之，掩膜既承载了「病灶在哪里」的空间信息，也承载了「这个病灶是良性还是恶性」的类别信息。这使得同一份数据可以同时服务于分割任务（用颜色阈值转二值掩膜）与分类任务（按颜色或按患者级标签）。

§1.2 它为什么值得关注

在乳腺超声 AI 研究中，数据获取长期是个瓶颈。BUSI（780 张）、BUS-BRA（1875 张/1064 患者）等公开数据集各有侧重，而 BUS-UCLM 的定位介于二者之间：

数据集	图像数	患者数	类别构成特点
BUSI	780	—	437 良性 / 210 恶性 / 133 正常
BUS-BRA	1875	1064	大规模、多类别
BUS-UCLM	683	38	419 正常 / 174 良性 / 90 恶性
UDIAT Dataset B	163	—	109 良性 / 54 恶性
RODTOOK	144	—	57 良性 / 87 恶性
OASBUD	200	—	100 良性 / 100 恶性

从上表可以看出，BUS-UCLM 最突出的特点是纳入了大量正常病例（419 张），而非像许多早期数据集那样只收病灶区域。在真实筛查场景中，绝大多数受检者是正常的，一个只会「在病灶中二选一」的模型无法应对正常样本——BUS-UCLM 从数据层面正视了这个问题。

此外，它附带了完整的辅助脚本（匿名化、标注绘制、COCO 导出、患者级划分），显著降低了从下载到可训练数据集的工程成本。

§1.3 它不是什么

为避免误用，以下几点需要明确：

它不是多中心数据。全部图像来自西班牙单一医院、单一设备，不能用于宣称模型具备跨中心泛化能力。
它不是大规模数据集。683 张、38 位患者在深度学习标准下偏小，训练深层网络时需谨慎防过拟合。
它不是预设好训练/测试划分的数据集。官方并未强制固定划分，划分脚本给出的是可复现的患者级划分建议，而非唯一标准答案。
它不是临床级标注的「金标准」数据集。标注由两位放射科医师共识完成，质量较高，但仍属研究用途，未经多中心病理复核的全面验证。

§1.4 谁应该用它

你的角色	这条数据对你的价值
医学图像分割研究者	可直接用于训练/评测 BUS 分割模型，掩膜可用颜色阈值快速转二值
乳腺影像 AI 工程师	三分类掩膜 + 患者级划分脚本，适合做分类与分割的多任务学习
临床研究者	大量正常病例，适合研究「正常 vs 病灶」的实际筛查分布
数据合规审查者	CC BY 4.0 明确可商用，可放心纳入合规数据集清单
教学与课程设计者	规模适中、结构清晰，适合作为医学图像分割教学的案例数据

§1.5 阅读路线

想快速判断要不要用 → §1 概览 + §7 质量评估与局限性
想知道数据长什么样 → §3 数据集规格 + §4 数据结构
想知道怎么划分和训练 → §5 划分与使用建议 + §6 AI 就绪指南
想知道怎么引用与合规 → §6 许可与获取 + §9 相关资源与引用
想知道有哪些坑 → §6.5 坑点清单
想评估数据质量得分 → §7.7 DAIMS 评估全表

§2 医学与影像背景

§2.1 乳腺超声为什么是筛查主力

乳腺超声（Breast Ultrasound, BUS）在乳腺疾病筛查与诊断中扮演着与钼靶（mammography）互补的角色。它的核心优势有三：

致密型乳腺的补充。亚洲与年轻女性中致密型乳腺比例较高，钼靶在致密腺体上灵敏度下降，而超声不受腺体密度影响，能更清晰显示其中的病灶。
无电离辐射。超声不涉及 X 射线，适合孕期、哺乳期女性以及需要反复随访的病例。
实时、低成本、可及性高。超声设备普及率高，检查成本远低于 MRI，适合作为基层筛查与随访手段。

正因为这些优势，乳腺超声成为临床中采集量极大的影像模态之一——这也意味着它有潜力沉淀出规模可观的数据资源，前提是数据能够被规范地整理与开放。

§2.2 BI-RADS 与病灶判读逻辑

临床乳腺超声判读通常遵循 BI-RADS（Breast Imaging Reporting and Data System）分级体系。放射科医师会综合病灶的若干形态学特征给出评估分级：

特征	倾向良性	倾向恶性
形状	椭圆形、圆形	不规则
边缘	边界清晰、光滑	毛刺状、成角、微小分叶
内部回声	均匀、无回声	低回声、回声不均
后方回声	无改变或增强	后方衰减
纵横比	平行于皮肤（宽 > 高）	非平行（高 > 宽）
钙化	无或粗大钙化	微钙化

BUS-UCLM 的标注虽然最终以二分类（良性/恶性）掩膜形式呈现，但其判读逻辑正是建立在这一临床评估框架之上——两位放射科医师正是依据这类形态学证据达成共识的。

§2.3 病灶分割在 AI 中的意义

在「图像 → 诊断」的 AI 流水线中，分割与分类承担不同职责：

**分割（segmentation）**回答「病灶在哪里、有多大」，输出像素级掩膜。
**分类（classification）**回答「这是良性还是恶性」，输出类别标签。

二者结合的研究价值在于：

可解释性：分割结果让模型决策有了可视化的空间依据，医师能看到模型「看的是哪里」。
形态学量化：从掩膜可以提取面积、周长、形状紧致度等特征，与临床形态学判读直接对应。
级联建模：先用分割定位病灶，再对病灶区域做精细分类，往往比直接整图分类更稳健。

BUS-UCLM 同时提供分割掩膜与类别信息，正是为了支持这类级联或多任务建模。

§2.4 乳腺超声的成像挑战

乳腺超声 AI 的难，很大程度来自成像本身的特性：

斑点噪声（speckle noise）：超声固有的相干性噪声，使图像呈颗粒状，信噪比低。
低对比度：病灶与周围组织的灰度差异可能很小，尤其是等回声病灶。
阴影与增强伪影：后方回声衰减、声影等会掩盖真实边界。
探头压力与角度依赖：同一病灶在不同切面、不同压力下形态差异明显。
边界模糊：良恶性病灶的边界常不锐利，导致标注本身存在一定主观性。

这些特性解释了为什么乳腺超声分割至今仍是一个开放问题——即便是常规的 U-Net 类模型，在 BUS 上的 Dice 也常落在 0.6–0.8 区间。

§2.5 BUS-UCLM 在临床数据谱系中的位置

把 BUS-UCLM 放回乳腺影像数据的整体谱系，它的定位会更清晰：

模态维度：它属于超声（BUS），与钼靶（如 INBreast、VinDr-Mammo）、MRI（如 Duke-Breast-MRI）互补。
任务维度：它以分割为主，兼具分类信息，而非纯分类数据集。
规模维度：它属于中小规模，介于 UDIAT Dataset B（163）与 BUSI（780）之间，与 RODTOOK、OASBUD 量级相近。
开放性维度：它采用 CC BY 4.0，在 BUS 数据集中属于许可最宽松的一档，这是它的重要竞争力。

§2.6 乳腺超声公开数据集横向对比

下表汇总了本条目参考资料中出现的若干 BUS 公开数据集（数据以各自官方/常见口径为准）：

数据集	图像数	患者数	良性	恶性	正常	主要任务
BUSI	780	—	437	210	133	分割 + 分类
BUS-BRA	1875	1064	—	—	—	分类/检测
BUS-UCLM	683	38	174	90	419	分割（主）+ 分类
UDIAT Dataset B	163	—	109	54	0	分类
RODTOOK	144	—	57	87	0	分类
OASBUD	200	—	100	100	0	分类

读表要点：

正常病例是 BUS-UCLM 的差异点。表中多数数据集只收病灶（良/恶），而 BUS-UCLM 有 419 张正常图。
患者数远小于图像数。683 张图像仅来自 38 位患者，平均每位约 18 张，说明同一患者存在多个切面/多帧图像——这直接决定了划分必须按患者而非按图像进行（见 §5）。
规模不是它的卖点，可用性与许可是。它用中等规模换取了更宽松的许可与更完整的类别结构。

§3 数据集规格

§3.0 官方身份与命名

项目	内容
官方全名	BUS-UCLM: Breast Ultrasound Lesion Segmentation Dataset
缩写	BUS-UCLM
命名拆解	BUS = Breast UltraSound；UCLM = Universidad de Castilla-La Mancha
数据托管	Mendeley Data
最新版本	V3（DOI 10.17632/7fvgj4jsp7.3）
论文	Scientific Data 2025;12(1):242，DOI 10.1038/s41597-025-04562-3
代码仓	github.com/noeliavallez/BUS-UCLM-Dataset

命名说明：BUS-UCLM 中的 UCLM 指卡斯蒂利亚-拉曼恰大学，是该数据集的主导机构。这一命名方式与 BUS-BRA（BRA = Brazil，巴西）类似，都以「模态前缀 + 机构/地域后缀」构成，属于 BUS 数据集命名的常见范式。

§3.1 图像数量与患者数

项目	数值
图像总数	683 张
患者总数	38 位
平均每人图像数	约 18 张

关键提醒：683 张图像 ≠ 683 个独立病例。38 位患者平均贡献约 18 张图像，这意味着图像之间存在显著的患者内相关性。任何按图像随机划分的做法都会导致同一患者的图像同时出现在训练集与测试集，造成性能高估（数据泄漏）。这是使用本数据集时最容易犯、后果也最严重的错误。

§3.2 类别构成

类别	图像数	占比
正常（normal）	419	约 61.3%
良性（benign）	174	约 25.5%
恶性（malignant）	90	约 13.2%
合计	683	100%

分布解读：

正常病例占多数。这与真实筛查场景中「大多数受检者无病灶」的先验一致，是 BUS-UCLM 相比纯病灶数据集更贴近临床的一点。
恶性病例最少。仅 90 张恶性图，若单独用于恶性检测会面临明显的小样本问题；建议与良性合并为「有病灶」大类，或采用重采样/加权损失策略。
良性:恶性 ≈ 1.9:1。在有病灶的 264 张图中，良恶性比例约 1.9:1，尚未到极端不平衡，但仍需在评估时报告每类指标，而不仅是总体准确率。

§3.3 采集机构与设备

项目	内容
采集医院	Hospital General de Ciudad Real（西班牙 Ciudad Real 综合医院）
主导机构	Universidad de Castilla-La Mancha（UCLM）
超声设备	Siemens ACUSON S2000™
采集时间	2022–2023 年

为什么设备信息重要：单一设备意味着图像在像素间距、动态范围、后处理风格上高度一致。这降低了模型的学习难度（无需处理跨设备域偏移），但也意味着模型可能过拟合到这台设备特有的成像「指纹」上。跨设备部署时，性能下降是可预期的。

§3.4 图像分辨率与格式

项目	内容
原始格式	DICOM（临床导出）
发布格式	PNG（去标识化后）
典型分辨率	约 856 × 606 像素
色彩	灰度（原始图）/ RGB（彩色掩膜）
元数据	已剥离直接标识符

分辨率注意事项：856 × 606 是典型值，各图可能略有差异。在构建训练流水线时，应当：

显式检查每张图的尺寸，而非假设统一。
采用 resize 或 padding 统一到网络输入尺寸（常见 256×256 或 512×512）。
若采用 resize，图像与掩膜必须使用同一插值策略：图像用双线性/双三次，掩膜用最近邻，否则会引入插值伪影污染标签。

§3.5 掩膜编码规范

这是使用 BUS-UCLM 时最需要精确掌握的技术细节：

掩膜颜色	RGB 近似值	含义
绿色	约 (0, 255, 0)	良性病灶区域
红色	约 (255, 0, 0)	恶性病灶区域
黑色	(0, 0, 0)	背景 / 正常组织

从彩色掩膜到训练标签的转换：

二值分割标签（病灶 vs 背景）：将绿色和红色都视为前景（1），黑色视为背景（0）。
三分类分割标签：绿=1（良性），红=2（恶性），黑=0（背景），得到 3 类分割问题。
良恶性二分类分割：仅在有病灶区域内区分红绿，可先做病灶检测再分类。

重要提醒：官方掩膜是 RGB 彩色图，不能直接当作单通道标签使用。必须先按颜色阈值做映射，得到一个整数标签图。Hugging Face 镜像在处理时正是把这种 RGB 掩膜「塌缩」成了二值 L-mode 灰度图，这是镜像派生的处理，并非官方原始形态。

§3.6 标注流程与质量

项目	内容
标注者	两位资深乳腺影像放射科医师
标注模式	共识（consensus）标注
恶性确认	经活检（biopsy）病理确认
标注粒度	像素级病灶轮廓

质量评估：

优势：由放射科专家而非众包人员完成；恶性病例有病理金标准支撑；共识模式减少了单人主观偏差。
局限：仍属单中心标注，未见到多中心交叉复核的公开记录；病灶边界的模糊性使得即便是专家之间也存在一定标注变异（inter-observer variability）。

§3.7 数据体积与完整性

项目	内容
压缩包大小	约 321 MB
压缩包文件名	7fvgj4jsp7-1.zip
SHA-256	7cb15270f1a2c920b4cd89122acc5dd399eae0fe545893a44596676225ac313e
下载直链	prod-dcd-datasets-cache-zipfiles.s3.eu-west-1.amazonaws.com/7fvgj4jsp7-1.zip

完整性校验建议：下载后务必用 SHA-256 校验压缩包，与上表比对。若使用 curl 直取 S3 缓存直链遇到 403，请改用 Mendeley Data 页面正常下载（见坑 3）。

命令行校验示例：

# 校验下载包完整性（Linux / macOS）
sha256sum 7fvgj4jsp7-1.zip
# 期望输出以 7cb15270f1a2c920b4cd89122acc5dd399eae0fe545893a44596676225ac313e 开头

§3.8 目录结构

官方发布的压缩包解开后，主要包含三类内容：

原始图像：PNG 格式的乳腺超声图，按患者或类别组织。
分割掩膜：与图像同名的彩色掩膜 PNG。
辅助脚本：匿名化、标注绘制、COCO 导出、患者级划分等工具脚本。

使用建议：先阅读官方 GitHub 仓的 README，确认当前版本的文件组织方式，因为不同版本（V1→V3）之间可能存在目录结构差异。

§3.9 元数据字段概览

官方数据本体以图像文件形式提供，元数据主要体现在文件命名与随附脚本中。在使用时通常需要自行构建如下的记录表：

字段	类型	说明
image_id	字符串	图像唯一标识
patient_id	字符串	患者标识（匿名化后）
class_label	字符串	正常 / 良性 / 恶性
image_file	字符串	原始图像文件路径
mask_file	字符串	对应掩膜文件路径

Hugging Face 镜像在此基础上额外派生了若干字段，如 resolution、has_doppler、has_marks、has_combined 等，用于描述图像特性。需要强调的是：这些派生字段并非官方原始元数据，而是镜像方根据图像内容推断的辅助信息，跨来源比对数字时须注意区分（见坑 6）。

§3.10 版本演进

版本	DOI 后缀	状态	备注
V1	7fvgj4jsp7.1	已发布	初版
V2	7fvgj4jsp7.2	未确认	官方页面未明确标注日期
V3	7fvgj4jsp7.3	当前版本	Published 2025-01-27

版本使用建议：引用时务必写明版本号（如 .3），因为 DOI 不同版本指向不同快照。若你的论文声称复现结果，审稿人可能会要求说明具体使用的版本。

§4 数据结构与格式

§4.0 数据组织总览

BUS-UCLM 的数据组织围绕「图像—掩膜」成对结构展开。理解这一点，就理解了整个数据集的骨架：

每一张原始 PNG 图像，都有且仅有一张同名（或可对应）的掩膜 PNG。
掩膜与图像尺寸完全一致，逐像素对齐。
类别信息编码在掩膜颜色中，也可由文件命名/随附清单还原为患者级标签。

这种设计的优点是简单直接、无需数据库即可使用；代价是元数据以隐式方式散布在文件名中，使用前通常需要写脚本解析并构建索引表。

§4.1 图像与掩膜的对齐

对齐性是分割数据集的生命线。BUS-UCLM 的图像与掩膜满足逐像素对齐，但在实际使用中仍需注意：

分割前先配对。构建 dataloader 时，务必按 image_id 严格配对图像与掩膜，避免错位。
预处理保持同步。任何几何变换（resize、crop、flip、rotate）都必须同时作用于图像与掩膜。
插值策略区分。图像用插值类方法，掩膜用最近邻，避免在类别边界产生「半绿半红」的无效像素。

一个最小可用的配对与校验示例：

import os
from PIL import Image

def pair_files(img_dir, mask_dir):
    """按文件名主干配对图像与掩膜，并校验尺寸一致。"""
    pairs = []
    for name in sorted(os.listdir(img_dir)):
        if not name.lower().endswith(".png"):
            continue
        stem = os.path.splitext(name)[0]
        mask_path = os.path.join(mask_dir, name)
        if not os.path.exists(mask_path):
            raise FileNotFoundError(f"missing mask for {name}")
        img = Image.open(os.path.join(img_dir, name))
        msk = Image.open(mask_path)
        if img.size != msk.size:
            raise ValueError(f"size mismatch for {stem}: {img.size} vs {msk.size}")
        pairs.append((stem, img.size, img.mode, msk.mode))
    return pairs

§4.2 掩膜解析

由于掩膜是 RGB 彩色图，使用前必须先做颜色到类别的映射。下面是三种常见目标标签的转换方法。

方法一：二值分割标签（病灶 vs 背景）

import numpy as np
from PIL import Image

def to_binary_mask(mask_path):
    m = np.array(Image.open(mask_path).convert("RGB"))
    r, g, b = m[..., 0], m[..., 1], m[..., 2]
    # 红色（恶性）或绿色（良性）均视为前景
    fg = ((r > 128) & (g < 128)) | ((g > 128) & (r < 128))
    return fg.astype(np.uint8)

方法二：三分类分割标签（背景/良性/恶性）

def to_multiclass_mask(mask_path):
    m = np.array(Image.open(mask_path).convert("RGB"))
    r, g, b = m[..., 0], m[..., 1], m[..., 2]
    label = np.zeros(m.shape[:2], dtype=np.uint8)      # 0 = 背景/正常
    label[(g > 128) & (r < 128)] = 1                    # 1 = 良性（绿）
    label[(r > 128) & (g < 128)] = 2                    # 2 = 恶性（红）
    return label

方法三：按掩膜反推患者/图像类别

def infer_class_label(mask_path):
    label = to_multiclass_mask(mask_path)
    if (label == 2).any():
        return "malignant"
    if (label == 1).any():
        return "benign"
    return "normal"

注意：上述阈值（128）是经验值。官方掩膜虽用纯色绘制，但 PNG 压缩与重采样可能引入边缘过渡像素。生产环境中建议先统计各图掩膜的实际颜色分布，再确定稳健的阈值，并在流水线中加入「无有效前景像素」的异常检查。

§4.3 COCO 格式导出

对于目标检测或实例分割类研究，官方提供了将掩膜导出为 COCO JSON 的辅助脚本。COCO 格式的典型结构包含：

字段	含义
images	图像列表，含 id、file_name、width、height
annotations	实例标注，含 image_id、category_id、segmentation、area、bbox
categories	类别定义，如 benign、malignant

使用要点：

COCO 的 category_id 需与你的模型配置一致，导出后建议核对一次类别映射表。
segmentation 字段通常是多边形或 RLE，其坐标基准与图像原始分辨率相关，若你做了 resize，需同步缩放标注。
若同一张图有多个病灶，需确认导出脚本是否正确产生多条 annotation，而非只用最大连通域。

§4.4 辅助脚本清单

官方 GitHub 仓（noeliavallez/BUS-UCLM-Dataset）提供了四个核心脚本：

脚本	作用
anonymize.py	DICOM 匿名化与去标识处理
draw_annotations.py	将标注叠加绘制到图像上，用于可视化核查
extract_coco_annotations.py	从掩膜提取并导出 COCO JSON
prepare_partitions.py	生成患者级训练/测试划分

推荐使用顺序：

anonymize.py：若你从 DICOM 一手处理，先匿名化。
draw_annotations.py：抽查若干张，肉眼确认标注质量。
extract_coco_annotations.py：按需导出 COCO。
prepare_partitions.py：生成可复现的患者级划分。

依赖版本提醒：脚本对以下库的版本较敏感，建议按官方 README 锁定版本，避免因 API 变更导致脚本报错：

opencv-python==4.10.0.84
scikit-image==0.23.2
pycocotools==2.0.8

§4.5 与 Hugging Face 镜像的字段差异

社区在 Hugging Face 上提供了 BUS-UCLM 的镜像（如 MedOtter/BUS-UCLM），以 Parquet 格式重新组织了数据。其字段集通常包括：

镜像字段	说明	是否为官方原始
image	图像二进制	是（形态改写）
mask	掩膜二进制	是（已塌缩为二值 L-mode）
image_id	图像标识	是
patient_id	患者标识	是
class_label	类别标签	是
resolution	图像分辨率	派生
has_doppler	是否含多普勒	派生
has_marks	是否含标记	派生
has_combined	是否含组合图	派生

关键差异：镜像把官方的 RGB 三分类掩膜「塌缩」成了二值 L-mode 灰度掩膜。这意味着从镜像拿到的掩膜无法再区分良性/恶性区域——如果你需要良恶性信息，必须回到官方原始彩色掩膜，或至少使用镜像的 class_label 字段在图像级别区分。这是选择数据来源前必须想清楚的一点。

§5 划分与使用建议

§5.0 核心原则：必须按患者划分

这是本文档最想强调的一条：BUS-UCLM 的划分必须以患者为单位，绝不可按图像随机划分。

原因已在 §3.1 说明——683 张图来自 38 位患者，平均每位约 18 张。若按图像随机划分，同一患者的图像会同时进入训练集和测试集，模型只需「记住」这位患者的成像特征就能在测试集上拿高分。这种数据泄漏会让报告的性能指标严重失真，且无法复现于真正的新患者。

一个反直觉但重要的推论：本数据集的「有效样本量」接近 38 而非 683。做统计功效分析或置信区间估计时，应以此为基准。

§5.1 官方建议划分

官方 prepare_partitions.py 脚本生成的是患者级划分。Hugging Face 镜像文档中提到的一种可用方案是：

集合	患者数	说明
训练集	33 位	用于模型训练
测试集	5 位	用于最终评测

测试集的 5 位患者可对应若干患者前缀标识（如 COPE、ANFO、ELCO、CRCI、FLKA 等，具体以官方脚本输出为准）。

需要明确的是：官方并未强制固定唯一划分。脚本给出的是可复现的划分方法，而非「标准答案」。因此：

在论文中报告结果时，必须写明你使用的划分方式与随机种子。
若要与他人结果对比，务必确认双方使用的是同一划分。
更严谨的做法是采用交叉验证（如留一患者法或 5 折患者级交叉验证），报告均值与标准差。

针对不同研究目标，推荐如下策略：

研究目标	推荐划分
快速基线验证	33/5 患者级单次划分（官方建议）
论文级结果报告	5 折患者级交叉验证 + 均值±标准差
小样本稳健评估	留一患者交叉验证（38 折，成本高）
类别平衡敏感	分层患者级划分，保证各折良恶性比例接近

分层划分的实现思路：先将 38 位患者按其主要病灶类别分组（正常主导/良性主导/恶性主导），再在各组内随机分配，使训练集与测试集的类别分布尽量一致。

§5.3 类别不均衡处理

面对 419/174/90 的分布，处理策略取决于任务：

分割任务：

正常图像没有病灶前景，直接参与分割训练会产生大量「全背景」样本。两种处理方式：
- 只在有病灶的图像上训练分割模型，另用分类模型处理正常/异常判别。
- 保留正常图，但采用 Dice + 交叉熵的复合损失，或使用 Tversky/Focal 类损失缓解前景稀疏。

分类任务：

三分类下，恶性仅 90 例。可采用：
- 类别加权损失（weight 反比于类别频率）。
- 对恶性类做数据增强（旋转、翻转、弹性形变）。
- 合并为二分类（有病灶/无病灶），再在病灶内二次分类。

评估任务：

必须同时报告 macro 平均与 per-class 指标（每类 Dice/敏感度/特异度）。
仅报告总体准确率会掩盖少数类（恶性）上的性能缺陷。

§5.4 数据增强建议

乳腺超声的增强应尊重成像物理特性，避免引入不真实样本：

增强方式	推荐度	说明
水平翻转	高	解剖上左右镜像合理
小角度旋转（±15°）	中	探头角度本就可变
亮度/对比度微调	中	模拟增益差异
弹性形变	中	模拟组织形变，但需控制强度
随机裁剪/缩放	中	注意保持病灶完整
垂直翻转	低	上下颠倒不符合解剖
强色彩扰动	不推荐	超声是灰度模态

注意：任何几何增强都必须同步作用于掩膜，且掩膜使用最近邻插值。

§5.5 常见误用清单

误用	后果	正确做法
按图像随机划分	数据泄漏，性能虚高	按患者划分
掩膜直接当单通道标签	标签全是噪声	先做颜色→类别映射
resize 掩膜用双线性	类别边界被污染	掩膜用最近邻
只报总体准确率	少数类缺陷被掩盖	报 per-class 指标
用 HF 镜像掩膜做良恶性分割	良恶性信息已丢失	用官方彩色掩膜
声称跨中心泛化	数据仅单中心，结论不成立	明确限定为单中心结果
忽略正常图的全背景问题	损失被稀疏前景主导	采用复合损失或分离任务

§6 许可与获取

§6.0 许可概要

项目	内容
官方许可	CC BY 4.0（Creative Commons Attribution 4.0）
是否可商用	是
是否可再分发	是
是否可修改	是
义务	保留署名与许可声明，标注是否修改

CC BY 4.0 意味着：你可以自由地共享（复制、分发）与改编（修改、转换、基于其创作）本数据集，甚至用于商业目的，条件是给出适当的署名、提供许可链接，并说明是否做了修改。

署名建议格式：

Vallez N, Bueno G, Deniz O, et al. BUS-UCLM: Breast Ultrasound Lesion
Segmentation Dataset (Version 3). Mendeley Data, 2025.
DOI: 10.17632/7fvgj4jsp7.3. License: CC BY 4.0.

§6.1 三个获取途径

途径一：Mendeley Data（官方主渠道）

地址：https://data.mendeley.com/datasets/7fvgj4jsp7/3
优点：官方版本，含完整元数据与 SHA-256 校验值，版本可控。
建议：优先使用此途径，便于引用与复现。

途径二：官方 GitHub 仓

地址：https://github.com/noeliavallez/BUS-UCLM-Dataset
提供：辅助脚本、README 说明、LICENSE.md。
注意：代码仓通常不承载大数据本体，主要用于获取脚本与说明。

途径三：Hugging Face 镜像

优点：Parquet 格式，便于直接用 datasets 库加载。
缺点：掩膜已被塌缩为二值，派生字段非官方原始。
建议：用于快速原型验证可行，正式研究仍建议回归官方原始数据。

§6.2 版本链

版本	DOI	状态
V1	10.17632/7fvgj4jsp7.1	已发布
V2	10.17632/7fvgj4jsp7.2	存在但日期未确认
V3	10.17632/7fvgj4jsp7.3	当前版本，2025-01-27 发布

时间线要点：

2022–2023：临床采集。
2024：标注与数据整理。
2025-01-27：Mendeley V3 发布。
2025 年内：两篇论文发表（Scientific Data 数据描述论文 + Physica Medica 相关论文）。
2026-03-14：GitHub README 更新。

§6.3 引用与致谢

主引用（数据描述论文）：

Valléz N, et al. BUS-UCLM: A breast ultrasound lesion segmentation dataset.
Scientific Data. 2025;12(1):242. DOI: 10.1038/s41597-025-04562-3

数据引用：

BUS-UCLM (Version 3). Mendeley Data. DOI: 10.17632/7fvgj4jsp7.3

致谢要点：建议在论文中同时引用论文与数据 DOI，并说明所使用的具体版本号。

§6.4 资助信息

项目	内容
资助机构	Ministerio de Ciencia, Innovación y Universidades（西班牙）
Grant ID	PID2021-127567NB-I00
附加资助	NextGenerationEU / PRTR

§6.5 坑点清单

以下是使用 BUS-UCLM 时最容易踩的坑，按「问题—后果—解法」四段式整理。

坑 1：按图像随机划分导致数据泄漏

问题：683 张图来自 38 位患者，同一患者有约 18 张图像。若用 train_test_split 直接按图像划分，同一患者的图会同时进入训练与测试集。
后果：模型「记住」患者特征，测试 Dice 虚高（可能从真实 0.68 虚高到 0.9+），论文结论无法在新患者上复现。
解法：严格按 patient_id 分组划分；使用官方 prepare_partitions.py；论文中报告划分方式与随机种子。

坑 2：把 RGB 彩色掩膜直接当单通道标签

问题：掩膜是 RGB 图（绿=良性、红=恶性、黑=背景）。若直接 Image.open(mask) 并送入网络作为标签，得到的通道数与标签值均不符合分割损失函数的期望。
后果：损失计算错误、训练不收敛，或静默地学到错误映射。
解法：先按颜色阈值映射到整数标签图（见 §4.2），再用于训练；并在可视化中抽检若干张确认映射正确。

坑 3：Mendeley S3 缓存直链 curl 可能返回 403

问题：直接 curl 官方给出的 S3 缓存直链（prod-dcd-datasets-cache-zipfiles.s3.eu-west-1.amazonaws.com/…）有时会返回 403 Forbidden。
后果：自动化下载脚本失败，误以为数据集已下线。
解法：改用 Mendeley Data 官方页面手动或通过页面提供的下载按钮获取；若必须脚本化，改用 Mendeley 页面 API 或等待缓存刷新后重试。

坑 4：许可存在双口径标注（官方 CC BY 4.0 vs 第三方 CC BY-NC 3.0）

问题：官方来源（Mendeley 页面、GitHub LICENSE.md、论文、HF 镜像）一致标注为 CC BY 4.0；但部分第三方目录站（如 NKI-MedTech-AI/breast-ultrasound-openhub 与 SonoDQS 目录）将其标注为 CC BY-NC 3.0（禁止商用）。
后果：若依据第三方标注，可能错误地放弃商用，或反之在合规审查中产生争议。
解法：以官方 CC BY 4.0 为准。本条目 license 字段已标注冲突并指向此处。若你的机构合规流程要求「以最严格口径为准」，请自行与官方确认后再决定。

坑 5：Hugging Face 镜像掩膜丢失良恶性信息

问题：HF 镜像将官方 RGB 三分类掩膜塌缩为二值 L-mode 灰度掩膜。
后果：若基于镜像做「良性 vs 恶性」的像素级分割，实际上根本无法区分两类，实验从起点就是错的。
解法：需要良恶性像素信息时，使用官方原始彩色掩膜；若只需「病灶 vs 背景」，镜像可用。

坑 6：镜像派生字段被误当作官方元数据

问题：HF 镜像的 has_doppler、has_marks、has_combined、resolution 等字段是镜像方根据图像内容推断的派生字段，并非官方原始元数据。
后果：在论文或数据卡片中把它们当作官方标注引用，造成事实错误。
解法：引用元数据时只使用官方来源；引用镜像派生字段时明确标注「镜像派生」。

坑 7：忽略正常病例造成的全背景掩膜问题

问题：419 张正常图没有病灶，其掩膜为纯黑（全背景）。在分割训练中若不加处理，这些样本对前景学习无贡献，却会稀释损失。
后果：模型倾向于预测全背景，病灶召回率下降。
解法：采用 Dice+CE 或 Tversky/Focal 复合损失；或采用「先分类正常/异常，再对异常图做分割」的级联方案。

坑 8：用单一中心数据声称泛化能力

问题：数据全部来自西班牙 Ciudad Real 综合医院、同一台 Siemens ACUSON S2000 设备。
后果：模型可能过拟合该机构的成像风格，在其他医院数据上性能显著下降；若论文声称「泛化良好」则属过度解读。
解法：明确限定结论范围为「单中心」，讨论局限性；如需泛化评估，应引入外部数据集（如 BUSI、BUS-BRA）做跨集测试。

§7 质量评估与局限性

§7.0 评估框架说明

本节的评估围绕三个层次展开：

数据本身的质量：规模、类别结构、标注可靠性、完整性。
数据作为 AI 资源的就绪度：可用 DAIMS（Data & AI Maturity Scorecard）框架逐项打分。
已知偏倚与局限：人口统计学偏倚、临床偏倚、技术偏倚。

需要提醒的是，任何评估都是相对于「使用目的」而言的。BUS-UCLM 用作分割基线是称职的，用于宣称跨中心泛化则是不足的——评估结论必须配有场景限定。

§7.1 数据规模评估

维度	表现	评价
图像数（683）	中小规模	足够做基线，不足以训练大模型从头学习
患者数（38）	偏小	有效样本量小，统计功效受限
类别覆盖	正常/良性/恶性齐全	结构完整，优于纯病灶集
每患者图像数	约 18 张	患者内相关性强，划分需谨慎

结论：BUS-UCLM 适合作为迁移学习/微调的基线数据集，或用于方法学验证与消融研究；不适合作为大规模预训练数据。对于 683 张的规模，从 ImageNet 或医学大规模数据预训练后微调是更现实的路线。

§7.2 标注质量评估

维度	表现	评价
标注者资质	两位资深乳腺影像放射科医师	高
标注模式	共识	高（降低单人偏差）
恶性金标准	活检病理确认	高
边界精度	专家手绘，存在固有模糊	中（超声固有）
多中心复核	未见公开记录	待补

评价：标注质量在本领域属中上水平。专家共识 + 病理确认是可信度的有力背书。遗留的边界模糊问题不是标注缺陷，而是乳腺超声这一模态的固有难题。

§7.3 数据完整性与可得性

维度	表现	评价
提供 SHA-256	是	高（可校验完整性）
元数据完备度	中（需脚本解析）	中
辅助脚本	4 个核心脚本	高
官方文档	README + 论文 + 数据页	高
镜像可用性	Hugging Face 有	中（有格式差异）

§7.4 人口统计学偏倚

偏倚来源	具体表现	影响
单中心	仅西班牙 Ciudad Real 一家医院	人群同质，泛化受限
单国家	患者均为西班牙人群	跨种族/跨地域适用性未知
人口构成	未提供详细的年龄/族裔分布	无法做亚组公平性分析
设备单一	仅 Siemens ACUSON S2000	成像风格单一，易过拟合

实践建议：若你的应用场景面向不同人群，请将 BUS-UCLM 作为开发集而非验证集；并在部署前用目标人群的数据做外部验证。

§7.5 临床偏倚

偏倚来源	具体表现	影响
正常占比高	419/683 为正常	更贴近筛查，但与「只收病灶」数据集不可直接比较
恶性样本少	仅 90 张	恶性检测的小样本问题
采集非随机	临床回顾性收集	存在选择偏倚可能
病灶大小分布	未公开详细统计	难以评估对小病灶的敏感性

§7.6 技术局限

分辨率不统一：约 856×606 是典型值，各图可能不同，需统一预处理。
未提供几何元数据：像素间距（mm/pixel）等物理尺度信息在发布格式中不明确，限制绝对尺寸量化。
掩膜格式需转换：RGB 三分类掩膜不能直接用，需颜色映射。
无预设划分：需要自行生成并报告划分方式。

§7.7 DAIMS 数据就绪度评估

以下按 DAIMS 框架的 24 个检查项逐项评估。评分标准：满足 = 1 分，部分满足 = 0.5 分，不满足 = 0 分。

#	检查项	状态	说明
1	数据可公开获取	满足	Mendeley Data 公开发布
2	许可明确	满足	CC BY 4.0 明确标注（官方口径）
3	许可允许商用	满足	CC BY 4.0 允许商用
4	提供数据描述文档	满足	有 Scientific Data 论文
5	提供版本管理	满足	V1/V3 版本与 DOI 明确
6	提供完整性校验	满足	提供 SHA-256
7	规模适中可直接使用	满足	321 MB，易于下载
8	元数据结构化	部分满足	元数据散布，需脚本解析
9	提供 schema 定义	部分满足	镜像有 Parquet schema，官方无正式 schema
10	类别标签完整	满足	正常/良性/恶性齐全
11	标注质量有保障	满足	双专家共识 + 病理确认
12	提供标注使用说明	满足	README + 脚本
13	提供患者标识	满足	有匿名化 patient_id
14	支持患者级划分	满足	提供 prepare_partitions.py
15	提供基线性能	部分满足	论文有 UNet 基线（Dice 0.68）
16	提供预设划分	不满足	无强制固定划分
17	提供数据卡（Data Card）	部分满足	论文兼作说明，无标准 Data Card
18	说明偏倚与局限	满足	论文识别了 demographic/clinical bias
19	提供去标识化说明	满足	说明已完成匿名化
20	说明采集时间	满足	2022–2023
21	说明采集设备	满足	Siemens ACUSON S2000
22	多中心验证	不满足	单中心数据
23	提供外部评测基准	不满足	无官方 leaderboard
24	提供数据加载示例	满足	有 COCO 导出与脚本

DAIMS 评分：17.5 / 24

评分解读：

强项：许可清晰、可商用、完整性可校验、标注质量高、脚本完备、偏倚有说明。这些是「可直接投入研究」的关键项。
弱项：无预设划分（16）、无多中心验证（22）、无官方 leaderboard（23）。这些是「长期基准建设」的缺失项，但不影响其作为个体研究数据集的可用性。
中项：元数据结构化程度（8/9/17）偏弱，因为官方以文件形式发布，元数据需自行整理——这是可以接受的工程成本。

对你意味着什么：

如果你需要一个马上能下载、能合法使用、能训练的 BUS 分割数据集，BUS-UCLM 的得分足以支撑。
如果你需要一个有官方排行榜、可公平对比的基准平台，BUS-UCLM 不是——它更接近一份「优质原始素材」而非「竞赛平台」。

§7.8 使用场景适配度

使用场景	适配度	说明
分割模型基线开发	高	数据齐全、脚本完备
患者级划分方法研究	高	天然存在患者内相关性
类别不均衡方法研究	高	419/174/90 分布典型
跨中心泛化研究	低	单中心数据，无外部验证集
大规模预训练	低	规模过小
临床部署验证	极低	需外部前瞻验证，本数据不可替代
教学与课程案例	高	规模适中，结构清晰

§8 基准性能与生态

§8.0 官方基线

科学数据论文中报告的基线结果提供了性能参考锚点：

项目	内容
模型	UNet
划分方式	患者级 90/10 划分
评价指标	Dice 系数
报告结果	约 0.68

解读：

Dice 0.68 并不高。这符合乳腺超声分割的难度预期——斑点噪声、低对比度、边界模糊共同压低了性能上限。
90/10 患者级划分意味着测试集约 4 位患者。样本量小，单次结果波动会比较大，报告中最好配上交叉验证。
这是一个「诚实的基线」。0.68 比许多论文中「美化后」的数字更可信，也提醒使用者：BUS 分割不是已经被解决的问题。

§8.1 性能参考区间

综合本领域公开结果，乳腺超声分割的 Dice 大致落在以下区间：

方法类型	典型 Dice 区间	说明
经典 U-Net	0.60 – 0.75	常见起点
U-Net + 注意力/残差	0.70 – 0.82	中等改进
Transformer 类（如 Swin-UNet）	0.72 – 0.85	数据充足时更优
大规模预训练 + 微调	0.80 – 0.90	依赖预训练语料

重要提醒：这些区间来自不同数据集、不同划分、不同评价脚本，不可直接横向比较。跨论文对比必须确认：①划分是否一致；②Dice 是图像级还是患者级平均；③是否包含正常图。

§8.2 如何自行建立可靠基线

建议的评测流程：

1. 下载官方 V3 数据，校验 SHA-256。
2. 用 prepare_partitions.py 生成患者级 5 折划分（固定随机种子）。
3. 掩膜按颜色映射转二值（病灶 vs 背景）。
4. 训练 UNet 基线，记录每折 Dice / IoU / 敏感度 / 特异度。
5. 报告 5 折的均值 ± 标准差，而非单次结果。
6. 在论文中写明数据版本、划分脚本、随机种子与评价脚本。

为什么强调 5 折：38 位患者的 90/10 划分下测试集仅约 4 人，单次结果方差大。5 折能给出更稳健的估计，也让结果更经得起复现检验。

§8.3 生态位：BUS-UCLM 与相邻数据集

相邻数据集	与本集的关系	互补性
BUSI	同为 BUS 分割/分类集，规模相近	可做跨集测试，验证泛化
BUS-BRA	规模更大（1875 张/1064 患者），巴西来源	可作外部验证集，跨地域对比
OASBUD	200 张，良性/恶性各 100	类别平衡，适合分类对照
UDIAT Dataset B	163 张，纯病灶	早期经典集，可作历史对比
RODTOOK	144 张，偏恶性	小规模、恶性集中
INBreast / VinDr-Mammo	钼靶模态	跨模态对比（超声 vs 钼靶）
Duke-Breast-MRI	MRI 模态	跨模态对比（超声 vs MRI）

生态定位总结：BUS-UCLM 处于「中小规模、许可宽松、类别完整」的位置。它最适合作为方法开发的主数据集，配合 BUSI/BUS-BRA 作为外部验证集，形成「开发—验证」的两段式研究设计。

§8.4 库内可互链条目

千方病案医数集库内与本条目主题相邻、适合互相导航的条目如下（rid 为库内记录标识）：

库内条目	rid	与 BUS-UCLM 的关联
busi	539	同模态 BUS 分割/分类数据集，最直接的可比对象
bus-bra	760	同模态 BUS 数据集，规模更大，可作外部验证
oasbud	761	同模态 BUS 分类数据集，类别平衡
inbreast	542	乳腺钼靶数据集，跨模态对照
vindr-mammo	543	乳腺钼靶数据集，跨模态对照
duke-breast-mri	440	乳腺 MRI 数据集，跨模态对照

建议的互链优先级：

首选互链：busi（539）、bus-bra（760）、oasbud（761）——三者同为乳腺超声数据集，读者从一个条目出发最有动机去看另外两个。
次选互链：inbreast（542）、vindr-mammo（543）、duke-breast-mri（440）——用于跨模态对照阅读。

（互链说明文字统一写在正文，relatedLink 字段仅保留本条目自身的规范 URL。）

§8.5 引用本数据集的研究方向

基于 BUS-UCLM 的典型研究方向包括：

分割方法学：注意力机制、边界感知损失、半监督分割在小样本 BUS 上的效果。
多任务学习：分割与分类联合建模，共享编码器。
类别不均衡：针对恶性小样本的损失函数与采样策略。
患者级划分方法：如何在小患者数下做可靠的交叉验证。
跨集泛化：BUS-UCLM 训练 → BUSI/BUS-BRA 测试的域偏移研究。
可解释性：分割掩膜驱动的模型决策可视化。

§8.6 生态影响与局限

正面影响：

用 CC BY 4.0 填补了 BUS 数据集在「许可宽松 + 类别完整」上的空缺。
纳入大量正常病例，推动了 BUS AI 研究从「病灶内二分类」走向更贴近筛查的现实设定。
提供完整脚本，降低了数据工程的重复劳动。

局限：

单中心、单设备，限制了泛化结论的强度。
缺乏官方 leaderboard，跨论文可比性依赖社区自律。
规模偏小，难以支撑大模型训练。

§9 相关资源与引用

§9.1 官方资源

资源	地址	用途
Mendeley Data 数据页	https://data.mendeley.com/datasets/7fvgj4jsp7/3	下载官方数据
官方 GitHub 仓	https://github.com/noeliavallez/BUS-UCLM-Dataset	获取辅助脚本与说明
数据描述论文	https://doi.org/10.1038/s41597-025-04562-3	论文引用与背景阅读
数据 DOI	https://doi.org/10.17632/7fvgj4jsp7.3	数据引用

§9.2 关键文献

主论文（数据描述）

Valléz N, et al. BUS-UCLM: A breast ultrasound lesion segmentation dataset. Scientific Data. 2025;12(1):242. DOI: 10.1038/s41597-025-04562-3

相关论文

Physica Medica. 2025;134:104993（同课题组相关工作）

方法学背景（乳腺超声 AI 常用）

U-Net 及其变体（医学图像分割的骨干架构）
注意力 U-Net、Swin-UNet 等改进结构
Tversky / Focal / Dice 复合损失（应对类别不均衡）

§9.3 引用格式建议

APA 风格

Valléz, N., et al. (2025). BUS-UCLM: Breast Ultrasound Lesion Segmentation
Dataset (Version 3) [Data set]. Mendeley Data.
https://doi.org/10.17632/7fvgj4jsp7.3

BibTeX

@misc{bus_uclm_2025,
  author    = {Vall{\'e}z, N. and Bueno, G. and Deniz, O. and others},
  title     = {{BUS-UCLM}: Breast Ultrasound Lesion Segmentation Dataset},
  year      = {2025},
  version   = {3},
  publisher = {Mendeley Data},
  doi       = {10.17632/7fvgj4jsp7.3},
  note      = {License: CC BY 4.0}
}

引用注意：

同时引用论文 DOI 与数据 DOI。
指明使用的具体版本（.3）。
若做了改建（如转二值掩膜），在方法中说明。

§10 AI 使用声明卡

§10.0 一句话使用声明

BUS-UCLM 是一份 CC BY 4.0 许可、可商用的乳腺超声病灶分割数据集（683 张/38 患者，419 正常·174 良性·90 恶性），适合做单中心分割与分类的基线研究，使用时必须按患者划分、把 RGB 掩膜转换为整数标签，且不得据此声称跨中心泛化能力。

§10.1 数据卡

项目	内容
名称	BUS-UCLM
版本	V3
规模	683 张图像 / 38 位患者
类别	419 正常 / 174 良性 / 90 恶性
模态	乳腺超声（B-mode）
任务	分割（主）/ 分类（辅）
许可	CC BY 4.0
采集	2022–2023，西班牙 Ciudad Real 综合医院
设备	Siemens ACUSON S2000
标注	双专家共识 + 病理确认
体积	321 MB
引用	DOI 10.17632/7fvgj4jsp7.3

§10.2 适用场景卡

场景	是否推荐	理由
分割基线开发	推荐	数据与脚本完备
类别不均衡方法研究	推荐	分布典型
患者级划分方法研究	推荐	天然患者内相关
教学案例	推荐	规模适中、结构清晰
跨中心泛化声明	不推荐	单中心数据
大规模预训练	不推荐	规模过小
临床诊断直接用	禁止	需执照与前瞻验证

§10.3 合规清单

使用 BUS-UCLM 前，请逐项确认：

[ ] 已从官方渠道（Mendeley Data）获取数据，而非仅依赖第三方镜像。
[ ] 已校验 SHA-256（7cb15270…）。
[ ] 已确认使用版本号（.3）。
[ ] 已在成果中给出署名与 CC BY 4.0 许可声明。
[ ] 已说明是否对数据做了修改（如掩膜二值化）。
[ ] 未将数据用于再识别或侵害患者权益的用途。
[ ] 未将模型输出直接用于临床诊断。

§10.4 常见问题（FAQ）

Q1：这个数据集有多少张图像？
A：683 张。

Q2：有多少位患者？
A：38 位。平均每位患者约 18 张图像。

Q3：类别如何分布？
A：419 张正常、174 张良性、90 张恶性。

Q4：掩膜怎么区分良性和恶性？
A：绿色代表良性，红色代表恶性，黑色代表背景或正常组织。

Q5：掩膜可以直接用于训练吗？
A：不可以直接使用。掩膜是 RGB 彩色图，必须先按颜色阈值映射为整数标签图。

Q6：许可是什么？可以商用吗？
A：官方许可为 CC BY 4.0，允许商用，需署名。部分第三方目录站标注为 CC BY-NC 3.0，与官方冲突，以官方为准（见坑 4）。

Q7：有预设的训练/测试划分吗？
A：没有强制划分。官方提供脚本生成患者级划分，HF 镜像文档中提及 33 患者训练 / 5 患者测试的方案。

Q8：为什么必须按患者划分？
A：因为 683 张图来自 38 位患者，若按图像随机划分，同一患者的图会同时进入训练与测试集，造成数据泄漏和性能虚高。

Q9：基线性能是多少？
A：论文报告的 UNet 基线在患者级 90/10 划分下 Dice 约 0.68。

Q10：为什么 Dice 只有 0.68？
A：乳腺超声存在斑点噪声、低对比度、后方衰减与边界模糊等固有难点，分割难度本就不低。

Q11：数据来自哪里？
A：西班牙 Ciudad Real 综合医院（Hospital General de Ciudad Real），由 UCLM 主导构建。

Q12：用什么设备采集的？
A：Siemens ACUSON S2000™。

Q13：数据规模够训练深度学习模型吗？
A：够做迁移学习与微调的基线，不足以从零训练大模型。

Q14：有正常病例吗？
A：有，且占比最高（419/683，约 61%）。这是本数据集区别于多数纯病灶集的重要特点。

Q15：正常图像的掩膜是什么样？
A：全黑（纯背景），没有病灶区域。

Q16：正常图像会不会影响分割训练？
A：会产生「全背景」样本，稀释前景损失。建议用复合损失或分离「分类 + 分割」任务。

Q17：能用 Hugging Face 镜像做良恶性分割吗？
A：不能。镜像把 RGB 三分类掩膜塌缩成二值 L-mode，良恶性像素信息已丢失。

Q18：镜像的 has_doppler 等字段是官方的吗？
A：不是，是镜像方派生的字段，引用时须注明。

Q19：下载时 curl 直链 403 怎么办？
A：改用 Mendeley Data 页面正常下载（见坑 3）。

Q20：数据体积多大？
A：压缩包约 321 MB（7fvgj4jsp5-1.zip，实为 7fvgj4jsp7-1.zip）。

Q21：有 SHA-256 吗？
A：有，7cb15270f1a2c920b4cd89122acc5dd399eae0fe545893a44596676225ac313e。

Q22：图像分辨率是多少？
A：典型约 856 × 606 像素，各图可能略有差异。

Q23：标注是谁做的？
A：两位资深乳腺影像放射科医师共识标注，恶性病例经活检病理确认。

Q24：有多少辅助脚本？
A：四个核心脚本：anonymize.py、draw_annotations.py、extract_coco_annotations.py、prepare_partitions.py。

Q25：脚本依赖哪些库？
A：opencv-python==4.10.0.84、scikit-image==0.23.2、pycocotools==2.0.8。

Q26：可以导出 COCO 格式吗？
A：可以，官方提供 extract_coco_annotations.py。

Q27：谁资助的？
A：Ministerio de Ciencia, Innovación y Universidades，Grant ID PID2021-127567NB-I00，另有 NextGenerationEU/PRTR 支持。

Q28：什么时候发布的？
A：Mendeley V3 于 2025-01-27 发布；论文于 2025 年发表于 Scientific Data。

Q29：V1、V2、V3 有什么区别？
A：V3 是当前版本。V2 存在但发布日期未确认。引用时须写明版本号。

Q30：可以和其他 BUS 数据集一起用吗？
A：可以。BUSI、BUS-BRA、OASBUD 都是同模态数据集，适合做跨集验证。

Q31：能做跨中心泛化研究吗？
A：数据本身是单中心，无法凭它声称泛化；但可以用它训练、然后在 BUSI/BUS-BRA 上测试来研究域偏移。

Q32：库内有相关条目吗？
A：有。busi（rid 539）、bus-bra（rid 760）、oasbud（rid 761）为同模态首选互链条目。

Q33：数据是否已去标识？
A：是，官方已完成匿名化，剥离了 DICOM 中的直接标识信息。

Q34：正常/良性/恶性的英文标签是什么？
A：normal / benign / malignant。

Q35：如何报告结果更有说服力？
A：采用患者级 5 折交叉验证，报告均值 ± 标准差与每类指标，并写明数据版本、划分脚本与随机种子。

§10.5 版本与更新记录

日期	事件
2022–2023	临床数据采集
2024	标注与整理
2025-01-27	Mendeley Data V3 发布
2025	Scientific Data 论文发表
2026-03-14	GitHub README 更新
2026-10-08	本条目撰写与核验

§10.6 免责与责任边界

本条目内容基于截至 2026-10-08 的公开信息整理，数据集的后续版本更新可能导致信息变化，请以官方页面为准。
本条目对第三方来源的冲突口径做了留痕处理，但不为第三方来源的准确性负责。
使用本数据集的合法性与合规性，由使用者自行负责。
本条目不构成医学建议、法律建议或合规保证。

附录 A：核心事实速查表

事实	数值
图像总数	683
患者总数	38
正常图像	419
良性图像	174
恶性图像	90
典型分辨率	约 856 × 606
采集年份	2022–2023
数据体积	约 321 MB
SHA-256	7cb15270f1a2c920b4cd89122acc5dd399eae0fe545893a44596676225ac313e
许可	CC BY 4.0
基线 Dice	约 0.68（UNet，患者级 90/10）
论文 DOI	10.1038/s41597-025-04562-3
数据 DOI	10.17632/7fvgj4jsp7.3
设备	Siemens ACUSON S2000

附录 B：掩膜颜色到标签映射速查

掩膜颜色	RGB 近似	二值标签	三分类标签
绿	(0,255,0)	1（前景）	1（良性）
红	(255,0,0)	1（前景）	2（恶性）
黑	(0,0,0)	0（背景）	0（背景/正常）

附录 C：术语表

术语	全称/说明
BUS	Breast Ultrasound，乳腺超声
UCLM	Universidad de Castilla-La Mancha，卡斯蒂利亚-拉曼恰大学
Dice	Dice Similarity Coefficient，分割重叠度指标，范围 0–1
IoU	Intersection over Union，交并比
BI-RADS	Breast Imaging Reporting and Data System，乳腺影像报告与数据系统
CC BY 4.0	Creative Commons Attribution 4.0，宽松开放许可
COCO	Common Objects in Context，通用实例标注格式
DICOM	Digital Imaging and Communications in Medicine，医学影像标准格式
Speckle noise	斑点噪声，超声固有相干噪声
Biopsy	活检，取组织做病理检查，恶性诊断金标准
Consensus annotation	共识标注，多名专家讨论后达成一致
Data leakage	数据泄漏，划分不当导致测试信息进入训练
Patient-level split	患者级划分，以患者为最小划分单位
DAIMS	Data & AI Maturity Scorecard，本条目采用的数据就绪度评估框架

附录 D：数据下载与校验流程

# 1. 从 Mendeley Data 官方页下载
#    https://data.mendeley.com/datasets/7fvgj4jsp7/3
# 2. 校验完整性
sha256sum 7fvgj4jsp7-1.zip
# 期望: 7cb15270f1a2c920b4cd89122acc5dd399eae0fe545893a44596676225ac313e
# 3. 解压
unzip 7fvgj4jsp7-1.zip -d bus-uclm
# 4. 查看目录结构
ls -la bus-uclm

附录 E：患者级划分伪代码

输入: patients = [p1, p2, ..., p38]  # 每位患者含多张图
1. 固定随机种子 seed = 42
2. 打乱 patients 顺序
3. 按 5 折切分患者集合（每折约 7-8 位患者）
4. 对每折 i:
   a. 测试集 = fold[i] 的患者及其全部图像
   b. 训练集 = 其余 4 折的患者及其全部图像
   c. 训练 -> 评估 -> 记录 Dice/IoU/敏感度/特异度
5. 汇总 5 折: 报告均值 ± 标准差
注意: 任何图像都不得跨越训练/测试边界

附录 F：许可冲突处理建议

来源	标注许可	处理
Mendeley Data（官方）	CC BY 4.0	采信
官方 GitHub LICENSE.md	CC BY 4.0	采信
论文	CC BY 4.0	采信
Hugging Face 镜像	CC BY 4.0	与官方一致
第三方目录站（NKI / SonoDQS）	CC BY-NC 3.0	与官方冲突，不采信

处理原则：以数据发布方（官方）口径为准。若你的机构合规要求「取最严格口径」，请另行与官方确认。

附录 G：来源清单

#	来源	类型	用途
1	Mendeley Data 数据页（7fvgj4jsp7/3）	官方	规模、SHA-256、版本、许可
2	Scientific Data 论文（s41597-025-04562-3）	官方	背景、基线、偏倚
3	GitHub noeliavallez/BUS-UCLM-Dataset	官方	脚本、依赖、LICENSE
4	Hugging Face 镜像（MedOtter/BUS-UCLM）	辅助	schema、划分建议
5	第三方目录站（NKI / SonoDQS）	辅助	许可冲突留痕

附录 H：本条目核验状态

核验项	状态
数据集真实存在	已核实（三源互证）
规模数字（683/38/419/174/90）	已核实
许可（CC BY 4.0）	已核实（官方四口径一致）
SHA-256	已核实
基线 Dice 0.68	已核实（论文摘要）
论文正文逐字核对	未完成（Nature 域名重定向至登录页，未重试）
Mendeley V2 发布日期	未确认
HF 镜像派生字段	已标注为镜像派生

遗留疑点说明：论文正文的完整抓取因 Nature 站点重定向至身份认证页而未能完成，相关内容以搜索结果摘要（基线 Dice、划分方式、偏倚识别）与官方数据页信息为准；Mendeley V2 的发布日期在官方页面上未见明确标注，故留作待核项，不臆断填充。凡未能一级核实的项，本条目均以「待核」标注而非给出确定值。

条目维护说明：本条目由千方病案医数集「AI-Ready Wikipedia」写手代理 agent-c-busuclm 撰写，遵循项目写作纪律包，成稿经双闸门自检（check_md.py + preflight_check.py）通过。若官方数据更新或发现事实性偏差，请以官方来源为准并回填修订。