信息速览
INFOBOX — Cataract-1K 一屏速览
维度 内容 本质 全球最大白内障手术视频数据集：1000 台手术录像 + 阶段识别/语义分割/不规则检测三任务标注 全称 Cataract-1K: Cataract Surgery Dataset for Scene Segmentation, Phase Recognition, and Irregularity Detection 团队 伯尔尼大学 CAIM + 克拉根福大学信息技术系 + Klinikum Klagenfurt 眼科（8 作者） 通讯 Klaus Schoeffmann（克拉根福大学 ITEC，ks@itec.aau.at） 主论文 Scientific Data 2024;11:373（doi:10.1038/s41597-024-03193-4；PMID 38609405） 预印本 arXiv:2312.06295（v1 2023-12-11） 采集 2021-2023，Klinikum Klagenfurt（奥地利克拉根福）；伦理号 EK 28/17 设备 MediLive Trio Eye 摄像 + ZEISS OPMI Vario 显微镜 全集 1000 台视频；未标注 25 fps / 512×324；平均 7.12 分钟；约 89.9 GB 阶段子集 56 台；1024×768 / 30 fps；平均 6.45 分钟；12 action phases + idle 分割子集 30 台 / 2256 帧；每 5 秒抽 1 帧；5 折患者级划分 分割类别 3 解剖结构（虹膜/瞳孔/人工晶体）+ 9 器械 不规则子集 瞳孔反应（瞳孔收缩）+ 人工晶体旋转（IOL 在 <7 秒内快速顺时针旋转） 任务 阶段识别 ｜ 场景语义分割 ｜ 术中不规则检测 获取 Synapse（免费注册）：主集 syn53404507 及 4 个任务子集 accession 许可 CC BY 4.0（署名即可再分发） 资助 Haag-Streit Foundation；奥地利 FWF P 31486-N31、P 32010-N38 库内互链 cataract-101、cataracts（同族白内障手术视频数据集）
Cataract-1K 是白内障手术视频分析领域目前规模最大的一块公开数据基座。2021 至 2023 年间，奥地利克拉根福的 Klinikum Klagenfurt 眼科诊所与伯尔尼大学、克拉根福大学组成的联合团队，把 1000 台白内障手术的显微镜录像系统化采集并整理公开，一举把该领域公开数据的量级从"百台以内"推向"千台"。它不止提供视频，还围绕手术视频分析的三类核心任务——手术阶段识别、手术场景语义分割、术中不规则检测——各配一套标注子集，让算法能在同一数据源上横向比较。
Cataract-1K 的定位与既有的 Cataract-101（101 台、2018）和 CATARACTS（50 台）一脉相承但全面升级：规模更大（1000 vs 101/50）、任务更全（阶段+分割+不规则 vs 单一任务）、标注更细（帧级阶段 CSV + 像素级分割 + 事件级不规则标签）。它既是手术工作流分析（surgical workflow analysis）的规模试验场，也是首次系统性开展白内障器械分割**域适配（domain adaptation）**研究的载体。
导语读法三则：
- 只想下数据：直奔 §6 获取与许可——数据全在 Synapse，主集与四个任务子集按 accession 分开下载，主集本体 89.9 GB，注意先注册。
- 关心标注子集怎么用：直奔 §2 数据构成——56 台做阶段识别、30 台/2256 帧做语义分割、另有两个不规则子集，各子集是主体 1000 台的子样本，不能与主体混为同一层级。
- 要做算法评测：直奔 §7 评估基准——论文对多种 SOTA 网络在阶段识别与场景分割上做了基准，并首次评估跨域器械分割，先对齐任务口径再比分数。
§0 导读：这个数据集解决什么问题
白内障是全球首位致盲性眼病，手术是唯一根治手段，全球每年施行数千万台白内障手术。手术过程高度标准化：从切口、撕囊、超声乳化、晶体植入到前房冲洗，步骤固定、顺序明确——正是这种"结构化"特征，使它成为手术视频分析与手术机器人研究的理想场景。然而，白内障手术视频分析长期受制于一个数据瓶颈：公开数据集稀少且规模偏小。早期公开数据多以数十台计时，标注或只有阶段标签、或只有器械框，很难支撑深度学习模型的大规模训练与公平比较。
Cataract-1K 正是为拆掉这个瓶颈而生。它由克拉根福大学 ITEC 团队（该团队也是 Cataract-101 的原创者）牵头，联合伯尔尼大学医学 AI 中心（CAIM）与 Klinikum Klagenfurt 眼科诊所，用三年时间把临床日常产生的 1000 台手术录像整理成公开数据集，并针对三类核心任务各配标注：
- 手术阶段识别（phase recognition）：手术视频按时间切分成 12 个标准行动阶段加 idle，让模型学会"现在进行到哪一步"。这是手术流程理解的基础能力。
- 手术场景语义分割（scene segmentation）：逐像素区分解剖结构（虹膜、瞳孔、人工晶体）与器械（9 类），让模型看清画面里"是什么、在哪里"。这是器械跟踪与增强现实导航的基础。
- 术中不规则检测（irregularity detection）：检测术中的异常事件，如瞳孔收缩（pupil constriction）与人工晶体（IOL）旋转。这类事件时窗极短却关乎手术安全，是难度最高、也最贴近临床风险的一类任务。
它的价值不在单点，而在"规模 + 任务完备性 + 真实临床分布"的组合：1000 台来自同一临床流水线的真实手术，配上从低层像素到高层时序的三级任务标注，使 Cataract-1K 同时充当白内障手术视觉算法的训练粮仓与评测擂台。它的短板同样鲜明——标注子集相对主体覆盖率低（阶段标注 5.6%、分割标注 3%）、全部来自单一中心、获取需经 Synapse 注册。
§0 读法三则：
- 这个条目是"数据集 + 三任务标注 + 一篇域适配研究"三合一：数据是本体，三个子集的标注规格在 §2，任务的算法意义在 §3，域适配的评测发现在 §7。
- 全文硬数字（1000/56/30/2256/12+idle/3+9）均可三源互证（GitHub README、官方项目页、论文）；唯一需要明辨口径的是"60 台视频用于标注"这一合并计数（见正文存照）。
- 检索时"Cataract-1K"与"Cataract-1k"（大小写）都要试——官方 README 混用两种写法，是同一数据集。
§1 数据集速览：十问十答
Q1：Cataract-1K 是什么，不是什么？
是一个手术视频数据集——1000 台白内障手术显微镜录像，加三类任务的标注子集，供手术流程分析与手术视觉算法评测。它不是临床诊断工具，不是手术机器人系统，也不是竞赛（不像 CATARACTS 那样以 challenge 形式组织）。它是数据集 + 论文（Scientific Data）的组合，任务是"用深度学习方法辅助分析白内障手术视频"。
Q2：为什么叫"1K"？
"1K"指主体规模 1000 台手术视频（1K = 1000）。这是数据集最核心的身份标识——把白内障手术视频从数十台量级推到千台量级。注意"1K"是视频台数，不是分辨率（分辨率是 512×324 未标注版 / 1024×768 标注版）。
Q3：它和 Cataract-101、CATARACTS 是什么关系？
同领域但不同团队、不同年代、不同规模的三个独立数据集：
- Cataract-101（ITEC/AAU 克拉根福，2018）：101 台视频，10 阶段标注，FTP/Zenodo 获取，2015-2016 采集。
- CATARACTS（法国 Brest 大学医院，grand-challenge 竞赛）：50 台双路视频，21 类器械，Synapse syn21680292。
- Cataract-1K（伯尔尼+克拉根福联合，2024）：1000 台，12 阶段 + 语义分割 + 不规则检测三任务。
Cataract-1K 与 Cataract-101 共享克拉根福团队谱系（Schoeffmann 均为作者），可视为前者的规模化与任务扩展升级；与 CATARACTS 则是并行独立的数据集。三者在千方库内互相强关联。
Q4：数据在哪儿下载？
托管于 Synapse 平台（synapse.org），需免费注册账号。主集 accession 为 syn53404507（约 89.9 GB），另有四个任务子集各有 accession。详见 §6。
Q5：1000 台视频都有标注吗？
不是。主体 1000 台是未标注全集（25 fps / 512×324）；有标注的是其中的子样本——56 台做阶段识别、30 台做语义分割、另有两个不规则子集。这是最容易误读的一点："1000"是视频台数，"标注子集"是它的子集。
Q6：阶段识别是哪 12 个阶段？
incision（切口）、viscoelastic（粘弹剂）、capsulorhexis（撕囊）、hydro-dissection（水分离）、phacoemulsification（超声乳化）、irrigation-aspiration（注吸）、capsule polishing（囊膜抛光）、lens implantation（晶体植入）、lens positioning（晶体定位）、viscoelastic-suction（粘弹剂抽吸）、anterior-chamber flushing（前房冲洗）、tonifying/antibiotics（补液/抗生素），再加 idle（空闲段）。详见 §3。
Q7：语义分割标注哪些类别？
3 个解剖结构（iris 虹膜 / pupil 瞳孔 / intraocular lens 人工晶体）+ 9 件器械（切口刀、规尺、铲、撕囊针、乳化头、注吸、推注器、撕囊镊、katana forceps 刀镊）。器械清单末项存在 katana forceps 与 Sinskey hook 的口径分歧，见 §2 存照。
Q8：不规则检测检测什么？
两类术中不规则事件：瞳孔反应（瞳孔收缩） 与 人工晶体（IOL）旋转。IOL 展开时的快速顺时针旋转发生在不足 7 秒内，事件时窗极短。详见 §3。
Q9：许可是什么，能商用吗？
官方 README 声明 CC BY 4.0（署名即可再分发、改编，包括商用）。需注意第三方目录 EyeDataHub 曾归一化为"research only"，与官方口径有张力，本条目以官方 CC BY 4.0 为准。详见 §6。
Q10：谁做的，数据在哪采的？
伯尔尼大学 CAIM、克拉根福大学信息技术系、Klinikum Klagenfurt 眼科诊所联合团队（8 位作者，通讯 Klaus Schoeffmann）。数据采集于 Klinikum Klagenfurt（奥地利克拉根福）眼科诊所，时间跨度 2021-2023。详见 §2。
§2 数据构成与规格：一千台主体与四个标注子集的层级关系
理解 Cataract-1K 的第一要义，是分清它的层级结构。这不是一个"要么全标注、要么无标注"的平铺数据集，而是"一个大海量无标注主体 + 四个小规模精细标注子集"的两级结构。初学者最常犯的错误，就是把主体 1000 台的规模套到标注子集上，或者反过来把标注子集的规格当成主体规格。本节把每一层的规模、规格、标注内容、划分方式逐条厘清。
2.1 主体：1000 台未标注全集
Cataract-1K 的本体是 1000 段白内障手术显微镜录像，采集于奥地利克拉根福的 Klinikum Klagenfurt 眼科诊所，时间跨度为 2021 至 2023 年。这 1000 台是该数据集最核心的身份标识——它把白内障手术视频公开数据的量级从"百台以内"（前作 Cataract-101 是 101 台，CATARACTS 是 50 台）直接推到了"千台"。这正是 “1K” 的由来。
主体视频的关键规格如下：
| 属性 | 取值 | 说明 |
|---|---|---|
| 视频数量 | 1000 段 | 白内障手术显微镜录像 |
| 采集地点 | Klinikum Klagenfurt（奥地利克拉根福）眼科诊所 | 单一中心 |
| 采集时间 | 2021—2023 年 | 约三年临床流水线累积 |
| 采集设备 | MediLive Trio Eye 摄像系统 + ZEISS OPMI Vario 手术显微镜 | 单路显微镜视角 |
| 未标注视频分辨率 | 512×324 | 较低分辨率版本 |
| 未标注视频帧率 | 25 fps | 与标注子集不同，勿混 |
| 平均时长 | 7.12 分钟 | 主体全集的平均口径 |
| 标准时长 | 200 秒 | 官方给出的标准片段口径 |
| 术者累计手术量 | 1,000 至 40,000+ 台 | 术者经验跨度极大 |
| 标注状态 | 无标注 | 仅提供原始视频 |
一个必须澄清的易混点：主体视频的未标注版本是 512×324、25 fps，而带标注的阶段识别子集是 1024×768、30 fps。这两个规格不同，来自官方 README 的不同表格。很多转述文章把主体说成 1024×768，是把标注子集的规格错套到了主体上。本节特意把两者并排列出，就是为了防止这种混淆。
主体 1000 台的核心价值在于规模与真实临床分布：它们来自同一条临床流水线，覆盖了不同术者（经验从 1000 台到 40000+ 台不等）、不同患者（年龄跨度大），可以用于自监督预训练、无监督表示学习、域适配研究等——这类任务恰恰需要大量无标注数据，而标注成本又高得难以覆盖 1000 台。
2.2 标注子集一：阶段识别 56 台
在 1000 台主体之上，数据集提供了四个精细标注子集，第一个是手术阶段识别子集（Phase Recognition Set）。
| 属性 | 取值 |
|---|---|
| 视频数量 | 56 台常规手术视频 |
| 分辨率 | 1024×768 |
| 帧率 | 30 fps |
| 平均时长 | 6.45 分钟（SD 2.04 分钟） |
| 患者平均年龄 | 75 岁（范围 51—93，SD 8.69） |
| 术者平均经验 | 8929 台手术（SD 6350） |
| 标注内容 | 12 个 action phase + idle 的帧级时间线 |
| 标注格式 | CSV，给出每视频每阶段的首末帧 |
| 下载体积 | 3.87 GB |
| Synapse accession | syn53395146 |
选择 56 台而非 1000 台做阶段标注，是成本与收益的权衡：阶段标注需要眼科医生回顾整段视频、逐段点出阶段边界，一台就要花不少时间；56 台足以覆盖阶段分布与个体差异，又不至于让标注成本失控。
"常规（regular）"的限定词很重要：这 56 台被明确限定为常规手术，即不带明显并发症或异常的视频。之所以这样限定，是为了避免异常片段污染常规阶段的分布统计。带异常的视频被另行归入 2.4 节的不规则子集。
阶段子集的患者与术者画像也值得注意：患者平均年龄 75 岁，跨度 51 至 93 岁；术者平均经验 8929 台，标准差高达 6350——说明这 56 台里既有新手术者（1000 台量级）也有资深专家（数万台量级），术者经验的巨大方差本身就是一个可研究的维度。
2.3 标注子集二：语义分割 30 台 / 2256 帧
第二个标注子集是手术场景语义分割子集（Semantic Segmentation Set）。这是像素级标注，成本比阶段标注更高——阶段标注只需在时间轴上点边界，分割标注要逐帧勾画每个像素属于哪个类别。
| 属性 | 取值 |
|---|---|
| 视频数量 | 30 台常规手术视频 |
| 分辨率 | 1024×768 |
| 平均时长 | 6.52 分钟（SD 2 分钟） |
| 抽帧方式 | 每 5 秒抽 1 帧 |
| 标注帧总数 | 2256 帧 |
| 患者平均年龄 | 74.5 岁（范围 51—90，SD 8.43） |
| 术者平均经验 | 8033 台手术（SD 3894） |
| 标注类别 | 3 个解剖结构 + 9 件器械，共 12 类 |
| 标注工具 | Supervisely（多边形 JSON），另提供 COCO 格式 |
| 划分方式 | 5 折、患者级，每折 6 段视频 |
| 下载体积 | 4.74 GB |
| Synapse accession | syn53395479 |
分割子集有三个值得单独说明的设计：
其一，抽帧而非逐帧。 30 台视频如果逐帧标注，按 6.52 分钟 × 30 fps 估算，单台就超过一万帧，30 台超过 30 万帧——标注量不可承受。数据集选择每 5 秒抽 1 帧，把标注量压缩到 2256 帧，同时通过"剔除严重运动模糊帧与虹膜出画帧"保证每帧的标注质量。
其二，5 折患者级划分。 划分方式是 5 折（5-fold），且按患者级划分，每折含 6 段不同视频。这里的关键是"患者级"——必须保证同一患者的视频不会同时出现在训练集和测试集，否则会造成患者级数据泄漏，虚高评测结果。5 折 × 6 段 = 30 段，正好对应分割子集的 30 台。
其三，三档训练设置。 官方提供了 anatomy+instrument（解剖+器械）/ binary instrument（二值器械）/ multi-class instrument（多类器械） 三档掩码生成代码。同一份像素标注可以派生出三种难度的分割任务，使用者可根据研究问题选择——这也意味着报告结果时必须说明用的是哪一档，笼统报一个"分割 Dice"会掩盖三档之间的难度差异。
2.4 标注子集三、四：两类术中不规则
第三、第四个标注子集是术中不规则检测子集，分为两类异常事件：
| 子集 | 事件 | 下载体积 | Synapse accession |
|---|---|---|---|
| Pupil Reaction Set | 瞳孔反应（瞳孔收缩 / miosis） | 3.29 MB | syn53395402 |
| Lens Irregularity Set | 人工晶体旋转（IOL / lens rotation） | 1.49 MB | syn53395131 |
这两个子集的体量与前面两个天差地别——它们只有 MB 级（3.29 MB、1.49 MB），而阶段与分割子集是 GB 级。这个体量差异直接决定了它们的用途：这两个子集应作为探索性素材与种子数据，不宜作为统计显著结论的依据。一篇论文如果只在这两个 MB 级子集上报告指标，其结论的统计效力是可疑的。
两类异常的临床意义都极强：
- 瞳孔反应（pupil reaction / constriction）：术中瞳孔缩小（miosis）。超声乳化期的光照量骤增可能引发瞳孔突然收缩，若此时器械已深入眼内，可能损伤眼内组织，并妨碍人工晶体的对位。
- 人工晶体旋转（IOL / lens rotation）：晶体旋转被认为是术后晶体移位的主因。数据集特别指出，晶体展开时的快速顺时针旋转发生在不足 7 秒内——这是一个转瞬即逝的事件，对检测方法的时间分辨率要求极高。
"不足 7 秒"这个数字对算法设计有直接影响：如果在 25 fps 或 30 fps 上做滑窗检测，7 秒意味着只有一两百帧的窗口，窗口太大就会把事件淹没在背景里，窗口太小又可能漏检。这两个子集的真正价值，是给研究者提供了一个临床驱动、时窗极短、类别极度不平衡的异常检测问题原型。
2.5 患者与术者画像对照
把两个标注子集的画像并排看，能读出数据集设计的均衡考量：
| 维度 | 阶段识别子集（56 台） | 语义分割子集（30 台） |
|---|---|---|
| 患者平均年龄 | 75 岁（51—93，SD 8.69） | 74.5 岁（51—90，SD 8.43） |
| 术者平均经验 | 8929 台（SD 6350） | 8033 台（SD 3894） |
| 视频平均时长 | 6.45 分钟（SD 2.04） | 6.52 分钟（SD 2 分钟） |
两组画像高度接近（平均年龄约 75 岁、术者经验数千至上万台、时长约 6.5 分钟），说明两个子集来自同一临床人群与同一术者群体，具有内在一致性。同时，两个子集的患者年龄范围都从 51 岁延伸到 90 岁以上，术者经验标准差都很大——数据集没有刻意挑选"标准病例"，而是保留了临床真实分布。这种真实性是双刃剑：一方面让模型更接近实战，另一方面也意味着分布更散、更难拟合。
2.6 下载体积清单
官方 README 给出了各子集的直链与体积，这是规划存储与带宽的必备信息：
| 内容 | 体积 | Synapse accession |
|---|---|---|
| 主集（Catatact-1k 全集） | 89.9 GB | syn53404507 |
| 阶段识别集（Phase Recognition Set） | 3.87 GB | syn53395146 |
| 语义分割集（Semantic Segmentation Set） | 4.74 GB | syn53395479 |
| 晶体不规则集（Lens Irregularity Set） | 1.49 MB | syn53395131 |
| 瞳孔反应集（Pupil Reaction Set） | 3.29 MB | syn53395402 |
三个提醒：
- 主集占了绝大部分体积（89.9 GB），四个标注子集合计不到 9 GB。如果只想做算法研究，可以先只下标注子集。
- 体积口径未注明是压缩包净体积还是解压后体积（遗留疑点，见附录 AA）。规划磁盘时建议留足余量。
- 官方 README 中主集名称曾拼写为 “Catatact-1k”（少一个 r），这是原始 README 的笔误，不影响内容，但按名检索时需要留意这一变体。
2.7 采集设备与伦理
数据集的采集设备为 MediLive Trio Eye 摄像系统，安装在 ZEISS OPMI Vario 手术显微镜上——这是单路显微镜视角的记录，不同于 CATARACTS 的"显微镜 + 器械托盘"双路方案。
伦理方面，数据集经 Ethikkommission Kärnten（克恩顿州伦理委员会）审批，审批号 EK 28/17，全部患者均知情同意。资助来源为 Haag-Streit Foundation（瑞士）与奥地利科学基金 FWF 项目 P 31486-N31、P 32010-N38。伦理审批号取自论文正文片段引用，未在官方页面二次确认，列为遗留疑点（见附录 AA）。
2.8 层级关系小结
把本节所有数字收拢成一句话：
Cataract-1K = 1000 台无标注主体 + 56 台阶段标注 + 30 台/2256 帧分割标注 + 2 个 MB 级异常子集。
这个式子里的四个加项不是同一层级：主体是"全集"，后三者是"全集上的精细子样本"。引用规模时务必区分口径——说"数据集有 1000 台"和说"数据集标注了 56 台"都对，但把它们混为一谈就错了（详见 §10 坑点 1）。
§3 阶段识别任务：帧级时间线从何而来
3.1 任务定义
手术阶段识别（surgical phase recognition）要回答的是：一段手术视频的每一帧，究竟属于十二个常规阶段中的哪一个，还是属于 idle？这看似是一个普通的时序分类问题，实则是手术工作流分析的"骨架任务"——只有先把阶段切对，后续的器械使用统计、手术技能评估、术中异常定位、手术视频压缩与检索才有可靠的坐标系。
Cataract-1K 的阶段识别子集共 56 段常规手术视频。之所以限定为"常规（regular）"，是因为数据集把带有明显并发症或异常的视频另行归入不规则子集，避免异常片段污染常规阶段的分布统计。这 56 段的分辨率为 1024×768、帧率 30 fps，平均时长 6.45 分钟、标准差 2.04 分钟，即绝大多数视频落在 4 至 9 分钟区间内。
3.2 标注格式与还原方式
阶段标注不是逐帧打标签，而是以 CSV 文件给出每个阶段的起始帧与结束帧。这种"边界标注"的好处是标注成本与阶段数成正比而非与帧数成正比——一名眼科医生只需在阶段切换的关键时刻点出边界，剩下的逐帧展开由代码完成。官方在 GitHub 仓库提供了预处理脚本，读者可用它把 CSV 还原成：
- action phase 序列：每个 action phase 的连续帧区间；
- idle phase 序列：action phase 之间的空档，或阶段内部的器械更换间歇。
需要特别注意的是 idle 的语义边界：官方定义把它描述为"术者主要在更换器械、且画面内没有可见器械"的时间跨度。由于 idle 既可能出现在两个 phase 之间，也可能出现在某个 phase 的中间，还原脚本必须同时处理"阶段间空闲"与"阶段内空闲"两种情况——这是复现阶段序列时最常见的出错点之一。
3.3 阶段不平衡：一个绕不开的硬约束
论文明确指出，白内障手术的阶段分布高度不平衡：最长的阶段（超声乳化 phacoemulsification）与最短的阶段（切口 incision）在标注总量中的占比悬殊。这一不平衡是白内障手术的固有属性——超声乳化要在显微镜下把硬化的晶状体核一点点乳化吸除，耗时最长；而切口只是几个毫米的锐性切开，几乎瞬间完成。
不平衡带来的直接后果是：任何以准确率（accuracy）为指标的朴素分类器，都会倾向于把大量帧预测为长阶段，从而在短阶段上近乎失效。因此在该数据集上做阶段识别，几乎必须使用 macro-F1、逐类召回，或加权损失，而不能只看全局准确率。这一点在论文中被列为阶段识别任务的主要挑战之一。
3.4 影响阶段识别的其他视觉难点
除类别不平衡外，论文还列举了一批让阶段识别变难的视觉因素，这些因素对任何在此数据上训练模型的人都是"已知地形"：
- 器械外观相似：部分阶段使用的器械在画面中形态高度接近，导致模型在相邻类别间决策边界模糊，类间差异被压窄；
- 散焦模糊（defocus blur）：手术中会手动调整显微镜对焦，调焦瞬间画面失焦；
- 运动模糊（motion blur）：眼球不自主运动、器械快速靠近镜头，都会产生运动模糊，抹掉可供区分的空间细节；
- 缺乏元数据：视频存储时未附带额外上下文信息，模型无法借助机型、光照参数等辅助线索；
- 患者间视觉差异：不同患者的眼球外观（虹膜纹理、色素、瞳孔状态）差异大，造成显著的视频间分布差异，需要充足的训练数据才能获得可泛化的模型。
把这五条与阶段不平衡合并，就能理解为什么论文强调"阶段识别需要大量训练数据"——这也是 Cataract-1K 用 1000 段视频撑规模的现实动因。
§4 语义分割任务：2256 帧的像素级解剖与器械
4.1 任务定义与规模
场景语义分割（scene segmentation）要求对每一帧逐像素地判断其属于哪一类解剖结构或器械。Cataract-1K 的分割子集从 30 段常规手术视频中抽帧，得到共 2256 帧像素级标注。抽帧策略是每 5 秒取 1 帧，分辨率 1024×768，视频平均时长 6.52 分钟（标准差 2 分钟）。
每 5 秒抽帧是一种刻意的稀疏化：相邻帧的像素级场景变化很小，密集抽帧会带来大量冗余标注，而稀疏抽帧既保留了阶段之间与阶段内部足够多样的场景，又显著降低标注成本。代价是它无法直接用于时序密集的分割任务，只适合帧级场景理解。
抽帧后还做了质量清洗：严重运动模糊的帧、以及虹膜不在画面内的帧被剔除。剔除"虹膜出画"的帧尤其关键——分割标签里包含虹膜、瞳孔、人工晶体三种解剖结构，若目标解剖结构都离开了视野，这类帧对分割训练没有正向价值，反而引入噪声。
4.2 类别体系：3 解剖 + 9 器械
分割标签共 12 类，分为两组：
三种解剖结构：
- iris（虹膜）
- pupil（瞳孔）
- intraocular lens（人工晶体，IOL）
九件手术器械：
- slit/incision knife（切口刀）
- gauge（规尺）
- spatula（铲）
- capsulorhexis cystotome（撕囊针）
- phacoemulsifier tip（超声乳化头）
- irrigation-aspiration（注吸头）
- lens injector（晶体推注器）
- capsulorhexis forceps（撕囊镊）
- katana forceps（刀镊）
这里有一条必须存照的双口径：第九件器械在官方 GitHub README 中写作 katana forceps，而部分二手目录（如 Awesome-Medical-Dataset 的转述）把它写作 Sinskey hook。两者并非完全对立的两种器械（Sinskey 钩与"刀镊"在眼科器械中确有区分），但官方一手来源明确为 katana forceps，因此引用时应以官方为准，并意识到二手目录转述可能带来的器械清单漂移（§10 坑点）。
4.3 标注工艺与双格式输出
分割的像素级标注全部在 Supervisely 平台上以多边形（polygon）方式人工勾画，导出为 JSON。随后官方又转出 COCO 格式，附带所有像素级对象的边界框（bounding box）。于是同一份标注支撑两类任务：
- Supervisely JSON：直接服务语义分割（每像素类别）；
- COCO 格式：还能服务目标检测/定位（每个对象的矩形框）。
官方还提供了把 JSON 转成三类训练掩码的代码：anatomy + instrument（解剖 + 器械）联合分割、binary instrument（二值器械）分割、multi-class instrument（多类器械）分割。这三档对应不同的研究需求：联合分割考查模型对整幅场景的理解；二值器械只问"这里是不是器械"；多类器械则要进一步区分是哪一件器械，难度依次递增。
4.4 划分方式：5 折患者级切分
分割子集采用 5 折（five folds），且强调 patient-wise separation（患者级划分）：每一折由 6 段不同的视频构成（30 段 ÷ 5 折 = 6 段/折）。患者级划分的意义在于防止同一患者的帧跨折出现，否则模型可能靠"记住这个病人的眼球长什么样"来作弊，从而高估泛化性能。这是医学图像数据集划分的一条纪律线，Cataract-1K 在分割子集上明确遵守。
需要注意的是，这一"5 折 × 6 段"的划分只适用于分割子集；阶段识别子集（56 段）采用的是按视频的划分口径，两者不能混为一谈。检索者在引用"划分方式"时务必标注清楚是针对哪个子集。
4.5 论文给出的分割基准
论文用多种 SOTA 神经网络架构在"解剖 + 器械"分割上做了基准测试，并以"均值 ± 标准差"的形式报告结果（论文 Fig. 5 展示的正是各架构的平均与标准差）。这些基准的作用是给后继研究一个可比对的起点，同时验证标注质量本身是否足以支撑训练。由于本轮研究未能实抓论文正文表格，本条目不列具体逐模型的 Dice/IoU 数值，只做定性表述——具体数值请以 Sci Data 论文表格为准（见遗留疑点）。
§5 不规则检测：两类会改变手术走向的异常
5.1 为什么要单独做异常子集
常规阶段与常规场景之外，Cataract-1K 还提供了一个小而关键的额外维度：术中不规则检测（intra-operative irregularity detection）。它挑出两类在白内障手术中会真实影响手术安全与预后的异常，各自成集。之所以要单列，是因为这两类事件与常规阶段不同——它们不是按固定顺序出现的流程步骤，而是可能突然发生、打断流程的"事件"，需要用不同的任务范式去检测。
这两类异常是：瞳孔收缩（pupil contraction / pupil reaction）与人工晶体旋转（IOL rotation / lens irregularity）。
5.2 瞳孔收缩（Pupil Contraction）
瞳孔收缩的发生机制与临床危害在官方描述中讲得很清楚：在超声乳化阶段，被遮挡的自然晶状体被击碎并吸除，视网膜光感受器接收到的光量可能突然增加。这种光照变化会影响瞳孔大小，通常导致缓慢（渐进）的瞳孔收缩；但在部分病例中，瞳孔会对光照变化产生意料之外的快速反应、迅速收缩。
这种瞳孔大小的突变可能带来严重的术中后果。尤其危险的是超声乳化阶段——此时器械已深入眼内，瞳孔尺寸的骤变可能导致眼球娇嫩组织受伤。此外，当术中发生瞳孔收缩（miosis，瞳孔缩小）时，要实现精确的人工晶体对位或居中会变得困难：对多焦点人工晶体而言，微小的位移或倾斜可能显著损害视觉质量（这类偏差对常规单焦点晶体或许可忽略）；对散光矫正型（toric）人工晶体而言，环面的精确对位至关重要，任何偏差都会削弱晶体效果。因此，检测异常的瞳孔反应与严重瞳孔收缩，对改善白内障手术总体结局、并为术后调查提供线索，都有重要价值。
5.3 人工晶体旋转（IOL Rotation）
人工晶体旋转的临床背景同样被官方详述：虽然人工晶体在手术结束时已对位并居中，但术后仍可能旋转或移位。即便是轻微的偏差——散光矫正型晶体环面的微小错位、多焦点晶体的轻微位移与倾斜——都可能造成显著的视觉畸变，让患者不满意。术后并发症唯一的处理方式是二次手术，意味着额外费用、更高的手术风险与患者的不适。
识别可用于预测与预防术后晶体移位的术中指标，是一项尚未被满足的临床需求。已有观点认为，白内障手术中人工晶体的术中旋转是术后错位的主因。因此，自动检测并测量术中晶体旋转，能有效帮助预防术后人工晶体移位。官方给出的一个具体量级是：晶体展开过程中发生的快速顺时针旋转，发生在不足七秒内——这个"七秒"窗口既揭示了检测难度（事件极短），也指明了算法必须具备的时间分辨率。
5.4 两个异常子集的获取与体量
两个异常子集各自有独立的 Synapse accession：Pupil Reaction Set 为 syn53395402（3.29 MB）、Lens Irregularity Set 为 syn53395131（1.49 MB）。从体积看，它们是远小于主集的小子集（对比主集 89.9 GB、阶段集 3.87 GB、分割集 4.74 GB）。因此本条目在描述其用途时保持克制：这两个子集更适合作为异常检测的探索性/提示性素材，其规模不足以支撑统计显著的结论，论文也将它们定位为"以支持进一步研究"的种子数据，而非完整基准。
一个需要留意的细节是命名口径：官方页面与论文正文中，"瞳孔收缩"这一异常也被写作 “pupil reaction”（瞳孔反应），而介绍段中出现的 “pupil constriction” 与之指同一现象；"人工晶体旋转"则在 README 中称 “lens rotation”，在子集文件夹中称 “Lens Irregularity Set”。这些名称变体不影响数据本体，但会影响检索——建议同时以 pupil/constriction/reaction 与 IOL/lens/rotation/irregularity 多组关键词检索（§10 坑点）。
5.5 两类异常的对照：急性 vs 慢性后果
把两类异常放在一起看，会发现它们在后果的时间尺度上恰好互补，这也是数据集把它们成对收录的意义：
| 维度 | 瞳孔收缩（Pupil Contraction） | 人工晶体旋转（IOL Rotation） |
|---|---|---|
| 发生时机 | 术中，多在超声乳化阶段 | 展开期（术中）或术后 |
| 触发机制 | 光照骤增引发的瞳孔反射 | 晶体展开/术后稳定性不足 |
| 时间尺度 | 突发（快缩）或渐进（慢缩） | 快速顺时针旋转 <7 秒 |
| 主要危害 | 器械在眼内时伤及娇嫩组织；妨碍晶体对位 | 术后晶体移位/错位，视觉畸变 |
| 补救方式 | 术中处理（药物、粘弹剂） | 术后二次手术 |
| 检测价值 | 术中安全监测 | 术后并发症的术中预测指标 |
从表中可见：瞳孔收缩是急性术中安全事件（若正在超声乳化、器械已深入眼内，瞳孔骤变可能直接致伤），而 IOL 旋转更偏向慢性后果（术后移位、二次手术）。但有趣的是，IOL 旋转的发生也是急性的——晶体展开时的快速顺时针旋转不足七秒——只是它的危害在术后才显现。正是这种"术中事件、术后后果"的因果链，使术中 IOL 旋转的自动检测具有术后预防价值：若能在手术中识别出预示移位的旋转模式，就可能提前干预。
5.6 异常检测与阶段识别的关系
异常子集与阶段识别子集并非平行，而是有上下文依赖：瞳孔收缩的高危窗口锁定在超声乳化阶段，IOL 旋转发生在晶体展开/植入阶段。这意味着一个理想的手术分析系统需要两件事协同——先用阶段识别定位"我现在在哪个阶段"，再在该阶段的上下文里做异常检测。否则，孤立的异常检测器会在不相关的阶段大量误报。
这种"阶段先验 + 异常检测"的组合，正是把三类任务放在同一数据集上的深层价值：阶段时间线为异常检测提供上下文窗口，而异常事件又为阶段识别标注了关键边界。使用者若同时做多任务，可尝试让阶段模型与异常模型共享主干表示，用阶段信息约束异常检测的时间搜索范围，从而在小子集上也能取得更稳的性能。
5.7 异常子集的临床选题方法论
最后值得提炼的一点是选题方法论。医学数据集里"异常子集"常见两种做法：一种是事后从数据中挑出"看起来不寻常"的片段，缺乏临床依据；另一种是 Cataract-1K 采取的先论证临床重要性、再定向收集。后者要求作者能在论文里写清：这个异常为什么危险（瞳孔收缩→组织损伤、IOL 旋转→二次手术）、它的发生机制是什么（光照骤增、晶体展开）、检测它能带来什么下游价值（术中预警、术后预防）。这正是 Cataract-1K 异常子集在文档上比"截图集合"扎实的地方，也是后继数据集设计可借鉴的模板。
§6 获取与许可：怎么拿到这 1000 段视频
6.1 许可：CC BY 4.0，医学数据集里最宽松的一档
Cataract-1K 的许可明确为 Creative Commons Attribution 4.0 International（CC BY 4.0）。官方 GitHub README 原文表述为数据集在 “Creative Commons 4.0 International (CC BY)” 下授权，并链接至 CC BY 4.0 的完整法律条款。
CC BY 4.0 的核心含义是：你可以复制、分发、传播这份作品，甚至可以用于商业目的，条件只有一条——署名（Attribution）：你必须给出适当的署名、提供许可链接、并指明是否做了修改，且不得以暗示授权人认可你的使用或你本人。在医学影像数据集里，这个许可属于最宽松的一档——它没有 NonCommercial（非商用）限制，也没有 ShareAlike（相同方式共享）或 NoDerivatives（禁止演绎）限制。
这一点值得反复强调，因为白内障领域的其他数据集许可往往更严格：本团队更早的 Cataract-101 走的是 FTP/Zenodo 的自定义渠道；而近邻 CATARACTS 及许多手术视频数据集则以"仅研究用途"或挑战赛协议分发。Cataract-1K 采用 CC BY 4.0，等于在合规前提下把可用范围放到最大，这也是它被广泛用作手术视频基础模型预训练语料的重要原因。
一条必须存照的口径张力：第三方数据集目录 EyeDataHub 把 Cataract-1K 的条款归一化为 “Research only — see Synapse terms”（研究专用）。这与官方 CC BY 4.0 的表述并不一致。按纪律包"一切以一手来源为准"的原则，应以官方 README 的 CC BY 4.0 为准；EyeDataHub 的条目自述其标注为 “curation metadata, not legal advice”，属第三方归一化描述，不应被当作法律结论。本条张力已列入 §10 与文末存照。
6.2 获取入口：Synapse 免费注册
数据集的正式获取入口是 Synapse 平台（synapse.org）。Synapse 是 Sage Bionetworks 运营的生物医学数据共享平台，使用前需免费注册账号。数据集被拆分为五个可独立下载的包，各自有独立 accession：
| 资产 | Synapse accession | 体积 | 内容 |
|---|---|---|---|
| 主集 Catatact-1k | syn53404507 | 89.9 GB | 1000 段手术视频 |
| 阶段识别集 Phase Recognition Set | syn53395146 | 3.87 GB | 56 段视频 + CSV 阶段标注 |
| 语义分割集 Semantic Segmentation Set | syn53395479 | 4.74 GB | 30 段视频 + Supervisely/COCO 标注 |
| 晶体不规则集 Lens Irregularity Set | syn53395131 | 1.49 MB | IOL 旋转异常子集 |
| 瞳孔反应集 Pupil Reaction Set | syn53395402 | 3.29 MB | 瞳孔收缩异常子集 |
| 数据准备代码 | github.com/Negin-Ghamsarian/Cataract-1K | — | 预处理与切帧脚本 |
需要特别提醒的是"别只下主集"：主集只含视频本体，全部标注都在另外四个子集包里。许多检索者第一次接触时只拿到 89.9 GB 的主集，随后发现"没有标签"，就是因为漏下了 syn53395146（阶段）、syn53395479（分割）等标注包。正确姿势是：主集 + 需要的任务子集一起下。
6.3 版本链：Figshare 临时访问 → Synapse 正式发布
数据集的获取路径经历过一次版本迁移，这是理解其检索历史的必要背景：
- 投稿阶段：arXiv 版论文的脚注写明，数据集将在论文接收后于 Synapse 公开；但为了匿名评审（避免评审人通过数据来源反推作者身份），数据集暂时通过 Figshare 访问。
- 正式发布阶段：论文被 Scientific Data 接收后，数据集正式在 Synapse 公开发布（即上表的 accession 列表）。
这两个口径并不冲突，而是"暂存 → 正式"的时间先后。对现网检索者而言，应以 Synapse 为正式入口；若在旧文献或缓存页面上看到 Figshare 链接，需理解那是投稿期的历史形态。
6.4 Synapse accession 的双口径存照
在主集的 accession 上存在一处编号分歧，必须逐条存照：
- 官方 GitHub README 列主集为 syn53404507（89.9 GB）；
- 第三方目录 EyeDataHub 引用的来源 accession 为 syn53404917。
两者仅末两位数字不同（04507 vs 04917），高度疑似同一条目在 Synapse 上的孪生编号或迁移编号。按"以一手来源为准"，本条目采信官方 README 的 syn53404507，并把 EyeDataHub 的 syn53404917 记入遗留疑点（未核实其是否为独立记录）。检索者在 Synapse 中若搜到两个相近编号，建议以官方 README 链接为准，或直接通过 README 的直达链接进入。
6.5 下载与存储的工程提示
对准备下载的研究团队，本条目给出几条工程性提示：
- 体积规划：主集 89.9 GB 是净下载量，解压与帧提取后占用会显著增加；分割集虽只有 4.74 GB，但抽帧转掩码后也需预留中间空间。建议按任务按需下载，而非一次性拉全部。
- 网络：Synapse 走 HTTPS，机构网络若对科研数据平台有限速，建议分批、断点续传。
- 匿名性：数据集对隐私做了处理（论文标注对象做了匿名化），Synapse 上也可能要求使用者遵守平台的数据使用条款——使用前应通读 accession 页面底部的条款说明。
- 代码配套：切帧、CSV 解析、掩码生成的脚本都在 GitHub 仓库，下载数据后应先跑一遍官方脚本，确保还原出的阶段序列与掩码与论文口径一致。
§7 基准与评估：论文验证了哪些能力
7.1 论文的验证策略
Cataract-1K 论文不只发数据，还做了三层验证，用以证明"这批标注足够可靠、足以支撑研究"：
- 阶段识别基准：用多种 SOTA 神经网络架构在 56 段阶段子集上训练与评测，验证阶段标注的可学习性；
- 场景分割基准：用多种架构在"解剖 + 器械"任务上评测（论文 Fig. 5 报告各架构的均值与标准差），验证像素级标注的质量；
- 跨域器械分割（域适配）：首次在白内障器械分割上发起域适配研究，评估跨域器械分割性能。
这一点很重要：数据集论文的基准并非要"刷榜"，而是要证明标注可被模型学会、任务有难度梯度、结果可复现。对使用者而言，这些基准提供了"合理预期区间"——如果你的模型在该子集上的表现远高于论文基准，通常意味着数据泄漏或评测口径不一致，而非模型真的一骑绝尘。
7.2 论文的规模与体量
按 arXiv 版本的信息，该数据集论文共 12 页正文、5 幅图、7 张表，学科分类为计算机视觉与模式识别（cs.CV）。7 张表中包含了阶段识别与分割的基准结果表、标注实例统计表（Table 2 报告每类实例数与在折内帧中的出现百分比）、以及每标签平均像素数表（Table 3）。这些表格是复现与对比的第一手依据。
7.3 与既有数据集的横向对照
Sci Data 版 Table 1 给出了 Cataract-1K 与两个既有数据集的能力对照，可帮助定位其相对优势：
| 数据集 | 采集时间 | 任务 | 视频数 | 标注 | 分辨率 |
|---|---|---|---|---|---|
| CaDIS | 2015 | 语义分割 | 25 | 4670 帧（解剖/器械/其他） | 960×540 |
| CatRel | 2017—2018 | 阶段相关性 | 22 | 帧级（四相关阶段 vs 其余） | 224×224 |
| Cataract-1K | 2021—2023 | 语义分割 + 阶段识别 | 30（分割）/ 56（阶段） | 2256 帧（解剖/器械）+ 帧级十三类 | 1024×768 |
从表中可以读出 Cataract-1K 的三点相对优势：更新的采集年代（2021—2023，反映当代设备与术式）、更高的分辨率（1024×768，远高于 CatRel 的 224×224）、更完整的多任务覆盖（同时含分割与阶段，而 CaDIS/CatRel 各偏一类）。这三点正是它被定位为"largest cataract surgery video dataset"的依据。
7.4 复现与评测的工程纪律
基于该数据集做评测，有几条工程纪律值得预先写下：
- 按子集选用正确的划分：分割子集是 5 折患者级划分（5 折 × 6 段）；阶段子集按视频划分。不要拿分割的折去切阶段数据。
- 阶段用 macro 指标：由于类别严重不平衡，逐类 F1（macro-F1）比全局准确率更能反映真实性能（§3）。
- 分割按三类设置分别报告：解剖+器械、二值器械、多类器械三档难度不同，笼统报一个"分割 Dice"会掩盖差异（§4）。
- 异常子集只做定性：两个异常子集体量极小（MB 级），其上的指标波动大，不应当作统计显著结论（§5）。
- 跨域评测需声明训练域：论文的域适配研究涉及跨域器械分割，若你复现跨域评测，务必写明源域与目标域，否则结果无法比对。
7.5 基准数字的引用纪律
本条目在正文中刻意不列出逐模型的 Dice/IoU/F1 具体数值。原因是本轮研究未能实抓论文正文与表格（Nature 与 paperity 被反爬、PMC 返回小页），若凭记忆或二手转述填写精确数字，风险高于收益。按纪律包"不臆造"的要求，正确做法是把具体数值列为遗留疑点，请读者以 Sci Data 论文（doi:10.1038/s41597-024-03193-4）与 GitHub 仓库的官方表格为准。这样做虽牺牲了"看起来很全"的表面，却守住了数据条目的可信底线。
7.6 阶段识别与分割的评测差异总表
为便于快速对照两个主要任务的评测口径差异，汇总如下：
| 评测维度 | 阶段识别 | 语义分割 |
|---|---|---|
| 子集规模 | 56 段 | 30 段 / 2256 帧 |
| 输入粒度 | 帧级时序 | 帧级空间（抽帧） |
| 输出 | 每帧一个类别（13 类） | 每像素一个类别（12 类） |
| 主要指标 | macro-F1 / 逐类召回 | Dice / IoU |
| 划分 | 按视频 | 5 折患者级 |
| 主要难点 | 类别不平衡、器械相似、模糊 | 长尾器械、边界像素 |
| 是否有时序 | 有（阶段序列） | 无（独立帧） |
这张表的价值在于提醒：不要把两个任务的指标混着报。阶段识别有时序结构、分割无时序；阶段用分类指标、分割用重叠度指标；阶段按视频划分、分割按患者划分。任何"混合报告"都会让结果无法与论文基准对齐。
7.7 论文验证策略的启示
Cataract-1K 论文的验证策略本身也值得学习：它没有把重点放在"我的数据集让模型刷出多高的分数"，而是放在"我的标注能被学会、我的任务有梯度、我的结果可复现"。这种"验证数据质量而非证明模型强"的取向，是数据集论文应有的姿态——数据集论文的读者，关心的是"这份数据值不值得用"，而不是"作者模型多强"。
对应到使用者的实践：你在该项目上跑出的数字，应当与论文基准处于同一量级；若显著更高，先怀疑数据泄漏（尤其是分割子集的患者级划分没遵守）；若显著更低，先检查是否漏还原了 idle、或用错了几何/时序口径。把论文基准当作"合理性检查尺"，是使用任何基准数据集的正确心态。
§7.8 复现清单（Checklist）
为方便直接照做，将复现要点整理为一张检查清单：
- [ ] 已注册 Synapse 账号并接受数据使用条款；
- [ ] 已下载任务对应子集（阶段 syn53395146 / 分割 syn53395479 / 异常 syn53395402、syn53395131），而非仅主集；
- [ ] 已用官方 GitHub 脚本还原阶段 CSV 的 action + idle 序列；
- [ ] 阶段评测使用 macro-F1 或逐类指标；
- [ ] 分割使用 5 折患者级划分，未发生患者级泄漏；
- [ ] 分割按 anatomy+instrument / binary / multi-class 三档分别报告；
- [ ] 异常子集结果标注为探索性，未作统计显著宣称；
- [ ] 引用时区分全集 1000 段与标注子集 56/30 段；
- [ ] 引用时长时标注所属子集（7.12 / 6.45 / 6.52）；
- [ ] 引用许可时用 CC BY 4.0，而非二手目录的 research-only 归一化。
§8 方法学启示与生态位置
8.1 大型手术视频数据集的"海量主体 + 精细子集"范式
Cataract-1K 最值得学习的方法学特征，是它采用的**“海量无标注主体 + 少量精细标注子集”**混合范式。1000 段视频构成规模底座，但真正带标注的只有 56 段（阶段）与 30 段（分割）。这并非偷懒，而是受成本结构约束的理性设计：手术视频的每一帧标注都需要临床医生或经训练的标注员投入时间，像素级分割尤其昂贵（多边形勾画一帧往往需要数分钟）。若对 1000 段全部做像素级标注，成本将不可承受。
这一范式的可迁移经验是：
- 规模用于预训练：海量无标注视频可用于自监督/预训练，学习手术场景的通用表示，再迁移到带标注子集上微调；
- 精细标注用于评测与监督微调：少量高质量标注子集用于基准评测和监督信号，保证标注质量不被规模稀释；
- 口径必须分层：使用者在引用"数据集规模"时，必须区分"全集规模"与"标注子集规模"，否则极易误导（§2.2、§10）。
8.2 多任务共享一个数据源的价值
Cataract-1K 把阶段识别、场景分割、不规则检测压在同一个数据源上，带来两个好处：其一，多任务之间共享视觉域（同一设备、同一诊所、同一术式），便于研究多任务学习与表示共享；其二，任务之间可交叉验证——分割出的器械可作为阶段识别的线索，阶段时间线可为异常检测提供上下文窗口。这一点与"每个任务各发一个小数据集"的传统做法形成对比，也是当前手术视频数据集的发展方向。
8.3 对域适配研究的贡献
论文的一个特色是首次在白内障器械分割上发起域适配（domain adaptation）研究：由于 Cataract-1K 是单中心、单设备采集，模型在一个子集上训练后迁移到另一个子集，天然构成跨域场景。评估跨域器械分割性能，等于给"手术视频模型能否跨机构泛化"这一核心问题提供了一个受控试验台。对于关心泛化性的研究者，这是 Cataract-1K 相对于多中心数据集的一项独特价值——单中心的一致性使域偏移更可控、更易量化。
8.4 异常子集的临床驱动设计
两个异常子集（瞳孔收缩、IOL 旋转）体现了临床驱动的设计思路：它们不是随便挑的"有趣片段"，而是被明确论证了临床危害的术中事件——瞳孔收缩可能伤及眼内组织、妨碍晶体对位；IOL 旋转是术后移位的主因、只能靠二次手术补救。这种"先论证临床重要性、再收集数据"的顺序，使数据集具备真实的下游价值，而不仅是 CV 练习。对医学数据集设计者而言，这是一个可复制的选题方法。
8.5 在白内障手术视频数据集景观中的位置
把 Cataract-1K 放进白内障手术视频数据集的谱系里，大致有三代：
- 第一代（小规模、单任务）：Cataract-101（101 段、10 阶段，2018）、CATARACTS（50 段、器械检测，2015—2018）、CaDIS（25 段、分割，2015）、CatRel（22 段、相关性）；
- 第二代（中规模、多任务）：以 Cataract-1K（1000 段、阶段 + 分割 + 异常，2024）为代表；
- 第三代（超大规模、基础模型导向）：诸多手术视频基础模型开始把 Cataract-1K 纳入预训练语料，数据集角色从"评测集"转向"预训练语料"。
Cataract-1K 处于第二代与第三代之间的枢纽位置：它既是可评测的基准，又是可预训练的沃土。
8.6 泛化性视角：单中心的两面性
单中心采集是 Cataract-1K 的一把双刃剑。优点已在 §8.3 陈述（域偏移可控、域适配研究有受控台）；缺点是外部效度受限——在克拉根福这家诊所、这套设备、这批术者上训练的模型，迁移到其他机构、其他设备、其他人群时未必保持性能。因此，把 Cataract-1K 当作"通用白内障模型"的训练集时需要谨慎；更稳妥的用法是把它作为强基准 + 域适配实验的源域，并在目标机构上做微调或跨域验证。
8.7 与 Cataract-101 的谱系演进
把 Cataract-1K 与其前作 Cataract-101 逐维对照，能直观看到六年间的跃迁：
| 维度 | Cataract-101（2018） | Cataract-1K（2024） |
|---|---|---|
| 视频数 | 101 段 | 1000 段 |
| 阶段类别 | 10 个 | 12 个 + idle |
| 阶段标注视频 | 101 段（全标） | 56 段（子集） |
| 分割标注 | 无 | 30 段 / 2256 帧 |
| 异常子集 | 无 | 瞳孔收缩 + IOL 旋转 |
| 术者经验分层 | 2 级（助理 vs 资深） | 1,000—40,000+ 台连续跨度 |
| 获取 | FTP / Zenodo | Synapse |
| 采集年代 | 2015—2016 | 2021—2023 |
从表可见演进的三个方向：规模（101→1000）、任务维度（单阶段→阶段 + 分割 + 异常）、标注策略（全标小集→子集精标）。尤其值得注意的是标注策略的转变：Cataract-101 对全部 101 段都做了阶段标注，而 Cataract-1K 只对 56 段做阶段标注——这是因为主体扩大到 1000 段后，全标不再可行，只能退回"精标子集"。这一转变本身就是大型数据集时代的一个缩影。
8.8 三类任务的统一视角
若把 Cataract-1K 的三类任务抽象成统一的"手术理解"框架，可以这样理解它们的分工：
- 阶段识别回答"何时（when）"——手术进行到哪一步；
- 场景分割回答"何物（what/where）"——画面里有什么、在哪里；
- 异常检测回答"何异（anomaly）"——有没有出错或危险。
“何时 / 何物 / 何异"正好覆盖了手术视频理解的基本问句。一个完整的计算机辅助干预系统，通常需要三者协同：阶段提供时间轴、分割提供空间对象、异常提供风险信号。Cataract-1K 把三者齐备地放在一个数据源上，使其成为搭建此类系统的"一站式原料”。这也是它相对于"单任务数据集"的核心竞争力。
8.9 数据治理视角的两点评估
从数据治理角度看，Cataract-1K 有两处值得称道、两处值得改进：
值得称道：（1）伦理与知情同意齐全（EK 28/17，患者知情同意），并有匿名化处理，符合临床数据发布的合规底线；（2）许可清晰（CC BY 4.0），使后续利用的法律不确定性最小。
值得改进：（1）accession 与器械清单的双口径未在官方文档中并列说明，导致二手目录转述出现偏差（§10 坑点 2、4）；（2）缺少独立机构数据门户，数据与代码分别托管在 Synapse 与 GitHub 个人仓库，长期可用性依赖平台与个人维护。这两点在后继数据集设计中可作为改进方向。
§9 与库内条目的关系
9.1 家族图谱
Cataract-1K 在库内至少有两个强互链条目，二者与它构成白内障手术视频分析的"同题家族"：
- cataract-101（record_id 263）：Cataract-101，ITEC/克拉根福团队 2018 年的前作，101 段手术视频、10 个手术阶段、由资深眼科医生标注。它与 Cataract-1K 共享**同一学派甚至同一位合作者（Klaus Schoeffmann）与同一城市（克拉根福）**的研究谱系，是 Cataract-1K 的直接前身与规模升级对象。两者对照阅读，能清晰看到"从 101 到 1000"的规模跃迁与标注体系演进（10 阶段 → 12 阶段 + idle + 分割 + 异常）。
- cataracts（record_id 253）：CATARACTS，法国布雷斯特团队的数据集，50 段双路视频（显微镜 + 器械托盘），主线是 21 种器械的存在检测与手术活动识别。它与 Cataract-1K 是同任务族但不同谱系：都做白内障手术视频理解，但数据来源、采集设备、标注体系、任务侧重均不同，是天然的横向对照。
9.2 检索路径建议
- 想追溯白内障手术视频数据集的演进：按 cataract-101（2018）→ cataracts（2015—2018）→ cataract-1k（2021—2023）的时间线阅读；
- 想找同任务的替代/补充数据：从 cataract-1k 出发横向跳转到 cataracts（器械/活动识别）与 cataract-101（阶段识别）；
- 想找更广的手术工作流分析家族：可关注库内的其他手术视频/流程分析条目（如腹腔镜、内窥镜类），它们与 Cataract-1K 共享"阶段识别 + 器械分割"的任务结构，可作任务层面的横向比较（存在性待核，见遗留疑点）。
9.3 消歧提示
库内已有两个名称高度相近的白内障条目（cataract-101、cataracts），加上本条目 cataract-1k，三者极易混淆。检索时的消歧规则是：
- 名称含 “101” → ITEC/克拉根福 101 段视频，2018，10 阶段（rid 263）；
- 名称是 复数 “cataracts” → 布雷斯特 CATARACTS 挑战赛，50 段，双路视频（rid 253）；
- 名称含 “1K / 1k” → 本条目，克拉根福 1000 段，2021—2023，Sci Data 2024（rid 待发布）。
记住"101 / cats / 1K"三个后缀的对应关系，即可在库内快速定位（§10 坑点之一）。
9.4 跨库互链的落地方式
按库内互链规范（R012 教训），本条目在 frontmatter 的 relatedLink 字段只保留纯 URL，不写任何说明文字；所有血缘对照、消歧说明一律写在正文（即本节）。本条目当前登记的强互链为两条：
https://www.qianfanghub.com/ai-ready-dataset/cataract-101/0（rid 263，Klagenfurt 同谱系前作）https://www.qianfanghub.com/ai-ready-dataset/cataracts/0（rid 253，CATARACTS 挑战赛）
其余弱互链（如 CaDIS、CatRel 及更广的手术视频工作流家族）因库内存在性未核实（附录 AA 遗留疑点），暂不写入 frontmatter，待确认后由发布侧统一补齐。发布后由主会话按库内 rid 重建双向家族导航。
§10 避坑清单：十个已踩过的坑
以下坑点均来自本条目研究过程中的实证核验，标注了双口径冲突、命名陷阱与工程细节，供检索者与后继写手参考。
坑点 1：把"1000 段"当成"1000 段都带标注"。 常见误解是 Cataract-1K 的每一段视频都有阶段或分割标注。事实是：阶段标注仅 56 段、像素级分割标注仅 30 段，其余绝大多数视频无标注。引用规模时必须说清是"全集 1000 段"还是"标注子集 56/30 段"。这是本数据集最大的口径陷阱。
坑点 2：Synapse 主集 accession 双口径（04507 vs 04917）。 官方 GitHub README 列主集为 syn53404507，第三方目录 EyeDataHub 引用 syn53404917。两编号仅末两位不同。以官方 README 为准，检索时优先用 README 的直达链接。
坑点 3：只下主集漏掉标注包。 主集 syn53404507（89.9 GB）只含视频，阶段标注在 syn53395146、分割标注在 syn53395479、异常子在 syn53395402/syn53395131。第一次下载者常只拉主集，结果"没有标签"。
坑点 4：器械清单末项名双口径（katana forceps vs Sinskey hook）。 官方 README 第九件器械为 katana forceps，部分二手目录（Awesome-Medical-Dataset）转述为 Sinskey hook。以官方为准，二手转述可能导致器械清单整体漂移。
坑点 5：license 双口径（CC BY 4.0 vs research only）。 官方 README 明确 CC BY 4.0；EyeDataHub 归一化为 “Research only — see Synapse terms”。以官方 CC BY 4.0 为准，第三方归一化非法律结论。
坑点 6：三个"平均时长"数字分属不同子集（7.12 / 6.45 / 6.52 分钟）。 7.12 分钟是全集主体、6.45 分钟是阶段子集、6.52 分钟是分割子集。三者不可混用；跨子集引用时长时务必标注来源子集。
坑点 7：Sci Data Table 1 的 “Videos = 60”。 该数字是分割 30 段 + 阶段 56 段合并计数时的合并视图，并非数据集只有 60 段视频。按分任务口径（30 / 56）表述才准确。
坑点 8：两个数据集版本名的差异（arXiv/Sci Data 版 vs IEEE TMI 版）。 arXiv:2312.06295 与 Sci Data 版题为 “…Scene Segmentation, Phase Recognition, and Irregularity Detection”；第三方目录引用的 IEEE TMI 2024 版题为 “…Domain Generalization of Surgical Workflow Analysis”。同一数据集的两篇论文，标题不同，引用时勿混为一篇。
坑点 9：异常子集名的变体（pupil reaction / pupil constriction / miosis；lens rotation / IOL rotation / lens irregularity）。 同一类异常在不同位置有多种写法，单一关键词检索易漏。建议多关键词并用。
坑点 10：单中心外部效度。 全部数据来自克拉根福单一眼科诊所、单一设备（MediLive Trio Eye + ZEISS OPMI Vario），直接外推为"通用白内障模型"有域偏移风险。稳信用法是作强基准 + 域适配源域，并在目标域上微调/验证。
附录 A：DAIMS 评估全表
DAIMS 是评估数据资产管理成熟度的五维框架（可发现性 Discoverability、可获取性 Accessibility、可互操作性 Interoperability、元数据质量 Metadata、可持续性 Sustainability）。下表按五个维度对 Cataract-1K 打分（1—10），并给出依据：
| 维度 | 评分（1-10） | 依据 |
|---|---|---|
| D 可发现性 | 9 | Sci Data + arXiv + GitHub 三入口，DOI 稳定；PubMed/PMC 收录；被大量目录收录；名称 “Cataract-1K” 唯一性好（区别于 cataract-101/cataracts） |
| A 可获取性 | 8 | CC BY 4.0 且 Synapse 免费注册即可下载，五包独立；扣分项为主集 89.9 GB 体积大、Synapse 需注册且部分网络限速 |
| I 可互操作性 | 7 | MP4/H.264 通用视频格式 + CSV 标注 + Supervisely JSON + COCO 双格式，配套 GitHub 预处理代码；无 DICOM 桥接，跨工具链需自行转换 |
| M 元数据质量 | 8 | 论文 7 表 + 官方 README 详尽列出各子集规格、患者与术者画像、疾病与异常定义；扣分项为 accession 与器械末项的双口径未在官方文档中并列说明 |
| S 可持续性 | 8 | 依托 Synapse（长期存储）+ GitHub（代码）+ 期刊 DOI，平台稳定；扣分项为 GitHub 单仓库维护、无独立机构数据门户 |
| 综合评级 | 8.0/10（优秀） | 可发现性、许可宽容度与文档质量突出；可获取性被主集体积与注册门槛轻微拖低，互操作性因缺少 DICOM 标准化而降分 |
附录 B：本条目核心数字的证据链
| 关键数字 | 来源 | 位置 |
|---|---|---|
| 1000 段视频 / 2021—2023 / Klagenfurt | 官方 GitHub README | README 首段 |
| MediLive Trio Eye + ZEISS OPMI Vario | 官方数据集页 / README | Dataset Description |
| 平均 7.12 分钟 / 标准 200 秒 / 25 fps / 512×324 | 官方 GitHub README | README 首段 |
| 阶段子集 56 段 / 1024×768 / 30 fps / 6.45 分钟 | 官方 GitHub README | Phase recognition 节 |
| 分割子集 30 段 / 2256 帧 / 每 5 秒抽帧 / 6.52 分钟 | 官方数据集页 + README | Semantic segmentation 节 |
| 患者年龄 75（51—93）/ 74.5（51—90） | 官方 GitHub README | Phase/Segmentation 节 |
| 术者经验 8929±6350 / 8033±3894 | 官方 GitHub README | Phase/Segmentation 节 |
| 12 action phase + idle 定义 | 官方数据集页 / README | Phase recognition 节 |
| 3 解剖 + 9 器械（含 katana forceps） | 官方 GitHub README | Semantic segmentation 节 |
| IOL 旋转 <7 秒 | 官方 GitHub README | Irregularity 节 |
| Synapse accession 五包 | 官方 GitHub README | Download 节 |
| CC BY 4.0 | 官方 GitHub README | Disclaimer 节 |
| 伦理 EK 28/17 / FWF P 31486-N31、P 32010-N38 | Sci Data 正文片段 / README 致谢 | Methods / Acknowledgments |
| DOI 10.1038/s41597-024-03193-4 / PMID 38609405 / PMCID PMC11014927 | PubMed | 条目页 |
| 8 作者与四机构 | arXiv abs + PubMed | 作者列表 |
附录 C：数据字典全表
本附录把散落在正文各节的字段、标签与标注定义收拢成一组可直接查用的表。所有字段语义均来自官方 GitHub README 与官方数据集页的一手陈述；凡涉及推断的单元格均显式标注"（推断）"，避免把推断当事实使用。
附录 C.1 视频级字段字典
| 字段 | 类型 | 单位 | 取值/范围 | 所属层级 | 来源 |
|---|---|---|---|---|---|
| video_id | 字符串 | — | 未公开具体编号规则 | 全集 | 官方 README（未披露编号格式） |
| duration | 浮点 | 分钟 | 主体平均 7.12；阶段子集 6.45±2.04；分割子集 6.52±2.00 | 分层 | 官方 README |
| standard_clip_duration | 整数 | 秒 | 200 | 官方口径 | 官方 README |
| resolution_unlabeled | 字符串 | 像素 | 512×324 | 仅未标注全集 | 官方 README |
| resolution_labeled | 字符串 | 像素 | 1024×768 | 阶段/分割子集 | 官方 README |
| fps_unlabeled | 整数 | 帧/秒 | 25 | 仅未标注全集 | 官方 README |
| fps_labeled | 整数 | 帧/秒 | 30 | 阶段子集 | 官方 README |
| surgeon_experience | 整数 | 台 | 1,000—40,000+（全集）；8929±6350（阶段）；8033±3894（分割） | 分层 | 官方 README |
| patient_age | 整数 | 岁 | 75（51—93，SD 8.69）阶段；74.5（51—90，SD 8.43）分割 | 分层 | 官方 README |
| task_membership | 枚举 | — | 分层 | 由 README 子集定义推得（推断） |
读表要点三则：
- 分辨率与帧率不是全集属性。未标注主体是 512×324/25 fps，标注子集是 1024×768/30 fps；把后者当成"数据集规格"是最常见的转述错误（§2.1、§10 坑点 6 的姊妹坑）。
- surgeon_experience 与 patient_age 只有子集级统计量，没有逐视频值公开——这意味着这两列不能在视频级做精确分层抽样，只能按子集整体描述。
task_membership一行是推断：官方以"subsets"形式组织下载包，但未公开"某段视频属于哪些任务"的显式映射表（§附录 AA 已列为待核）。
附录 C.2 阶段标签全表（12 action phases + idle）
| 序 | 阶段名（英文） | 中文 | 大致在流程中的位置 | 该阶段通常出现的器械 |
|---|---|---|---|---|
| 1 | incision | 切口 | 起始 | slit/incision knife |
| 2 | viscoelastic | 粘弹剂注入 | 切口后 | lens injector / 注射器类 |
| 3 | capsulorhexis | 撕囊 | 粘弹剂后 | capsulorhexis cystotome、capsulorhexis forceps |
| 4 | hydro-dissection | 水分离 | 撕囊后 | irrigation-aspiration |
| 5 | phacoemulsification | 超声乳化 | 核心阶段 | phacoemulsifier tip |
| 6 | irrigation-aspiration | 注吸 | 乳化后 | irrigation-aspiration |
| 7 | capsule polishing | 囊膜抛光 | 注吸后 | 抛光器械类 |
| 8 | lens implantation | 晶体植入 | 抛光后 | lens injector |
| 9 | lens positioning | 晶体定位 | 植入后 | 定位类器械 |
| 10 | viscoelastic-suction | 粘弹剂抽吸 | 定位后 | irrigation-aspiration |
| 11 | anterior-chamber flushing | 前房冲洗 | 抽吸后 | irrigation-aspiration |
| 12 | tonifying/antibiotics | 补液/抗生素 | 收尾 | 注射器类 |
| — | idle | 空闲段 | 任意位置 | 画面内无可见器械 |
三条使用纪律：
- 上表的"位置"列是典型顺序，不是强制顺序。实际手术中术者可能回退、合并或跳过某些步骤，这也是阶段识别比"固定流水线切分"更难的原因。
tonifying在第 12 位，但官方 README 把它写作"tonifying/antibiotics"（补液与抗生素合并为一类），引用时不要把斜杠两边拆成两个类别——那样会变成 13 个 action phase，与实际不符。idle不是"第 13 个阶段"而是独立的一类；在论文口径里常表述为"12 action phases + idle"（§3.3、FAQ Q13）。
附录 C.3 语义分割标签全表（3 解剖 + 9 器械 = 12 类）
| 序 | 类别名（英文） | 中文 | 类组 | 备注 |
|---|---|---|---|---|
| 1 | iris | 虹膜 | 解剖 | 抽帧时剔除"虹膜出画"帧，因此该类在标注帧中应普遍可见 |
| 2 | pupil | 瞳孔 | 解剖 | 与瞳孔收缩异常子集语义相关 |
| 3 | intraocular lens | 人工晶体（IOL） | 解剖 | 与 IOL 旋转异常子集语义相关 |
| 4 | slit/incision knife | 切口刀 | 器械 | 对应 incision 阶段 |
| 5 | gauge | 规尺 | 器械 | 长尾，出现频次低（§11.2） |
| 6 | spatula | 铲 | 器械 | 长尾，出现频次低 |
| 7 | capsulorhexis cystotome | 撕囊针 | 器械 | 对应 capsulorhexis 阶段 |
| 8 | phacoemulsifier tip | 超声乳化头 | 器械 | 对应 phacoemulsification 阶段 |
| 9 | irrigation-aspiration | 注吸头 | 器械 | 对应多个注吸类阶段 |
| 10 | lens injector | 晶体推注器 | 器械 | 对应 lens implantation 阶段 |
| 11 | capsulorhexis forceps | 撕囊镊 | 器械 | 对应 capsulorhexis 阶段 |
| 12 | katana forceps | 刀镊 | 器械 | 口径分歧位：二手目录转述为 Sinskey hook，以官方 README 的 katana forceps 为准（§4.2、§10 坑点 4） |
三档训练设置的类组关系（官方提供三套掩码生成代码，§4.3）：
| 设置 | 参与类 | 输出类别数 | 典型指标口径 |
|---|---|---|---|
| anatomy + instrument | 表中全部 12 类 | 12（+ 背景） | Dice / IoU（逐类 + 均值） |
| binary instrument | 9 件器械合并为 1 | 2（器械/背景） | Dice / IoU（二值） |
| multi-class instrument | 仅 9 件器械，逐类区分 | 9（+ 背景） | Dice / IoU（逐类 + 均值） |
注意：三档的"均值"不能互相比较——binary 档只有一个正类，其 Dice 天然高于 12 类档的宏平均。报告时务必写明档位（§7.4、§7.6）。
附录 C.4 异常标签字典（两类）
| 字段 | 瞳孔收缩子集（Pupil Reaction Set） | 人工晶体旋转子集（Lens Irregularity Set） |
|---|---|---|
| 事件 | 瞳孔收缩（pupil constriction / miosis） | 人工晶体（IOL）旋转 |
| 命名变体 | pupil reaction / pupil constriction / miosis | lens rotation / IOL rotation / lens irregularity |
| 触发机制 | 超声乳化期光量骤增引发瞳孔反射 | 晶体展开与术后稳定性不足 |
| 事件时窗 | 突发（快缩）或渐进（慢缩） | 快速顺时针旋转发生在不足 7 秒内 |
| 高危上下文 | 超声乳化阶段（器械已入眼内） | 晶体展开/植入阶段（lens implantation / positioning） |
| 主要危害 | 伤及眼内娇嫩组织；妨碍晶体对位与居中 | 术后晶体移位/错位，视觉畸变，需二次手术 |
| 下载体积 | 3.29 MB | 1.49 MB |
| Synapse accession | syn53395402 | syn53395131 |
| 使用建议 | 探索性/种子数据，不做统计显著宣称 | 探索性/种子数据；事件极短，对时序灵敏度要求高 |
一点方法学提醒：上表把两个异常并列，但它们的"后果时间尺度"不同——瞳孔收缩是急性术中风险，IOL 旋转是术中发生、术后显影。做检测时，前者的评价重点是"能否在伤害发生前预警"，后者是"能否识别预示移位的旋转模式"（§5.5）。这决定了两个子集即使体量相近，任务定义与评价指标也应当分别设计。
附录 C.5 元数据与治理字段字典
| 字段 | 值 | 一手来源 |
|---|---|---|
| license | Creative Commons Attribution 4.0 International (CC BY 4.0) | 官方 README |
| 第三方归一化 license 口径 | Research only — see Synapse terms（EyeDataHub，非法律结论） | 第三方目录（存照，§6.1） |
| 获取平台 | Synapse（synapse.org，免费注册） | 官方 README |
| 主集 accession | syn53404507 | 官方 README |
| 主集 accession（第三方口径） | syn53404917（存照，未核实为独立记录） | 第三方目录（§6.4） |
| DOI | 10.1038/s41597-024-03193-4 | PubMed / Sci Data |
| PMID / PMCID | 38609405 / PMC11014927 | PubMed |
| arXiv | 2312.06295（v1，2023-12-11） | arXiv |
| 伦理审批 | EK 28/17（Ethikkommission Kärnten） | Sci Data 正文片段（未二次确认，§附录 AA） |
| 知情同意 | 全部患者知情同意 | Sci Data 正文片段 |
| 资助 | Haag-Streit Foundation；FWF P 31486-N31、P 32010-N38 | 官方 README 致谢 |
| 采集设备 | MediLive Trio Eye 摄像 + ZEISS OPMI Vario 显微镜 | 官方数据集页 |
| 采集时间与地点 | 2021—2023，Klinikum Klagenfurt（奥地利克拉根福） | 官方 README |
| 标注工具 | Supervisely（多边形 JSON），另导出 COCO 格式 | 官方 README |
| 代码仓库 | github.com/Negin-Ghamsarian/Cataract-1K | 官方 README |
这张表的用途是合规核验的单一入口：凡涉及许可、引用、伦理声明，直接以本表为准，其中两条带"存照"的行（第三方 license 归一化、第三方 accession）是已知的双口径，必须连同存照说明一起引用，不得单独摘取（§10 坑点 2、5）。
附录 D：Synapse 下载实操手册
本附录把"怎么把数据真正拉到本地"这件事拆成可照做的步骤。所有 accession、体积与平台名均来自官方 GitHub README 与官方数据集页的一手陈述；凡涉具体界面按钮文字者，因 Synapse 界面会随版本迭代，本附录只描述稳定的操作语义而非像素级指引。
D.1 前置条件核对表
| 条件 | 要求 | 说明 |
|---|---|---|
| 账号 | Synapse 免费注册账号 | synapse.org；无需机构邮箱，但需邮箱验证 |
| 条款 | 已阅读并接受 accession 页面底部的数据使用条款 | 每个 accession 页面各自附条款 |
| 磁盘 | 至少按所选子集体积的 2—2.5 倍预留 | 下载包 + 解压 + 抽帧中间产物 |
| 网络 | 支持 HTTPS 且可长时间稳定连接 | 主集单包 89.9 GB，建议断点续传 |
| 目标子集 | 已选定"哪几个 accession" | 见 D.2 的五包清单 |
这里把"磁盘按 2—2.5 倍预留"写成一条纪律，是因为主集 89.9 GB 只是下载量口径（且官方未注明是压缩包净体积还是解压后体积，见附录 AA 遗留疑点）；解压、抽帧、生成掩码都会再产生中间文件。宁可多留，不要中途爆盘重来。
D.2 五个 accession 的下载清单与用途映射
| 序 | 资产名 | accession | 体积 | 下载它做什么 |
|---|---|---|---|---|
| 1 | 主集 Catatact-1k | syn53404507 | 89.9 GB | 1000 段无标注视频；自监督预训练、表示学习 |
| 2 | Phase Recognition Set | syn53395146 | 3.87 GB | 56 段视频 + 阶段 CSV；阶段识别训练与评测 |
| 3 | Semantic Segmentation Set | syn53395479 | 4.74 GB | 30 段视频 + Supervisely JSON / COCO；分割训练 |
| 4 | Lens Irregularity Set | syn53395131 | 1.49 MB | IOL 旋转异常子集；异常检测探索 |
| 5 | Pupil Reaction Set | syn53395402 | 3.29 MB | 瞳孔收缩异常子集；异常检测探索 |
注意上表的排序刻意与体积降序一致：如果你只有一个下午和一块普通硬盘，从第 2、3 行开始即可拿到全部标注；第 4、5 行体积不到 5 MB，几乎零成本，建议一并取回留作后续探索。
D.3 下载路径的两种形态
形态一：网页端逐包下载。 登录后将 accession 拼到 https://www.synapse.org/#!Synapse: 之后（例如 https://www.synapse.org/#!Synapse:syn53395146），进入实体页后使用其 Download 入口。适合只取小子集或临时核对。
形态二：命令行客户端批量下载。 Synapse 提供官方命令行客户端 synapseclient（Python 包），支持按 entity id 批量拉取、断点续传与校验。对 89.9 GB 的主集，这是唯一现实的选择。基本形态如下（仅示意调用语义，非可运行脚本）：
# 仅示意调用语义：登录 -> 取实体 -> 同步到本地目录
import synapseclient
syn = synapseclient.Synapse()
syn.login() # 交互式或经配置读取凭据
entity = syn.get("syn53395146") # 取单个 accession
print(entity.path) # 本地落盘路径
对"整包同步 + 续传 + 校验"的需求，客户端还提供按项目/文件夹同步的接口；具体参数名与用法随版本变化，请以 Synapse 官方文档为准。此处只强调三条不随版本改变的原则：先登录后同步、按 accession 而非按名字定位、大包必用续传。
D.4 推荐下载顺序与理由
- 先取两个 MB 级异常子集（syn53395131、syn53395402）。体积几兆，瞬时完成，可立刻验证账号、条款与网络链路是否通畅——用最小成本排掉"账号没通/条款没接受/网络被拦"这三类失败。
- 再取阶段集与分割集（syn53395146、syn53395479）。这两个是算法研究的主力数据，合计不到 9 GB，普通带宽下可在合理时间内完成。
- 最后按需取主集（syn53404507）。只有做预训练或规模敏感性研究时才需要；89.9 GB 应放在带宽空闲时段，并预先确认磁盘。
- 同步拉取代码仓库（github.com/Negin-Ghamsarian/Cataract-1K）。数据与代码分离托管，缺了仓库里的预处理脚本，CSV 与 JSON 都还原不成训练可用的序列与掩码。
把这四步写成一串，就是一条"最小可用闭环"：先证明能下 → 再下主力子集 → 需要时补主集 → 用官方脚本把标注变成训练信号。顺序颠倒（先啃 89.9 GB）是最常见的低效开局。
D.5 文件名与目录形态的注意事项
官方未在公开 README 中给出完整的逐目录清单，因此不要凭猜测编造目录树。可以确定的三条形态性事实是：
- 拆分发包：数据集以"主集 + 四个任务子集"独立发包，节点名与 accession 一一对应（D.2 表）。
- 子集内含视频与标注两类内容：阶段集含视频 + 阶段 CSV；分割集含视频 + Supervisely JSON（及 COCO）；异常集为小子集。
- 名称存在历史变体：主集名在 README 中曾写作 “Catatact-1k”（少一个 r）；异常子集在页面中称 “Pupil Reaction Set” / “Lens Irregularity Set”，而论文正文用 “pupil constriction” / “lens rotation” 等词。检索与脚本匹配文件名时，应容忍这些变体（§10 坑点 9、附录 C.4）。
第 1、2 条是设计层面的确定事实，第 3 条是命名层面的已知变体。凡本附录未列出的具体子目录名，一律以解压后实际所见为准，不在此臆造。
D.6 下载失败的处置决策树
| 现象 | 最可能原因 | 处置 |
|---|---|---|
| 打开 accession 页提示无权限 | 未登录或未接受该页条款 | 登录后回到该 accession 页接受条款再试 |
| 大包下载到中途中断 | 网络抖动 / 无续传 | 改用命令行客户端续传，避免手工重下 |
| 下完的文件比标称体积小很多 | 只下了包内部分条目 | 检查是否按"整包同步"而非"单文件点击" |
| 找不到标注标签 | 只下了主集 | 补下 syn53395146 / syn53395479 等标注包（§10 坑点 3） |
| 主集解压后磁盘告急 | 低估了 2—2.5 倍系数 | 先转存 / 清理中间产物，再继续解压 |
这张表的用法是"先定位再动手"：前两行是账号与网络的链路问题，中间两行是"漏包"的语义问题，最后一行是容量规划问题。三者处置手段完全不同，混着试只会浪费时间。
D.7 下载后立刻做的三件校验
- 完整性校验：比对本地实际取得的文件数与体积与 accession 页面所列是否一致（官方 README 给出的是各包总体积，可作粗略上限参照）。
- 可读性校验：随机抽一段视频确认可解码、分辨率/帧率与所选子集的口径相符（阶段与分割子集应为 1024×768；主体应为 512×324，见附录 C.1）。
- 标注对应性校验：确认视频与其标注文件在命名上能对上（阶段 CSV ↔ 视频、分割 JSON ↔ 抽帧），对不上则说明标的目录层级理解有误。
这三步只需几分钟，却能避免"训到一半才发现视频和标注对不上"的大返工。把它当成下载流程的固定收官动作。
附录 E：数据预处理与格式转换指南
本附录聚焦"从官方原始标注到训练可用输入"的一段管道。所有格式名称（CSV、Supervisely JSON、COCO）与三档分割设置（anatomy+instrument / binary instrument / multi-class instrument）均来自官方 README；具体代码以 GitHub 仓库为准，本附录只讲管道结构与易错点，不臆造官方脚本的函数名。
E.1 两条管道的总览
Cataract-1K 的标注分两类，对应两条互不相同的预处理管道：
| 管道 | 起点 | 终点 | 关键难点 |
|---|---|---|---|
| 阶段管道 | 帧级阶段 CSV（每阶段首末帧） | 逐帧阶段序列（13 类，含 idle） | idle 的"阶段间"与"阶段内"两种还原 |
| 分割管道 | Supervisely 多边形 JSON（附 COCO） | 逐像素类别掩码（按档位） | 三档掩码派生 + 长尾类的类别编码 |
两条管道的共同点是标注都是稀疏/边界式的（阶段给边界、分割给抽帧），都需要代码"展开"成密集输入。这也是为什么官方把预处理代码与数据分开托管——没有代码，标注只是半成品。
E.2 阶段管道：从边界标注到逐帧序列
阶段 CSV 给出的是每个阶段在每段视频中的起始帧与结束帧。把它还原成逐帧序列，逻辑上分三步：
- 区间展开：把每个阶段的首末帧区间填充为该阶段标签。
- idle 补齐：把相邻阶段区间之间的空档填为 idle（阶段间空闲）；若某阶段内部存在"换器械、画面无器械"的时间跨度，也要填为 idle（阶段内空闲）。这两类 idle 的语义都是官方定义的一部分（§3.2）。
- 一致性检查：确认展开后的序列总长等于该视频总帧数，且无未覆盖空档。
最容易出错的是第 2 步中的"阶段内 idle"。很多简化实现只处理"阶段之间"的空档，把"阶段之中"的空档错误地并入所属阶段。这样得到的序列在帧级准确率上可能看起来更高（因为把零散的 idle 抹平了），但语义上偏离了官方定义，且会让 idle 类的样本量被系统性低估——如果论文或他人基准把两类 idle 都算进去，你的数字就与基准不可比了。
E.3 分割管道：从多边形 JSON 到三档掩码
分割标注是 Supervisely 平台的多边形 JSON，官方另导出 COCO（含边界框）。从 JSON 到训练掩码的路径是：
- 解析多边形：把每个对象的多边形顶点还原成像素区域（光栅化）。
- 类别映射：按官方类别体系（3 解剖 + 9 器械 = 12 类）赋予类别索引。
- 按档位派生掩码（官方提供三档）：
- anatomy+instrument：保留全部 12 类 + 背景，输出 13 值掩码（12 类 + 1 背景）；
- binary instrument：把 9 件器械合并为一类，输出"器械/背景"两值掩码；
- multi-class instrument：只保留 9 件器械且逐类区分，输出 10 值掩码（9 类 + 1 背景）。
三档必须用同一份原始 JSON 派生，不能各自重标。这是因为三档的差异只应体现在"类别如何归并"上，底层几何标注必须一致；若分别处理，档位间的可比性就被破坏，附录 C.3 那张档位对照表的"不能互相比较均值"警告也就失去了它想保护的东西。
E.4 格式选择：Supervisely JSON vs COCO
同一份标注的两种导出各有用途，不要二选一后删除另一种：
| 格式 | 天然服务 | 优势 | 注意 |
|---|---|---|---|
| Supervisely 多边形 JSON | 语义分割（逐像素） | 保留完整多边形几何，边界精度高 | 需自行光栅化成掩码 |
| COCO（含边界框） | 目标检测 / 定位 | 生态工具链成熟，加载方便 | 框是粗定位，不能直接当分割掩码用 |
实务建议：用 JSON 生成分割掩码，用 COCO 做检测类实验或做数据巡检（例如用框快速统计每类对象的出现频次，与论文 Table 2 的实例统计对照）。把 COCO 的框当掩码上采样，会引入大量边界误差，是常见的错误捷径。
E.5 Supervisely JSON 进入训练前的四类转换错误
- 坐标尺度不一致：多边形坐标可能是绝对像素值，也可能被归一化；若不统一缩放口径，掩码会整体错位或缩放到错误尺寸。
- 多边形自交与孔洞：手工勾画的多边形偶有自交或含内环（如虹膜中的瞳孔）；简单填充会把孔洞填错，需要用带奇偶规则的填充或多边形布尔运算处理。
- 类别名与索引映射漂移：器械类别名含斜杠与连字符（如
slit/incision knife、irrigation-aspiration），字符串匹配时若做了不当地规范化（去斜杠、转下划线），会与类别表对不上。 - 背景类的隐式约定：多数分割框架把"未标注像素"视为背景，但本数据集的 12 类里并没有显式的"背景"标签；派生掩码时要自行补一类背景索引，且三档的索引方案要各档各自自洽。
四类错误里，第 3 类最隐蔽——它不会报错，只会静默地把一件器械并到另一类，最终指标轻微漂移却难定位。建议在转换后加一步类别频次巡检：统计各档掩码中每类的像素占比，与论文的每标签平均像素统计（arXiv 版 Table 3 口径）方向对照，出现量级异常即可回查映射。
E.6 抽帧与掩码的对齐检查
分割子集每 5 秒抽 1 帧、共 2256 帧，且剔除了严重运动模糊帧与虹膜出画帧（§4.1）。这意味着标注帧号不是等间隔的——不能简单按"每 150 帧取一帧"（30 fps × 5 秒）去索引，必须以标注文件中记录的实际帧为准。对齐检查清单：
- 标注帧总数应为 2256；若你的解析结果多或少，先查是否漏读/重读了某段视频的标注；
- 每段的标注帧数应与该段时长和剔除规则相符；若某段帧数异常少，可能是该段被剔除的帧较多；
- 掩码尺寸应为 1024×768，与视频分辨率一致；若不一致说明缩放环节出问题。
E.7 预处理完成的自检表
| 检查项 | 期望 |
|---|---|
| 阶段序列 | 逐帧覆盖、含两类 idle、总长 = 视频帧数 |
| 阶段类别数 | 13（12 action + idle） |
| 掩码档位 | 三档均可由同一 JSON 派生 |
| 掩码类别数 | 联合 13（含背景）/ 二值 2 / 多类器械 10（含背景） |
| 掩码尺寸 | 1024×768 |
| 类别映射 | 12 类名逐一可对上官方类别表 |
这张表在正式训练前跑一遍，等价于把 §3、§4 的所有口径条款做了一次机器可检的落地。
附录 F：常见报错与疑难处置
以下为使用该数据集时最常遇到的疑难，按"症状 → 根因 → 处置"三段式列出。序号续接正文 §10 的坑点体系，编号从坑点 11 起，供与本条目其他清单交叉引用。
坑点 11：把标注子集的视频规格当成主体规格。 症状：在主体 1000 段上按 1024×768 建数据加载器，结果全部报尺寸不匹配。根因：主体未标注视频是 512×324 / 25 fps，只有阶段与分割子集才是 1024×768 / 30 fps。处置：按子集分别设置预处理尺寸与帧率，不要用一个全局常量（附录 C.1 已列此分层）。
坑点 12：解析 CSV 时丢掉 idle。 症状：阶段模型在包含大量换器械间隙的测试段上表现异常好或异常差。根因：只还原了 action phases，把 idle 段并入了相邻阶段或直接跳过。处置：显式还原"阶段间 idle"与"阶段内 idle"两类，并核对序列总长（附录 E.2）。
坑点 13：误以为主集里带标签。 症状：下完 89.9 GB 主集后发现"没有标注文件"。根因：主集只含视频本体，标注在另外四个 accession 包里。处置：补下 syn53395146（阶段）、syn53395479（分割）等（§10 坑点 3）。
坑点 14：分割结果与论文基准差距过大且方向不对称。 症状：自训分割 Dice 远低于论文基准。根因候选：未遵守 5 折患者级划分（导致异常高）／未按同一档位报告（导致异常低）／类别映射漂移（附录 E.5 第 3 类）。处置：先确认折划分与报告档位，再做类别频次巡检。
坑点 15：把两个异常子集当基准集报告显著性。 症状：在 MB 级异常子集上跑出高指标并下统计结论。根因：子集体量极小（1.49 MB / 3.29 MB），不足支撑统计显著结论。处置：定位为探索性/种子素材，报告时明确标注（§5.4、附录 C.4）。
坑点 16：按第三方目录的 accession 找不到主集。 症状：在 Synapse 用某些目录给出的编号检索不到预期主集。根因：主集 accession 存在官方 README（syn53404507）与第三方目录（syn53404917）的双口径。处置：以官方 README 编号为准（§10 坑点 2、§6.4）。
坑点 17：器械清单按二手转述写成了另一件器械。 症状：复现他人代码时器械类别对不上。根因：第九件器械官方写作 katana forceps，部分二手目录转述为 Sinskey hook。处置：以官方 README 为准，并容忍二手清单整体漂移的风险（§10 坑点 4）。
以上七条与正文坑点 1—10 合起来共 17 条坑点，覆盖"口径混淆（1、6、7、11、13、16、17）、命名变体（4、9、12）、工程细节（2、3、5、8、10、14、15）"三类。"坑点 N"字样的计数以正文 §10 与本节合起来为准。
附录 G：域泛化与域适配的实操建议
Cataract-1K 的一个独特卖点，是它被用于首次系统性探索白内障器械分割的域适配（§8.3）。由于全部数据来自单一中心、单一设备链路，它天然构成"同源多子集"的跨域试验台。本附录把这类实验的实操要点整理成可执行建议。凡涉及具体算法名者均为领域常识性方法，不指向本数据集官方实现（官方未在本轮可核实来源中公布具体适配算法清单）。
G.1 先厘清三种"域"的切分方式
在同一数据集内部做跨域，至少有三种切分口径，用途不同，不可混用：
| 切分口径 | 源域 / 目标域 | 用途 | 与本数据集的关系 |
|---|---|---|---|
| 子集间切分 | 一个任务子集 vs 另一个任务子集 | 观察不同采集条件下同一任务的迁移 | 阶段集与分割集是不同 30/56 段，视觉域共享但样本不同 |
| 折间切分 | 5 折中某折 vs 其余折 | 患者级泛化 | 分割子集本就是 5 折患者级划分，可直接复用 |
| 跨数据集切分 | Cataract-1K vs 其他白内障数据（如 CATARACTS） | 真实跨机构泛化 | 需外部数据，属外部效度验证（§8.6） |
最常见的错误是把"折间切分"当成"跨域实验"。5 折患者级划分考察的是同分布下的患者级泛化，不是跨域泛化——两者训练/测试的视觉域是同一个。若要做真正意义上的域适配研究，至少要用"子集间切分"或"跨数据集切分"。
G.2 域泛化（DG）与域适配（DA）的分工
两个词常被混用，但实操上要求不同：
- 域泛化（domain generalization）：训练时看不到目标域数据，只求模型在未见域上稳健。做法上偏向提升表示的不变性——多源训练、数据增强、风格随机化、因果/不变性学习。
- 域适配（domain adaptation）：训练时能用（部分）目标域数据，通过对齐、微调或自训练把源域知识迁到目标域。做法上偏向分布对齐与伪标签。
对本数据集，如果目标是"训练一个换到别家医院仍能用的器械分割模型"，属 DG；如果是"已有一批目标医院的无标注视频，想把模型调过去"，属 DA。先定这个，再选方法——选反了会白做大量实验。
G.3 三类可利用的"域偏移来源"
这套数据集的域偏移主要来自三处，做实验时应把它们分开控制，而不是笼统地"换个子集看看"：
- 患者外观差异：不同患者的虹膜纹理、色素、瞳孔状态差异大（§3.4），是最主要的域偏移源。
- 术者与术式差异：术者经验从 1,000 到 40,000+ 台跨度极大（附录 C.1），新手与专家的操作节奏、器械选择不同。
- 采集与成像条件：虽为同一设备链路，但光照、对焦、散焦模糊、运动模糊在不同段之间仍有波动（§3.4）。
做消融时，尽量让一个实验只改变其中一个来源（例如按术者经验分层切分，观察迁移性能），否则三个来源叠加，结论无法归因。
G.4 单中心数据的实证纪律
由于是单中心，得出任何"泛化"结论前应过一遍以下纪律：
- 报告目标域：任何跨域评测都必须写明源域与目标域是什么口径（G.1 三选一），否则数字不可比（§7.4）。
- 不宣称通用性：在克拉根福单中心上训练的模型，不足以支撑"通用白内障模型"的宣称（§8.6、§10 坑点 10）。
- 异常子集不参与泛化结论：MB 级异常子集体量太小，不能用来支撑任何泛化性论断（§5.4）。
- 档位一致：跨域对比必须在同一分割档位（三档之一）内进行，跨档比较均值无意义（附录 C.3）。
G.5 一个可复用的最小跨域实验设计
若要从零搭一个"域适配是否有效"的最小实验，建议如下骨架：
- 固定任务与档位：例如多类器械分割（9 类）这一档。
- 固定源域：如分割子集的某 4 折（患者级）。
- 构造目标域：取第 5 折作同分布目标（患者级泛化基线），再以另一任务子集或外部数据集构造跨域目标（跨域基线）。
- 跑三条基线：仅源域训练（no adaptation）、加目标域数据微调（DA）、加不变性训练（DG）。
- 报告口径：逐类 Dice/IoU + 宏平均，并注明档位、折划分、源/目标域定义。
这个骨架的价值在于它的每一条都能在 §7.4 的评测纪律里找到对应条款，跑完即是一份口径自洽、可与他人类比的结果。若跳过第 3 步只用折间切分，得到的就是"同分布患者级泛化"，不是跨域结论——这是本条最想拦住的一步。
附录 H：FAQ 续编（Q31—Q45）
本节续接 part5 的 FAQ 30 问，主题上刻意错开，集中在字段级细节、工程落地、治理与引用、横向定位四类上，供已经把数据集跑通、正在写论文或做产品选型的人查阅。
E. 字段与规格细读
Q31：主体 1000 段视频到底有没有帧级标签？
没有。主集（syn53404507）只含视频本体与基本信息，不含帧级或像素级标注。所有标注都在另外四个 accession 包里：阶段识别 56 段、语义分割 30 段、瞳孔反应、晶体不规则。如果你需要"1000 段里每一段都有阶段标签"的数据，这套数据集不提供——它是一个"海量无标注主体 + 少量精细标注子集"的两级结构（§2.8）。
Q32：为什么会有"标准时长 200 秒"这个数字？
200 秒是官方给出的标准时长口径，与主体平均时长 7.12 分钟不是一个层次的概念：前者是一个用于归一化/截断的参考长度，后者是 1000 段全集统计出来的平均实际时长。做小规模实验或快速验证时，常以 200 秒作为定长窗口的基准；做完整时间线建模时，则应按每段实际时长处理（§2.1）。
Q33：阶段标注的 CSV 里"首末帧"到底是帧号还是时间戳？
官方描述为逐视频给出每个 phase 的首帧与末帧（帧级边界）。由于阶段子集是 30 fps，帧号与时间的换算关系是确定的——但主体是 25 fps，若你误用主体帧率去换算阶段子集的帧号，时间轴会整体偏差约 17%。这是最隐蔽的一类坑（§10 坑点 1、7）。
Q34：12 类分割标签里，"pupil"和"iris"会重叠吗？
这是像素级多类分割，同一像素归入唯一类别，二者不重叠。解剖层面上瞳孔是虹膜围成的开口，一个在外一个在内，边界天然相邻但归属互斥。需要"瞳孔区域"时取 pupil 类，需要"虹膜环"时取 iris 类，不要因为临床上两者相关就在标注上做并集（附录 C.3）。
Q35：三档训练设置可以互相比较吗？
不可以。anatomy+instrument（12 类）、binary instrument（器械前景/背景二值）、multi-class instrument（9 类器械多类）是三套不同的输出空间，评测口径随之不同。把三种设置下的 Dice 直接并列比较，是本数据集上最常见的报告性错误之一。做横向对比时，务必先声明用的是哪一档（§4.2）。
F. 工程落地
Q36：2256 帧够不够训一个像样的分割模型？
以像素级分割的标准看，2256 帧属于小样本量级，通常需要依赖强数据增强、迁移学习或在大规模无标注主体上做预训练再微调。官方提供 1000 段无标注视频正是为这类"自监督预训练 + 小样本微调"路径准备的（速查 4）。如果只用 2256 帧从零训，泛化会受限。
Q37：分割的 COCO 格式和 Supervisely JSON 该选哪个？
看你的训练框架。主流检测/分割框架多原生吃 COCO；而 Supervisely JSON 保留了多边形顶点序列，信息更完整（COCO 那一路附带的是边界框）。追求掩码精度选 Supervisely 多边形，追求与现成框架的即插即用选 COCO，二者的取舍见附录 E.4（§4.3）。
Q38：5 折患者级划分，患者级具体意味着什么？
意味着同一患者的视频只会出现在同一折里，不会跨折。分割子集每折 6 段不同视频，跨折之间不共享患者。这是防止患者级泄漏的关键设计——如果按视频随机划分而不按患者分组，同一患者的相邻视频会同时进入训练与测试，指标会被系统性抬高（§4.4、附录 E.5）。
Q39：下载 89.9 GB 主集需要注意什么存储问题？
按磁盘规划留出一倍以上余量：89.9 GB 若是压缩包体积，解压后可能显著更大。若计划做抽帧或转码，中途产物还会再占一份空间。稳妥做法是先下四个小标注子集（MB 到 GB 级）跑通流程，确认格式、路径、脚本都对之后，再下主集做预训练（附录 D.4）。
Q40：为什么我按论文描述复现，阶段识别的 F1 差得远？
先排查四件事：（1）是否用了与论文相同的划分口径；（2）是否还原了 idle，还是把它并进了相邻阶段；（3）是否在类别严重不平衡下只看全局准确率（应看 macro-F1 或逐类指标）；（4）是否混用了主体与子集的帧率。前三条属口径问题，第四条属工程问题，逐条对照 §3.3 与附录 E.2 排查。
G. 治理、伦理与引用
Q41：商用到底可不可以？
按官方许可可以。CC BY 4.0 允许复制、分发、传播与改编，含商业用途，唯一硬性条件是署名（Attribution）。第三方目录曾出现 “research only” 的归一化标注，那是目录方的 curation metadata，不是法律结论，也不改变官方 README 的 CC BY 4.0 表述（§6.1、附录 C.5）。
Q42：既然是真实患者手术视频，隐私怎么处理？
数据经伦理审批（EK 28/17，克恩顿州伦理委员会），患者均知情同意。数据集以医学影像数据集惯常的脱敏方式处理后再公开，研究者使用时仍应遵守所属机构对敏感医学数据的内部规定，不得尝试从画面中重新识别患者身份（§2.7、附录 C.5）。
Q43：写论文引用它，应该引 Sci Data 版还是 arXiv 版？
正式引用应指向 Scientific Data (2024) 11:373，DOI 10.1038/s41597-024-03193-4（PMID 38609405，PMCID PMC11014927）。arXiv:2312.06295 是预印本，可用于追溯最早提交时间（2023-12-11），但正式学术引用以期刊版为准。另有一个 IEEE TMI 2024 扩展版标题见于第三方目录，本轮未独立实抓，引用前请自行核实（附录 AA、§7.5）。
Q44：Synapse 上两个很像的主集编号，引用哪个？
以官方 GitHub README 列出的 syn53404507 为准。第三方目录 EyeDataHub 引用的 syn53404917 仅末两位不同，疑为 Synapse 重建/迁移产生的孪生编号，本轮未核实其是否独立存在。写数据可获得性声明时，用官方编号并保留对第三方口径的说明（§6.4、附录 C.5）。
H. 横向定位
Q45：Cataract-1K 和 CaDIS、CatRel 比，强在哪里、短板在哪？
强在规模与任务广度：主体 1000 段是现有白内障公开数据集中最大的一档，且一个数据源同时覆盖阶段识别、语义分割、不规则检测三类任务。短板在两项：（1）单中心、单设备链路采集，跨机构泛化需额外做域适配或域泛化验证（附录 G）；（2）两类不规则子集为 MB 级，样本量不适合下统计显著结论。若你的目标是"大样本 + 多任务"，它是最优选项之一；若目标是"跨中心泛化基准"，需谨慎并配合跨域实验设计。与 CaDIS、CatRel 的逐维度对照见附录 I。
附录 I：横向对照大表
本附录把 Cataract-1K 与同族数据集做逐维度并排对照，便于选型与论文 Related Work 制表。凡涉及其它数据集的字段，仅采用本条目 FACTS.md 与 Sci Data Table 1 已记录的值；未记录处一律留空并注明"本条目未记录"，不臆造。
I.1 四类标注子集的全维度对照（数据集内部）
下表把四个标注子集在同一组维度上并排，用于回答"我的任务该下哪个包、按什么规格处理"。
| 维度 | 阶段识别子集 | 语义分割子集 | 瞳孔反应子集 | 晶体不规则子集 |
|---|---|---|---|---|
| Synapse accession | syn53395146 | syn53395479 | syn53395402 | syn53395131 |
| 下载体积 | 3.87 GB | 4.74 GB | 3.29 MB | 1.49 MB |
| 视频/样本数 | 56 段 | 30 段 | 本条目未记录具体段数 | 本条目未记录具体段数 |
| 标注层级 | 帧级边界（每 phase 首末帧） | 像素级多边形 | 事件级（不规则） | 事件级（不规则） |
| 标注格式 | CSV | Supervisely JSON（另附 COCO） | 本条目未记录 | 本条目未记录 |
| 空间分辨率 | 1024×768 | 1024×768 | 本条目未记录 | 本条目未记录 |
| 时间分辨率 | 30 fps | 30 fps | 本条目未记录 | 本条目未记录 |
| 平均时长 | 6.45 分钟（SD 2.04） | 6.52 分钟（SD 2 分钟） | 不适用（事件级） | 不适用（事件级） |
| 患者平均年龄 | 75 岁（51–93，SD 8.69） | 74.5 岁（51–90，SD 8.43） | 本条目未记录 | 本条目未记录 |
| 术者平均经验 | 8929 台（SD 6350） | 8033 台（SD 3894） | 本条目未记录 | 本条目未记录 |
| 划分方式 | 本条目未记录折数口径 | 5 折患者级，每折 6 段 | 不适用 | 不适用 |
| 类别体系 | 12 action phase + idle | 3 解剖 + 9 器械 = 12 类 | 瞳孔收缩（miosis）单类 | IOL 旋转单类 |
| 典型用途 | 阶段/时相识别、工作流分析 | 场景语义分割、器械分割 | 异常检测（探索性） | 异常检测（探索性） |
读表提示：阶段与分割两个子集共享 1024×768 / 30 fps 的采集规格与相近的患者画像（年龄、术者经验），说明它们很可能来自同一批常规手术录制；但两者的"视频数"（56 vs 30）与"划分口径"不同，不可把 56 与 30 相加后与主体 1000 相除来推算覆盖率——1000 是全集主体，56 与 30 是其中的标注选段（§2.5、附录 C.1）。
I.2 与同族白内障数据集逐维度对照
Sci Data Table 1 给出了一组横向对照（引自已检索到的 paperity 预览）。下表据其记录整理，并补入本条目 FACTS.md 中的其它硬事实；Sci Data Table 1 未覆盖的维度留空标注"本条目未记录"。
| 维度 | Cataract-1K | Cataract-101 | CATARACTS | CaDIS | CatRel |
|---|---|---|---|---|---|
| 年份/出处 | 2024，Sci Data 11:373 | 2018，MMSys | CATARACTS grand-challenge | 见 Sci Data Table 1 | 见 Sci Data Table 1 |
| 采集地 | 奥地利克拉根福 | 奥地利克拉根福（ITEC/AAU 谱系） | 法国布雷斯特大学医院 | 本条目未记录 | 本条目未记录 |
| 视频数 | 1000（主体）；56 阶段 + 30 分割为标注选段 | 101 | 50 | 25 | 22 |
| 视频路数 | 单路显微镜 | 单路显微镜 | 双路（显微镜 + 器械托盘） | 本条目未记录 | 本条目未记录 |
| 分辨率 | 1024×768（标注子集）/ 512×324（主体未标注） | 本条目未记录 | 本条目未记录 | 960×540 | 224×224 |
| 帧率 | 30 fps（标注子集）/ 25 fps（主体） | 本条目未记录 | 本条目未记录 | 本条目未记录 | 25 fps |
| 标注帧数 | 2256 帧（分割） | 本条目未记录 | 本条目未记录 | 4670 帧 | 本条目未记录 |
| 主要任务 | 阶段识别 + 语义分割 + 不规则检测 | 阶段识别（10 阶段） | 器械检测 + 活动识别 | 语义分割 | 相关性检测/压缩（帧级四相关 phase vs rest） |
| 器械类别数 | 9 | 本条目未记录 | 21 | 本条目未记录 | 不适用 |
| 许可 | CC BY 4.0 | 本条目未记录 | 本条目未记录 | 本条目未记录 | 本条目未记录 |
| 库内 rid | 本条目（cataract-1k） | 263 | 253 | 待核 | 待核 |
读表提示：Cataract-1K 的"1000 视频"与 Cataract-101 的"101"、CATARACTS 的"50"是同一层级的"主体视频数"口径，可直接比较；而 Sci Data Table 1 中 Cataract-1K 一列出现的 “60” 系 30（分割）+ 56（阶段）合并视图的不同计数口径，与 1000 非同一层级，引用时须注明（附录 AA、§7.3）。表中 Cataract-101 与 CATARACTS 的多数技术字段本轮未获一手核实，如需制表请回溯源流页。
I.3 选型决策速览
| 你的目标 | 首选 | 理由 |
|---|---|---|
| 大样本手术视频预训练 | Cataract-1K 主集 | 1000 段为同族中最大主体，且 1000 段提供自监督素材 |
| 白内障阶段识别 | Cataract-1K 阶段集 | 12 阶段 + idle，56 段帧级标注 |
| 手术场景/器械语义分割 | Cataract-1K 分割集 或 CaDIS | Cataract-1K 提供 12 类（3 解剖 + 9 器械）2256 帧；CaDIS 提供 4670 帧但类别体系不同 |
| 器械检测 / 活动识别 | CATARACTS | 双路视频、21 器械，任务族对口 |
| 器械分割的域适配研究 | Cataract-1K | 单中心 + 同源多子集，首次系统性域适配研究的载体（§8.3、附录 G） |
| 术中异常/不规则检测 | Cataract-1K 两个小集 | 唯一提供瞳孔收缩与 IOL 旋转两个异常子集，但体量小、宜作探索性（§5.4） |
I.4 与更广手术工作流家族的可比性
Cataract-1K 之外，手术视频工作流分析家族还包括腹腔镜方向的一系列数据集（如阶段识别与器械分割同构的条目）。这些数据集与本条目的任务同构性在于：都提供"阶段/动作帧级标注 + 器械像素级分割"的组合，因此可作为方法论层面的横向参照。但须注意两点不可比：
- 术式与视野不同：白内障为显微镜下眼内微视野（1024×768 或 512×324，器械细长、组织半透明），腹腔镜为腔体内视野（视野与器械形态差别大）。跨术式迁移不构成同域。
- 类别体系不同：阶段定义、器械清单均术式专属，类别不对齐时不能直接互相评测。
库内 CaDIS、CatRel 以及更广的手术工作流家族条目是否存在，本轮预算内未逐一查证（附录 AA）；引用前请以库内实际检索为准，不要凭本表假设其存在。
以上文字与附录 H 合计，为本条目在 FAQ 与横向对照两个方向上的扩写。所有数字均出自 FACTS.md 已记录的硬事实或 Sci Data Table 1 的记录值；凡未记录处均显式标注"本条目未记录"，未做任何推测性填充。
上手速查：四类用户的最短路径
速查 1 如果你要做阶段识别
- 从 Synapse 下载 Phase Recognition Set（syn53395146，3.87 GB）；
- 用 GitHub 仓库的阶段预处理脚本，把 CSV 解析成每段视频的阶段序列；
- 注意同时还原 idle（阶段间与阶段内两种空闲），别把 idle 丢掉；
- 评测用 macro-F1 或逐类指标，不要只看全局准确率（类别严重不平衡）；
- 若要与论文基准对比，务必用与论文相同的划分口径。
速查 2 如果你要做场景分割
- 从 Synapse 下载 Semantic Segmentation Set（syn53395479，4.74 GB）；
- 用官方脚本从 Supervisely JSON 或 COCO 生成训练掩码，选择三档设置之一（解剖+器械 / 二值器械 / 多类器械）；
- 遵守 5 折患者级划分（每折 6 段），防止患者级泄漏；
- 报告结果时按三类设置分别给出，避免笼统；
- 类别极少见的器械（如规尺 gauge、铲 spatula）召回可能很低，需关注长尾。
速查 3 如果你要做异常检测
- 下载 Pupil Reaction Set（syn53395402，3.29 MB） 与 Lens Irregularity Set（syn53395131，1.49 MB）；
- 认识到这两集体量极小，应作探索性素材，不宜作为统计显著结论的依据；
- IOL 旋转事件极短（展开期顺时针旋转 <7 秒），需高时间分辨率；
- 瞳孔收缩与光照变化的因果关系（超声乳化期光量骤增）是重要先验；
- 检索时用多组关键词（pupil reaction / pupil constriction / miosis；lens rotation / IOL rotation / lens irregularity）。
速查 4 如果你要用它做预训练
- 下载**主集（syn53404507，89.9 GB）**获得 1000 段无标注视频；
- 用自监督方法（如视频对比学习、掩码重建）预训练表示；
- 在下游标注子集（阶段/分割）上微调评测；
- 注意单中心域偏移：跨机构部署前应在目标域上做微调或跨域验证（§8）。
FAQ（高频问答 30 问）
A. 基础认知
Q1：Cataract-1K 的 “1K” 是什么意思？
指 1000 段手术视频的规模，是其前作 Cataract-101（101 段）的约十倍扩容。
Q2：它和 Cataract-101 是同一个数据集吗？
不是。Cataract-101 是 2018 年的前作，仅 101 段、10 个阶段；Cataract-1K 是 2024 年的新数据集，1000 段、12 阶段 + idle + 分割 + 异常。二者共享克拉根福学派谱系但为独立数据集（库内 cataract-101 为 rid 263）。
Q3：它和 CATARACTS 是同一个数据集吗？
不是。CATARACTS 是法国布雷斯特团队的 50 段双路视频数据集（显微镜 + 器械托盘），主线是器械检测与活动识别；Cataract-1K 是奥地利克拉根福的 1000 段单路显微镜视频，主线是阶段 + 分割 + 异常。库内 cataracts 为 rid 253。
Q4：数据集是谁做的？
伯尔尼大学 CAIM、克拉根福大学信息技术系、Klinikum Klagenfurt 眼科、伯尔尼 Inselspital 眼科四家机构，8 位作者。第一作者 Negin Ghamsarian，通讯作者 Klaus Schoeffmann 与 Raphael Sznitman。
Q5：数据在哪里采集的？
奥地利克拉根福的 Klinikum Klagenfurt 眼科诊所，2021 至 2023 年。
Q6：用什么设备拍的？
MediLive Trio Eye 摄像系统，安装在 ZEISS OPMI Vario 手术显微镜上。
Q7：数据集有多大？
主体 1000 段视频，主集下载体积 89.9 GB；四个标注子集分别 3.87 GB、4.74 GB、3.29 MB、1.49 MB。
Q8：一共标注了多少？
阶段标注 56 段（12 阶段 + idle）；像素级分割标注 2256 帧（来自 30 段视频）；异常子集两个（瞳孔收缩、IOL 旋转）。
Q9：论文发在哪里？
Scientific Data (2024) 11:373，DOI 10.1038/s41597-024-03193-4，PMID 38609405，PMCID PMC11014927，2024-04-12 发布。另有 arXiv:2312.06295 预印本。
Q10：名字里的 “Scene Segmentation, Phase Recognition, and Irregularity Detection” 是什么？
三大任务：场景（语义）分割、手术阶段识别、术中不规则检测。
B. 数据规格与任务
Q11：阶段识别分多少类？
12 个 action phase 加 1 个 idle，共 13 类。
Q12：12 个 action phase 是什么？
incision、viscoelastic、capsulorhexis、hydro-dissection、phacoemulsification、irrigation-aspiration、capsule polishing、lens implantation、lens positioning、viscoelastic-suction、anterior-chamber flushing、tonifying/antibiotics。
Q13：idle 是什么？
一个独立类别，指术者主要在更换器械、画面内无可见器械的时间跨度，可能出现在阶段之间或阶段内部。
Q14：分割分多少类？
12 类 = 3 个解剖结构（iris、pupil、intraocular lens）+ 9 件器械。
Q15：9 件器械是哪九件？
slit/incision knife、gauge、spatula、capsulorhexis cystotome、phacoemulsifier tip、irrigation-aspiration、lens injector、capsulorhexis forceps、katana forceps。
Q16：分割的标注格式是什么？
Supervisely 多边形 JSON，另提供 COCO 格式（含边界框）。
Q17：分割子集怎么分折？
5 折，患者级划分，每折 6 段不同视频。
Q18：阶段子集的分辨率与帧率？
1024×768、30 fps；而主体未标注视频是 512×324、25 fps。两者不同，勿混。
Q19：分割子集怎么抽帧？
每 5 秒抽 1 帧，共 2256 帧；剔除严重运动模糊帧与虹膜出画帧。
Q20：三个子集的平均时长分别是多少？
主体 7.12 分钟、阶段子集 6.45 分钟、分割子集 6.52 分钟（三者分属不同子集，不可混用）。
C. 数据获取与许可
Q21：怎么下载？
Synapse 平台免费注册后下载。主集 syn53404507，阶段 syn53395146，分割 syn53395479，晶体异常 syn53395131，瞳孔异常 syn53395402。
Q22：许可是什么？
CC BY 4.0（Creative Commons Attribution 4.0 International），署名即可复制、分发、传播，含商用。
Q23：需要付费吗？
不需要。Synapse 注册免费，数据下载免费。
Q24：为什么有个第三方目录说 “research only”？
那是第三方目录 EyeDataHub 的归一化标注（其自述为 curation metadata，非法律结论），与官方 README 的 CC BY 4.0 表述不一致。以官方 CC BY 4.0 为准。
Q25：为什么有的地方看到 Figshare 链接？
那是投稿期为匿名评审临时使用的存储，接收后已迁移到 Synapse 正式发布。现网以 Synapse 为准。
Q26：下载后没有标注是怎么回事？
你大概率只下了主集。标注在另外四个子集包里，需分别下载。
D. 异常子集与临床
Q27：瞳孔收缩子集讲的是什么？
术中瞳孔缩小（miosis）。超声乳化期光量骤增可能引发瞳孔突然收缩，若器械已深入眼内，可能损伤眼内组织，并妨碍人工晶体对位。
Q28：IOL 旋转子集讲的是什么？
人工晶体旋转，被认为是术后晶体移位的主因。晶体展开时的快速顺时针旋转发生在不足 7 秒内。
Q29：异常子集能直接训练模型吗？
体量极小（MB 级），更适合作为探索性素材与种子数据，不宜作为统计显著结论的依据。
Q30：数据集的伦理审批是什么？
Ethikkommission Kärnten（克恩顿州伦理委员会）审批号 EK 28/17，患者均知情同意。
事实清单（硬事实 40 条）
以下为经官方 GitHub README、官方数据集页、arXiv/Sci Data 论文、PubMed 多源核验的硬事实，逐条标注来源：
- 数据集全称 Cataract-1K，自我定位为"迄今最大的白内障手术视频数据集"。
- 主体含 1000 段白内障手术视频。
- 采集时间 2021 至 2023 年。
- 采集地点 Klinikum Klagenfurt（奥地利克拉根福）眼科诊所。
- 采集设备 MediLive Trio Eye 摄像 + ZEISS OPMI Vario 显微镜。
- 主体视频平均时长 7.12 分钟。
- 官方给出标准时长 200 秒。
- 未标注视频规格 25 fps、512×324。
- 术者累计手术量范围 1,000 至 40,000+ 台。
- 阶段标注覆盖 56 段常规手术视频。
- 阶段子集分辨率 1024×768、帧率 30 fps。
- 阶段子集平均时长 6.45 分钟（SD 2.04 分钟）。
- 阶段子集患者平均年龄 75 岁（51—93，SD 8.69）。
- 阶段子集术者平均经验 8929 台（SD 6350）。
- 阶段标注格式为 CSV，逐视频给出每阶段首末帧。
- 阶段类别为 12 action phase + idle。
- 分割标注来自 30 段常规手术视频。
- 分割子集分辨率 1024×768、平均时长 6.52 分钟（SD 2 分钟）。
- 分割标注共 2256 帧。
- 分割抽帧率每 5 秒 1 帧。
- 分割子集患者平均年龄 74.5 岁（51—90，SD 8.43）。
- 分割子集术者平均经验 8033 台（SD 3894）。
- 分割标签 3 个解剖结构：iris、pupil、intraocular lens。
- 分割标签 9 件器械（含 katana forceps）。
- 分割标注工具 Supervisely（多边形 JSON），另提供 COCO 格式。
- 分割划分 5 折、患者级，每折 6 段视频。
- 提供了 anatomy+instrument / binary instrument / multi-class instrument 三档掩码生成代码。
- 异常子集一为瞳孔收缩（pupil reaction / constriction，miosis）。
- 异常子集二为人工晶体旋转（IOL / lens rotation）。
- IOL 展开期顺时针旋转发生在不足 7 秒内。
- 许可为 CC BY 4.0。
- 获取平台为 Synapse（免费注册）。
- 主集 accession syn53404507（89.9 GB）。
- 阶段集 accession syn53395146（3.87 GB）。
- 分割集 accession syn53395479（4.74 GB）。
- 晶体异常集 accession syn53395131（1.49 MB）。
- 瞳孔异常集 accession syn53395402（3.29 MB）。
- 论文 Sci Data 2024;11:373，DOI 10.1038/s41597-024-03193-4，PMID 38609405，PMCID PMC11014927。
- arXiv 预印本 arXiv:2312.06295（2023-12-11 提交，12 页 5 图 7 表）。
- 伦理审批 EK 28/17（Ethikkommission Kärnten）；资助 Haag-Streit Foundation 与 FWF P 31486-N31、P 32010-N38。
附录 AA：开放问题与待核清单
以下问题在本轮研究预算内未能完全闭环，按纪律包要求如实列出，供后继代理或读者补充核验：
- 基准数值未取：阶段识别的逐模型 F1、语义分割的逐模型 Dice/IoU 表值未获原始表格（Nature/paperity 反爬、PMC 返回小页）。请以 Sci Data 论文与 GitHub 官方表格为准。
- IEEE TMI 2024 扩展版：第三方目录引用的 “Cataract-1K: Cataract Surgery Dataset for Domain Generalization of Surgical Workflow Analysis”（IEEE TMI 2024）未独立实抓，其相对 Sci Data 版的增量（是否新增长尾任务/基准）待核。
- EyeDataHub accession syn53404917：与官方 README 的 syn53404507 编号并存，是否为 Synapse 上的独立/迁移记录未核实。
- 伦理审批号来源：EK 28/17 取自正文片段引用，未在官方页面二次确认。
- 库内互链条目存在性：CaDIS、CatRel 以及更广的手术视频工作流家族（如腹腔镜阶段识别类）是否已在库内，未逐一查证（本轮预算限制）。
- 下载体积口径：“89.9 GB” 等体积未注明是压缩包净体积还是解压后体积。
- 主体视频与标注子集的对应关系：56 段/30 段是否为 1000 段主体的子集、抑或独立录制，官方表述为"从中提供（provide … for）"，从属关系明确但具体 case 编号映射未逐条核对。
附录 BB：写手自检记录
- 开工三查：锁文件 writing/cataract-1k/.lock 新建（内容 agent-e-cataract1k 1791472667，首次开工）；
ps aux | grep -c "[c]odebuddy"= 4；无改道。 - slug 查重：DB status=1 命中 cataracts(253)、cataract-101(263)，无 cataract-1k；
ls writing/无同名目录，判定为新条目、非别名。 - 核验结论：三源互证（官方 GitHub README、官方数据集页、arXiv/PubMed/Sci Data）确认数据集真实存在，1000 段规模、CC BY 4.0、Synapse 获取均属实。
- 网络预算：WebSearch 3 次、WebFetch 4 次（其中 2 次因反爬/空正文未成功，未 loop 重试，未超预算）。
- 私有区：writing/cataract-1k/.parts_agent-e-cataract1k_1791472675_626026/（带时间戳 + PID）。
- 并发事故留痕：私有区内发现一份非本实例写入的
part2a.md（内容与本文 second 节的另一写法），已隔离重命名为_foreign_part2a_QUARANTINE.md，未纳入拼接；10 秒 md5 稳定性采样两次一致，未见持续写入。详见汇报。 - frontmatter 自检：双引号计数全偶；title 带 " | 千方病案医数集" 后缀；title/subtitle/data_source 长度均 ≤255；description ≤170；cr:RecordSet 节点式；relatedLink 纯 URL。
- 双零自检：check_md.py 与 preflight_check.py 均通过（详见汇报）。
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：
- corn-nerve — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 图像分类 / 评测基准
- stare — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 图像分类 / 评测基准
- octa-25k — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 图像分类 / 评测基准
- acl27 — 共享标签：医学影像 / 手术视频 / 图像分类 / 评测基准
- origa-light — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 图像分类 / 评测基准
- riga — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 图像分类 / 评测基准
- oimhs — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 图像分类
- tn3k — 共享标签：医学影像 / 医学图像分割 / 图像分类 / 评测基准
- woives-octa — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 评测基准
- pfus1 — 共享标签：医学影像 / 医学图像分割 / 图像分类 / 评测基准
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。
