CCK / VHSMarker — 犬类胸片心脏关键点与椎体心脏评分基准

INFOBOX — CCK / VHSMarker 一屏速览

维度	内容
本质	犬类（canine）胸部侧位 X 光的大规模心脏关键点标注数据集（非人类影像、非分割掩码）
团队	Yeshiva University（叶史瓦大学）Katz School，Namrataben Patel / Sahil Kumar / Youshan Zhang
论文	VHSMarker and the Canine Cardiac Keypoint (CCK) Dataset——ICLR 2026 投稿（OpenReview，状态 Rejected）
数据	21,465 张侧位胸片 / 12,385 只犬 / 144 品种 + 混种犬；22.2 GB
标注	每张 6 个心脏关键点（VHSMarker 工具，10-12 秒/图）
任务	关键点检测 → 自动计算 VHS（vertebral heart score / 椎体心脏评分）
基线	MambaVHS（Mamba + 卷积），91.8% test accuracy，超 13 个基线（含 ConvNeXt / EfficientNetB7）
定位	论文自述"迄今最大规模犬类心脏分析策划资源" + “automated VHS estimation 的首个可复现基准”
获取	Zenodo 10.5281/zenodo.16608263（v1，2025-07-30）；CC BY 4.0
可达性	记录公开可访问，但文件受限（Files Restricted，需登录申请确认）
口径关	6 点（CCK）vs 16 点（Zhang 2021 HRNet）——两套体系勿混引
库内互链	cxr-cardiomegaly（606，人类心大 CXR）、midog（298，犬类病理）、human CXR 群（15/117/137）

CCK（Canine Cardiac Keypoint Dataset，犬类心脏关键点数据集）是一份"给犬类胸片装上卡尺"的标注工程：它把 21,465 张犬侧位胸片逐张圈出 6 个心脏关键点，让机器可以自动算出兽医心脏病学里最常用的那个数字——VHS（vertebral heart score，椎体心脏评分）。与库里大量人类胸部 X 光条目不同，这是一份兽医影像数据集，服务对象是"狗的心脏有没有变大"这一临床问题，也是迄今公开报道中规模最大的犬类心脏影像标注资源。

三件套的关系可以一句话概括：VHSMarker 是生产数据的工具，CCK 是它生产出来的数据，MambaVHS 是在这份数据上跑出来的基线。三者共同支撑论文的核心主张——为兽医心脏影像提供一个"可复现的自动 VHS 估计基准"。

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——注意 license 是 CC BY 4.0，但文件受限，先登录 Zenodo 确认权限，别以为 CC BY 就能免登录直接抓。
2. 关心任务与标注：直奔 §4——6 关键点体系如何定义 VHS、VHSMarker 如何把标注压到 10-12 秒/图、以及它和文献里 16 点体系的区别。
3. 做跨物种迁移或关键点检测：直奔 §5 与 §9——MambaVHS 的 91.8% 结果、13 个基线、以及它与库内 cxr-cardiomegaly（人类心大）的对位关系。

一图理解 CCK 在 AI-Ready 版图里的坐标：

   人类 CXR ────────────── 兽医（犬）影像
      │                        │
   cxr-cardiomegaly(606)    CCK/VHSMarker(本条)   ← 心脏增大 × 胸片，跨物种镜像
   nih-chestx-ray14(15)     midog(298)            ← 同技术栈，不同物种/模态
   padchest(117)            │
      │                     └─ 关键点标注（6 点）
  分类/检测/分割                 而非分割掩码

这张坐标图的读法是：横向是物种（人类 vs 犬），纵向是标注范式（分类/分割 vs 关键点）。CCK 位于"犬 × 关键点"这一格，在库里几乎独一份。

§0 导读：这个数据集解决什么问题

“狗的心脏是不是变大了”——这个问题在兽医临床上有一个几乎是标准答案的量化指标：VHS（vertebral heart score，椎体心脏评分）。它的思路很朴素：在胸椎侧位片上量出心脏的长轴和短轴（以像素计），再用相邻椎体的长度作"尺子"去归一化，最后得到一个以"椎体个数"为单位的评分。犬正常参考区间大约在 9.7–10.5 之间，但因为品种和个体差异很大——有的狗天生心脏就"偏高"，且 DCM（扩张型心肌病）在部分品种里高发（如爱尔兰猎狼犬约 25%、杜宾犬雌雄分别约 33% 与 50%）——VHS 只能作为辅助证据，不能单独下诊断。

问题在于，手动算 VHS 是个又慢又主观的活。它要求阅片者在 X 光片上准确识别若干解剖地标（关键点），再测量、再归一化。不同兽医之间、同一兽医不同次之间，关键点位置都会有出入，一致性不稳定；而它又要求相当的专业经验，这让基层诊所和远程教学场景都难以标准化。人类医学的图像 AI 早已大规模铺开，兽医影像却几乎是一片自动驾驶还没开进来的空地——公开、大规模、带标准标注的犬类影像数据集极其稀缺。

CCK 的回答是把这件事拆成"工具 + 数据 + 基准"三件套。工具是 VHSMarker：一个基于 web 的标注界面，把 6 个心脏关键点的标注流程标准化，把单图标注时间压到 10–12 秒，并支持实时 VHS 计算、模型辅助预测和质控。数据是用这个工具攒出来的 CCK：21,465 张犬侧位胸片、12,385 只犬、144 个品种，每张带 6 个关键点。基准是 MambaVHS：一个把 Mamba 长程序列建模与卷积局部精度结合的基线模型，测试准确率 91.8%，论文自述超过包括 ConvNeXt 和 EfficientNetB7 在内的 13 个强基线。

为什么这件事值得单独立条目？ 因为它同时踩中了三个 AI-Ready 的关键议题。第一是物种：库内胸部 X 光条目清一色是人类影像，犬类是空白；第二是标注范式：它用的是关键点（坐标）而非掩码（分割）或标签（分类），这在胸片任务里相对少见；第三是可达性悖论：它挂着最开放的 CC BY 4.0 许可，却把文件放在访问闸门之后——这个"许可开放、可达受限"的组合，是检验 AI-Ready 评估框架能否把两个维度拆开看的现成样本。

§0 读法三则：

1. 这个条目是"数据集 + 标注工具 + 基线模型"三合一：本体是 CCK 数据，工具是 VHSMarker，模型是 MambaVHS——别把工具名和数据名混着当数据集名去检索。
2. 全文硬数字（21,465 / 12,385 / 144 / 6 点 / 91.8% / 22.2 GB / CC BY 4.0）均出自论文摘要与 Zenodo 记录两处一手来源；两处之间的口径差异（如署名口径）已在坑 5、坑 6 存照。
3. 最重要的一条口径提醒写在这里：CCK 用的是 6 点关键点体系，而同一 PI 团队更早的 Zhang et al. 2021（Prev Vet Med）用的是 16 点（12 椎体 + 4 心脏）HRNet 体系——这是两套不同的标注方案，跨论文比较前必须先对齐（坑 1）。

§1 数据集速览：十问十答

Q1：CCK 的"21,465 张"从哪来、什么规模定位？
CCK（Canine Cardiac Keypoint Dataset）收录 21,465 张标注犬类胸椎侧位 X 光片，来自 12,385 只犬，覆盖 144 个品种外加混种犬（mixed breed cases）。论文摘要将其定位为"the largest curated resource for canine cardiac analysis to date"（迄今最大规模的犬类心脏分析策划资源），并称其为 automated VHS estimation 的"first reproducible benchmark"（首个可复现基准）。

Q2：图像是什么规格？为什么只有侧位？
仅收录标准化侧位（lateral）胸片。这是有意为之：VHS 的经典测量协议本就基于侧位投照（犬通常以右侧位为标准），统一投照方向才能让心脏长轴/短轴的测量与椎体归一化保持一致口径。代价是不含背腹位（DV/VD）等其他投照方向，对非侧位影像的模型适用性未被覆盖（见坑 3）。

Q3：标注的是什么？"关键点"具体指什么？
每张图标注 6 个心脏关键点（cardiac keypoints）。这些点是计算 VHS 的几何锚点：心脏的长轴（对应心脏的纵向最大径）与短轴（横向径）的端点，以及与椎体长度比较时所需的椎体参照点。需要在 P5 区注意：CCK 原文摘要只写"six precisely annotated cardiac keypoints"，未逐点给出解剖命名——完整命名待核（遗留疑点）。

Q4：VHS 到底怎么算？
VHS 的计算分两步。第一步量心脏：在侧位片上取心脏的长轴与短轴两个像素长度；第二步归一化：把这两个长度分别除以"以椎体个数计"的尺子——通常从 T4 椎体后缘起算，用相邻椎体的长度作单位。两段测量各得一个"椎体数"评分，相加即 VHS。犬正常值大致在 9.7–10.5 区间，但因品种/个体差异大，且部分犬即使无心脏病也可能落在区间外，因此 VHS 是辅助指标而非唯一诊断依据。

Q5：标注工具 VHSMarker 有什么特别？
VHSMarker 是基于 web 的标注工具，核心卖点是快且标准：把单张图的 6 点标注压到 10–12 秒，同时支持实时 VHS 计算（边标边出分）、模型辅助预测（先用模型给建议点，人工校正）与质量管控（QC）。正是靠这个工具的效率，团队才有可能把标注规模做到两万张量级——这是"工具规模化数据"的典型范式。

Q6：基线模型 MambaVHS 是什么、成绩如何？
MambaVHS 是一个混合架构：Mamba blocks 负责长程序列建模（捕捉图像中远距离关键点之间的依赖），卷积层负责局部空间精度（精确定位点）。测试准确率 91.8%，论文自述超过 13 个强基线，其中包括 ConvNeXt 与 EfficientNetB7。作者据此主张 state-space modeling（状态空间建模）是兽医影像的一条有前景方向。

Q7：数据怎么拿？许可是什么？
托管在 Zenodo（DOI 10.5281/zenodo.16608263，v1，2025-07-30，数据量 22.2 GB）。License 是 CC BY 4.0。但要注意一个关键区别：Zenodo 记录公开可访问，而文件受限（Files Restricted）——需要登录后申请/确认访问权限。"CC BY 4.0 开放许可"说的是再分发与署名条款，不等于文件能免登录直下（坑 2）。

Q8：谁能直接用、能拿来干什么？
最直接的用途是训练/评测犬类胸片的心脏关键点检测器与自动 VHS 估计模型；其次可作标注工具方法论的研究对象（VHSMarker 的 10-12 秒/图流程）；再往外，是"人类 CXR 关键点方法跨物种迁移到兽医"的测试场。约束是文件受限需先申请，且仅侧位片、6 点体系。

Q9：和库里已有的胸部 X 光条目什么关系？
库里胸部 X 光条目（chestxray14=15、padchest=117、chestx-det10=137、covid-19-radiography=217 等）全部是人类影像；CCK 是犬类兽医学影像，域不同。最贴近的任务对位是 cxr-cardiomegaly（rid=606）——它做人类 9.6 万胸片的"心大（cardiomegaly）生物标志物"，CCK 做犬类 VHS；两者是同一临床问题（心脏增大）在不同物种上的镜像。同物种但不同模态的则是 midog（rid=298，犬类病理有丝分裂检测）。

Q10：为什么它对 AI-Ready 重要？
它是库里少见的兽医影像 + 关键点标注类型条目，也是"CC BY 4.0 许可却文件受限"这一组合的样本：许可开放度高，但可达性被访问闸门拖住，AI-Ready 的可获取性一项因此有独特讨论价值（§6、§7）。同时它把"标注工具效率"显式抬成一个贡献点——数据集的规模上限，往往是被工具效率决定的。

1.1 十答之外的四个追问

追问一：CCK 到底是不是"数据集"？会不会只是论文的附属品？
不是附属品。数据集有独立的 Zenodo 记录（DOI 10.5281/zenodo.16608263）、独立 license（CC BY 4.0）、独立版本号（v1）、独立数据量（22.2 GB）与可用格式（JSON/CSV/.mat）。这是一份可独立引用的数据资产，即便论文投稿状态为 Rejected，数据本身仍是事实存在的公开资源（虽文件受限）。

追问二：为什么摘要里"工具"排在"数据"前面？
因为在这份工作里工具是前提而非结果。没有 VHSMarker 的效率，就没有 21,465 张的规模；工具决定了数据能做多大。论文的叙事顺序（工具 → 数据 → 基线）如实反映了这个因果链。这也是本条目在 §8 把"标注工具是隐形杠杆"单列一条方法学启示的原因。

追问三："largest curated resource"这个自述可信吗？
这是论文的自我宣称，无第三方审计。它的口径是"curated resource for canine cardiac analysis"（策划的犬类心脏分析资源）——关键在于"curated"（经过策划标注）与"cardiac analysis"（心脏分析）这两个限定词。其它犬类影像数据集（如库内 midog 的病理数据）不在同一限定范围内。引用时应带上"论文自述"的限定，不可当作已核实的中立事实。

追问四：21,465 张在医学影像数据集里算大吗？
放在兽医语境里，它是"迄今最大"量级；但放在人类语境里则不算大——库内 cxr-cardiomegaly（rid=606）是 9.6 万张人类胸片，nih-chestx-ray14（rid=15）是 10 万+ 张。这个对比恰好说明：兽医影像的数据规模仍处在人类影像的早期阶段，CCK 的两万张是这个物种当下的"大"。

追问五：这批数据的"犬"是什么类型——宠物犬、工作犬还是临床病例？
摘要仅写"12,385 dogs / 144 breeds"，未说明犬的来源性质（宠物门诊病例、繁殖场、还是其他）。这影响数据偏倚：若全部来自转诊医院，可能富集了心脏病例（选择偏倚）；若来自常规体检，则更接近自然分布。来源性质属未披露项（坑 10），使用者解读评测结果时须留意这一潜在偏倚。

§2 数据构成与规格

2.1 规模总览

CCK 的规模由三组数字共同刻画，三者出自论文摘要与 Zenodo 记录两处一手来源：

维度	数值	来源
标注影像数	21,465 张	论文摘要 + Zenodo 描述（两处一致）
犬只数	12,385 只犬	论文摘要（Zenodo 未单列）
品种数	144 个品种 + 混种犬	论文摘要
关键点数	每张 6 个	论文摘要 + Zenodo（“six precisely annotated cardiac keypoints”）
数据量	22.2 GB	Zenodo 记录
投照方向	仅侧位（lateral）	Zenodo 描述
导出格式	JSON / CSV / .mat	Zenodo 描述
版本	v1（2025-07-30）	Zenodo 记录

一个值得注意的比例：21,465 张 / 12,385 只犬 ≈ 1.73 张/犬。这意味着相当一部分犬只贡献了不止一张影像（同一次检查的多张侧位、或不同时间点的复查），而不是"一犬一图"。这对划分数据集有直接含义——若按"图"随机切分 train/test，同一只犬的不同影像可能同时落入训练与测试集，造成患者级泄漏。论文摘要与 Zenodo 描述均未披露划分协议（是否按犬只切分），这是使用该数据集时必须自行处理的风险点（坑 4、遗留疑点）。

2.2 六个心脏关键点与 VHS 几何

CCK 的核心标注是每图的 6 个心脏关键点。它们共同定义一个可自动计算的 VHS：

• 心脏长轴（long axis）：由两个关键点界定——心脏纵向上最长的两端（心尖与心底方向）。
• 心脏短轴（short axis）：由两个关键点界定——心脏横向的最宽处。
• 椎体参照点：用于把心脏测量值换算成"椎体个数"单位（经典协议从 T4 椎体后缘起算，取相邻椎体长度作尺子）。

VHS 的算法可写作：

VHS = (cardiac_long_axis / vertebral_length) + (cardiac_short_axis / vertebral_length)

得到以"椎体数"为单位的两个分量，相加即评分。犬的典型参考区间约 9.7–10.5，高于此区间提示心肌增大（心肥大）的可能，但需结合品种与临床背景判断。

关键的口径提醒：以上是 VHS 的通用临床定义；CCK 摘要只确认"6 个关键点"，未逐点公开每个点的解剖命名。因此本条目对 6 点的具体对应（哪两点是长轴、哪两点是短轴、哪两点是椎体参照）是按 VHS 通用协议作的合理推断，非原文逐字确认——这是遗留疑点，引用时应以 CCK 原文/标注文件为准。

2.3 与另一套 16 点体系的区别（务必分清）

同一 PI 团队（Youshan Zhang）更早的论文 Zhang et al. 2021（Preventive Veterinary Medicine 193:105399，PMID 34118647）用的是 16 个关键点体系：12 个点在"第 1 至第 12 肋与脊柱的交点"上（points 1–12），另 4 个点分别是主气管分叉（point 13）、心尖（point 14）、心脏颅侧缘（point 15）、心脏尾侧缘与后腔静脉交点（point 16）；长轴为 13–14，短轴为 15–16。

而 CCK 用的是 6 点简化体系。两者不是同一标注方案：

体系	出处	关键点数	构成
CCK 体系	本数据集（VHSMarker）	6	6 个心脏关键点（摘要未逐点命名）
HRNet 体系	Zhang et al. 2021（Prev Vet Med）	16	12 椎体交点 + 4 心脏点（气管分叉/心尖/心缘×2）

含义：任何把 CCK 与 2021 论文的关键点结果直接对比、或混用两套标注训练同一模型的尝试，都会因点定义不一致而失败。CCK 的"6 点"是一种为标注效率优化的简化——点更少，单图标注更快，代价是几何信息比 16 点体系更紧凑（坑 1）。

2.4 品种维度

144 个品种外加混种犬，是 CCK 覆盖面的一个亮点。犬的 VHS 存在显著的品种与个体差异——大型犬（如杜宾、猎狼犬）与小型犬的正常区间并不一致，部分品种即使无心脏病也可能出现偏高的 VHS。品种标签因此对建模有实际价值：可用于按品种分层评测，或构建品种条件化的 VHS 参考。但论文摘要与 Zenodo 未披露品种清单与各品种样本量分布——144 品种是"覆盖广度"的宣称，各品种的具体样本量（是否长尾偏斜）待核（坑 7）。

2.5 一句话小结数据构成

CCK = 21,465 张犬侧位胸片 × 每张 6 个心脏关键点（覆盖 12,385 只犬 / 144 品种 + 混种），JSON/CSV/.mat 三格式，22.2 GB，Zenodo v1。医疗价值锚点是 VHS——一个把"心脏是否增大"从主观目测变成可复现数字的经典兽医指标。

2.6 三种导出格式的用途

Zenodo 描述明确提供 JSON / CSV / .mat 三种导出格式，这不是随意堆砌，而是照顾三类下游：

格式	典型用途
JSON	通用/Web/AI 管线——嵌套结构，便于携带每图的 6 点坐标与元数据
CSV	表格/统计/数据科学——扁平化，便于 pandas/R 直接读入做分析
.mat	MATLAB——工程/信号处理传统用户，医学影像标注研究常见

三格式覆盖了 AI、数据科学、工程三类用户的学习曲线，降低了"拿到标注还得先写解析器"的门槛。这一点对"文件受限"的补偿很重要——一旦通过权限闸门，标注即可用。

2.7 数据构成的未知项清单

为避免读者误把"宣称"当"已知"，把 CCK 数据构成中摘要与 Zenodo 未披露的项集中列出：

• 采集机构/中心数：12,385 只犬的来源机构、是否单中心，未披露；
• 采集设备与平台：X 光设备型号、成像参数，未披露；
• 患者级划分：train/test 是否按犬只切分，未披露（坑 4）；
• 品种分布：144 品种各自的样本量，未披露（坑 7）；
• 年龄/性别/体重分布：犬群的人口学构成，未披露；
• 关键点逐点命名：6 个点各自的解剖含义，未逐点公开（遗留疑点）；
• 标注一致性指标：观察者间/内一致性的量化，未披露。

这些项若在论文正文中有，需以正文为准；但抓取时点项目页 404、无 arXiv 版，正文级细节无法一手获取。本条目因此把它们如实记为未知，而非推测填充。

2.8 从原始影像到 VHS 的完整数据流

把 CCK 的端到端流程画成一张图，有助于理解各环节的输入输出：

犬侧位胸片（原始 X 光）
        │
        ▼
   VHSMarker 标注界面
   （模型辅助给出建议点）
        │
        ▼
   人工校正 6 个关键点
   （10-12 秒/图 + QC）
        │
        ▼
   CCK 标注（JSON/CSV/.mat）
   ← 本数据集产出
        │
        ▼
   MambaVHS 训练/推理
   （Mamba + 卷积）
        │
        ▼
   预测 6 关键点 → 几何计算
        │
        ▼
   VHS 评分（椎体数）
        │
        ▼
   临床辅助（结合病史判读）

这张图的关键信息：CCK 数据集的产出位于流程的中间——前面是工具（VHSMarker），后面是模型（MambaVHS）与临床。数据集不是终点，而是连接"标注"与"建模"的枢纽。

2.9 数据量 22.2 GB 背后的存储结构推断

22.2 GB / 21,465 张 ≈ 平均约 1.03 MB/张。这个量级提示影像的存储形态：

• 若是原始 DICOM，单张侧位胸片通常更大（数 MB 级），22.2 GB 可能装不下两万张；
• 若平均约 1 MB/张，则更接近压缩后的 PNG/JPEG 或降采样/裁剪后的图像，加上标注文件（JSON/CSV/.mat 体积小，可忽略）。

推论：CCK 存储的很可能是经过处理的图像（压缩或标准化尺寸），而非原始 DICOM 全分辨率。这只是一种基于体积的合理推断，未经原文确认——引用像素级规格（分辨率、位深）时须以实际文件为准（遗留疑点）。

2.10 数据集命名与检索歧义

"CCK"这个缩写在别处有强占用，检索时务必消歧：

缩写	常见含义	是否指本条目
CCK	Canine Cardiac Keypoint（本数据集）	是
CCK	cholecystokinin（胆囊收缩素，生物化学）	否
CCK	其他领域缩写	否
VHSMarker	本条目配套标注工具	工具名
MambaVHS	本条目配套基线模型	模型名

检索建议：裸检 “CCK” 会被胆囊收缩素（cholecystokinin）淹没，须组合 “canine” 或 “cardiac keypoint”，或用 “VHSMarker”、“MambaVHS” 精确定位。

2.11 数据集的"三层资产"结构

CCK 作为一个"数据产品"，实际上包含三层可分离的资产，理解这个结构对使用与引用很关键：

层	资产	可独立性	现状
第一层	影像（21,465 张侧位胸片）	可与标注分离	Zenodo 文件受限
第二层	标注（每张 6 关键点，JSON/CSV/.mat）	可与影像分离	同上（打包在受限文件内）
第三层	工具与代码（VHSMarker、MambaVHS）	独立于数据	项目页 404，当前不可得

含义：① 影像与标注打包在一起（都在受限文件内），不能只申请标注；② 工具与代码是独立资产，其可得性（当前为否）与数据可得性无关；③ 引用时若只用了元数据（做文献综述），与用了数据（做实验），应区别描述。

2.12 关键点坐标系的一条重要未知

一个技术细节值得单列：标注的坐标系未披露。可能有两种：

• 绝对像素坐标（相对原图分辨率）：跨图像分辨率不一致，模型需处理尺度；
• 归一化/相对坐标（0-1 之间）：跨分辨率一致，便于直接训练。

为什么重要：若为绝对像素坐标而图像分辨率不统一，模型训练前需统一缩放，否则关键点精度会受分辨率影响。CCK 采用哪种坐标系，直接关系其标注能否"拿来即训"。此点属未披露项（§4.9、遗留疑点），使用者拿到文件后应先检查标注值的取值范围来判定。

2.13 数据规模与"够不够用"的经验判断

一个常被问的问题：两万张够不够训练一个犬类 VHS 关键点模型？可给几条经验判断：

• 相对任务复杂度：关键点检测（6 点）比分割/分类的样本需求低——两万张对 6 点任务是充裕的；
• 相对类内多样性：144 品种 + 解剖变异大，意味着需要更多样本覆盖长尾；两万张在覆盖广度上是优势；
• 相对分布偏斜：若无品种/病例均衡，两万张可能在少数品种上仍显不足；分布未披露是隐忧；
• 相对评测需求：作为基准，两万张足够支撑一个有统计意义的测试集（若划分得当）。

结论：就 6 点关键点任务而言，21,465 张是"充足甚至偏多"的量级——CCK 的瓶颈不在数量，而在元数据透明度（划分、分布、坐标系）。这也再次印证：数据集的"够不够用"，往往不取决于总数，而取决于你能否确认它的质量与分布。

2.14 与库内人类 CXR 数据集的规模横向对照

把 CCK 放进库内胸部影像数据集的规模谱系，可见兽医与人类的量级差异：

数据集	物种	规模	模态
nih-chestx-ray14(15)	人类	10 万+ 张	X 光
cxr-cardiomegaly(606)	人类	9.6 万张	X 光
padchest(117)	人类	16 万+ 张	X 光
CCK（本条）	犬	21,465 张	X 光
midog(298)	犬	病理（不同模态）	病理图像

读法：犬类的两万张，放在人类十万级的数据旁边仍显小——这不是 CCK 的问题，而是兽医影像数据生态的整体规模所限。它恰说明：CCK 的"最大"是相对于兽医领域而言，跨物种比较规模本身意义有限（因为临床背景、采集难度、标注成本都不同）。

§3 临床背景：VHS 为什么是犬类心脏评估的抓手

3.1 VHS 的来龙去脉

椎体心脏评分（vertebral heart score, VHS）——在一些文献中也写作 vertebral heart scale、vertebral scale system（VSS）——是评估犬心脏大小最常用的量化方法之一。它的巧妙之处在于用椎体当尺子：不同体型的犬，心脏的绝对像素尺寸天差地别，但以"胸椎椎体长度"归一化后，就得到了一个跨个体可比的相对量。

临床流程大致是：在胸椎侧位片上，量心脏长轴与短轴，各自除以椎体长度，两个"椎体数"相加即 VHS。该方法是目前评估犬心肌增大（cardiomegaly / 心肥大）“最客观的方法之一”（文献常见表述）。它相对目测的优势是可复现、可纵向追踪——同一只犬治疗前后的 VHS 变化可用于监测心脏大小的响应。

3.2 犬心脏病的临床分量

为什么值得为犬心脏影像做这么大规模的数据工程？因为犬心脏病高发且后果严重：

• 退行性瓣膜病：临床证据在约 30% 的 13 岁及以上犬中可被检出。
• 扩张型心肌病（DCM）：在特定品种中流行率惊人——爱尔兰猎狼犬约 25%，杜宾犬雌性约 33%、雄性约 50%。

心脏增大是这些疾病的关键早期影像学征象。VHS 加上病史与体格检查，能高效地"提高对潜在心脏病的临床怀疑"——尤其在早筛与社区筛查场景中，一个快速、客观、可规模化的 VHS 自动测量工具，价值直接落在"能不能更早发现问题"上。

3.3 手动 VHS 的三大痛点

手动测量 VHS 的现实困难，正是 CCK/VHSMarker 存在的理由：

1. 慢：要逐一识别解剖地标、测量、归一化，单张耗时明显。
2. 主观 / 一致性差：关键点位置因阅片者而异，观察者间与观察者内一致性不稳。文献反复指出"identifying key anatomical points"的差异是变异性主要来源。
3. 门槛高：需要专业经验，基层诊所与远程教学场景难以标准化。

这三点里，“关键点定位"是共同的根——它既是主观性的来源，也最耗时。把关键点定位交给一个标注过两万张图的模型（MambaVHS），就等于把 VHS 测量从"人的手艺"部分转成"可复现的算法输出”。

3.4 一个被 VHS 自动测量系统性打开的研究方向

一旦 VHS 可自动、批量、客观地计算，犬类心脏健康的群体级研究才真正可行——论文把这一点写进动机：自动化 VHS 工具有助于推进"population-based research on canine cardiac health"（基于群体的犬心脏健康研究）。这与人类医学里"大规模胸片心大生物标志物"（库内对应 cxr-cardiomegaly, rid=606）的思路完全同构：先用算法把定性征象变成可批量计算的数字，再在大队列上做流行病学与纵向分析。

3.5 方法学坐标：CCK 处在哪个位置

把 CCK 放进犬类 VHS 自动化的文献谱系，能看清它的定位：

• Zhang et al. 2021（Prev Vet Med 193:105399）：HRNet 检测 16 关键点，2274 张训练/验证 + 396 张外部测试，AP 86.4%，后处理校正后 90.9%——较早的可行方案，但数据规模与关键点体系与本数据集不同。
• SWA-UNet + YOLOv11 方案（PMID 41713362）：改进 U-Net 做心脏分割（mIoU 95.34% / Dice 98.20%）+ YOLOv11 做关键点（T3-T10 precision 96.50% / recall 95.20%），VHS 与手工测量 Pearson r=0.8985、Bland-Altman 均值差 -0.0696 cm——走"分割+检测"两阶段路线。
• CDA（arXiv:2501.7533，同实验室）：用扩散模型生成 3,000 张合成犬胸片并标注 VHS 关键点，再以 EfficientNetB7 伪标注扩充训练——解决"标注数据稀缺"的另一条路。

CCK 的区别在于规模（21,465 张，远超上述单篇论文的数据量）与基准化（配套 MambaVHS 基线 + 公开数据）。它把"关键点体系是否可信"的争论暂时搁置，先用一个标准化工具把数据量大做上去，再用一个强基线给这个量大管够的数据集定个大致的性能锚点——这是"数据先行、基准随后"的典型路线。

3.6 VHS 的三个变体命名辨析

文献里 VHS 有多个近义写法，检索时容易漏检或误判为不同概念，这里统一辨析：

写法	全称	说明
VHS	vertebral heart score	最常用，本条目主用
VHS	vertebral heart size	少数文献用的同义表述（size/score 混用）
VSS	vertebral scale system	强调"椎体刻度系统"，偏方法名
VH Scale	vertebral heart scale	与 VHS 同源，部分标题用

实践建议：交叉检索这三个/四个写法（score / size / scale / system）才能覆盖全文献。本条目统一用 VHS（vertebral heart score），首现标注英文。

3.7 为什么"关键点"而非"分割"或"直接回归"？

在犬类 VHS 自动化里，至少有三条技术路线：

1. 直接回归：端到端网络直接输出一个 VHS 数字。缺点：黑箱、不可解释、难校正。
2. 分割路线：先分割心脏轮廓，再从轮廓推长轴/短轴。缺点：需要像素级分割标注，成本高；且分割边界不等于 VHS 测量点。
3. 关键点路线（CCK 采用）：检测 6 个稀疏关键点，再由几何公式算 VHS。优点：标注成本低（6 个点 vs 整张掩码）、可解释（点在哪一目了然）、可校正（QC 流程闭合）。

CCK 选关键点路线，是它在标注成本、可解释性、规模化三者间的权衡结果——这也解释了为什么它能做到十万级关键点标注（21,465×6≈128,790 个点）而不用承担掩码级标注的代价。

3.8 与人类心脏影像评估的类比

为了帮助非兽医背景读者建立直觉，把犬类 VHS 与人类心脏影像评估做一次类比：

维度	人类	犬类（CCK 语境）
靶问题	心脏增大（cardiomegaly）	心脏增大（VHS 评分）
常用影像	胸部 X 光 / 超声 / CT	胸椎侧位 X 光
量化指标	心胸比（CTR）等	VHS（椎体心脏评分）
归一化方式	胸廓宽度	椎体长度
库内对应	cxr-cardiomegaly(606)、nih-chestx-ray14(15)	CCK（本条）

核心类比点：人类用"心胸比"（心脏宽度/胸廓宽度）归一化，犬类用"椎体心脏评分"（心脏长度/椎体长度）归一化。两者都是"用一个身体参照物把心脏尺寸标准化"的思路，只是参照物不同——人类取胸廓，犬类取椎体。理解了这个类比，就理解了 VHS 为什么能自动化：它是一个几何量，而非模糊的"看起来大不大"。

3.9 VHS 的临床局限（为什么它不能单独诊断）

VHS 好用，但兽医文献反复强调它不能单独作为诊断依据，原因有三：

1. 品种差异大：不同品种的正常 VHS 区间不同，统一阈值会误判；
2. 个体差异大：同一品种内，有的犬即使无心脏病 VHS 也可能偏高；
3. 假阴/假阳：胸腔积液、肥胖、体位等因素都会影响测量。

因此 VHS 的定位是"结合病史与体格检查，提高对潜在心脏病的临床怀疑"。CCK 服务的是"让这个辅助指标更快、更客观地算出来"，而不是"取代兽医诊断"。任何把 CCK 模型输出当作确诊依据的用法，都超出了它的定位。

3.10 犬心脏病的流行病学背景（扩展）

为理解 CCK 的临床价值，补充犬心脏病的两类高发疾病背景：

退行性瓣膜病（degenerative valvular disease）：犬最常见的心脏病之一，临床证据在约 30% 的 13 岁及以上犬中可检出。随年龄增长，瓣膜增厚导致反流，进而引起心脏增大——这正是 VHS 要捕捉的影像学征象。

扩张型心肌病（DCM, dilated cardiomyopathy）：在特定品种中高发，文献给出的流行率约为：

品种	DCM 流行率
爱尔兰猎狼犬	约 25%
杜宾犬（雌性）	约 33%
杜宾犬（雄性）	约 50%

DCM 的特点是心肌变薄、心腔扩大——同样表现为心脏增大。这两类疾病都让"心脏增大"成为关键的早期影像学指标，也解释了为什么一个客观、可规模化的 VHS 测量工具在兽医临床上具有实际价值。这两个流行率数字出自 CCK 相关文献对其数据背景的引述，是本条目临床动机部分的依据。

方法学提醒：以上流行率为文献引述的既有数字，用于理解 CCK 的临床动机；它们不是 CCK 数据集的统计结果，引用时须区分。

3.11 从"人手测量"到"模型测量"的一致性收益

手动 VHS 的核心痛点是观察者间不一致。把它交给模型有几重一致性收益：

1. 同图同分：对同一张图，模型输出确定（无随机性，除非采样），消除了"不同兽医给不同分"的问题；
2. 批量一致：对整个队列用同一套规则，便于群体研究与纵向比较；
3. 可追踪：模型版本固定后，评分口径稳定，适合做治疗前后对比；
4. 可审计：关键点可视，评分来源可追——这比黑箱回归更有临床信任基础。

但也要诚实：模型的"一致"不等于"正确"。若训练标注本身有系统性偏差（如标记者倾向把某点标偏），模型会稳定地复制这个偏差。因此标注质量仍是上限——这正是 CCK 未披露标注一致性细节的隐忧（坑 7 相关）。

3.12 群体级犬心脏健康研究的想象空间

论文把自动 VHS 的价值指向"population-based research on canine cardiac health"（基于群体的犬心脏健康研究）。一旦 VHS 能批量、客观地算出来，可打开的研究方向包括：

• 品种基线：为 144 个品种建立各自的 VHS 正常区间参考；
• 纵向监测：对同一犬只多次检查的 VHS 变化做趋势分析，早期发现心大；
• 流行病学：在大队列上关联 VHS 与品种、年龄、性别、体重；
• 早筛落地：把自动 VHS 嵌入基层诊所流程，降低专业门槛。

这些方向在人类医学里（如 cxr-cardiomegaly, rid=606 的心大生物标志物研究）已有成熟先例；CCK 的意义是把这套"先量化、再流行病学"的思路，复制到犬类兽医场景中——而这正是"大数据集 + 强基线"能撬动的下游价值。

3.13 一个具体的临床流程想象

为了把抽象价值落到具体场景，设想一个 2030 年的基层诊所流程：

1. 犬主带老年犬来做常规检查，技师拍一张侧位胸片；
2. 影像自动送入模型，10 秒内输出 6 个关键点与 VHS 评分；
3. 若 VHS 落在品种正常区间外，系统提示"建议心脏专科复查"；
4. 兽医结合病史判断，必要时转诊。

这个流程里，CCK 提供的是第 2 步的能力——把一张胸片快速转成一个客观数字。它不取代兽医判断（第 4 步），但把"要不要怀疑心脏问题"这一初筛环节，从依赖经验的手工测量，变成了可批量、可标准化的自动计算。这正是论文所说的"clinical decision support"（临床决策支持）定位。

3.14 为什么"早筛"在兽医场景尤其重要

与人类不同，犬的心脏病往往发现得晚——犬主通常只有在症状明显（咳嗽、运动不耐受、昏厥）时才就医，而此时疾病可能已进展。文献指出，大型犬常在五岁以上、症状明显时才被诊断。若能在症状前通过常规体检的胸片自动算出 VHS 并提示异常，就有机会更早干预。这是自动 VHS 在临床上的真实价值锚点：不是替代专家，而是让初筛在更多场景、更早时点发生。

3.15 VHS 与其他犬心脏评估手段的关系

需要说明：VHS 并非犬心评估的唯一手段，它与其他方法互补：

手段	模态	优势	局限
VHS	X 光	快速、客观、可批量、成本低	品种差异、不能定病因
超声心动图	超声	可直接看结构与功能	需专科、成本高、非普筛
心电图	电生理	看心律异常	不看心脏大小
生物标志物	血液（如 NT-proBNP）	无创、可量化	非影像、需采血

CCK 的定位：它服务的是 VHS 这一"X 光初筛"环节——用最普及、最便宜的影像模态，做最快的初步判断。它是整个犬心评估链条的第一道闸门，而非终点。理解了这一点，就不会高估或低估 CCK 的临床价值。

3.16 从"测量"到"决策"的距离

最后提醒一个常被忽略的距离：测出一个 VHS 数字 ≠ 做出一个临床决策。从 VHS 到决策之间，还隔着：品种特异性参考区间、病史、体格检查、其他影像、以及兽医的专业判断。CCK 与 MambaVHS 缩短的是"测量"这一环的时间与主观性，而没有、也不应跨越"决策"这一环。任何把数据集模型输出直接当作诊断的用法，都误解了它的定位——这也是本条目在 §3.9 强调"VHS 不能单独诊断"的延伸。

§4 标注体系与任务定义

4.1 VHSMarker：把标注效率做成贡献

CCK 的一个不寻常之处，是把标注工具（VHSMarker）抬到与数据集并列的贡献位置。论文摘要的表述顺序是"我们先讲工具、再说用工具构建的数据集、最后讲基线模型"——工具不是附属品，而是数据规模得以成立的前提。

VHSMarker 的能力清单：

能力	说明
快速标注	10–12 秒/图（六点标注）
实时 VHS 计算	边标边算，即时反馈评分
模型辅助预测	模型先给建议关键点，人工校正
质量管控（QC）	标注质量控制环节

为什么 10–12 秒/图是核心数字：它决定了数据规模的量级上限。假设标注效率是 5 分钟/图，两万张就是约 1,667 小时的人工作业；压到 10–12 秒/图（约 60–72 秒/6 张的节奏），两万张的可操作性才现实。这解释了一个常被忽视的道理——很多数据集的天花板不是数据采集能力，而是标注吞吐能力。VHSMarker 通过"标准化界面 + 实时反馈 + 模型辅助 + QC"把单图成本降下来，才能支撑 21,465 张这个规模（§8 会展开这条方法论）。

4.2 任务一：关键点检测

CCK 的底层任务是关键点检测（keypoint detection）／地标检测（landmark detection）——从一张犬侧位胸片预测 6 个心脏关键点的坐标。这属于医学影像里成熟的一类任务（人体姿态估计、解剖地标定位同族），评测指标通常用预测点与标注点的距离误差及其阈值命中率（AP/PCK 风格的指标）。

需要与库内条目区分：关键点检测不同于分割（吐出掩码）也不同于分类（吐标签）——它吐出的是稀疏的坐标点集合。CCK 的 category_tags 因此落在"目标检测 / 关键点"谱系，而非"图像分割"。

4.3 任务二：从关键点到 VHS 回归

关键点只是中间产物；CCK 真正要服务的下游是 VHS 自动估计。一旦 6 个关键点被检出，VHS 就是几何计算（长轴/短轴 / 椎体长度）的结果——不需要额外的端到端回归网络，可解释性强。这正是关键点路线相对"直接回归一个 VHS 数字"的黑箱路线最大的优势：

• 可解释：VHS 由哪两个长度、以什么椎体归一化而来一目了然。
• 可审计：关键点错在哪可以直接可视化和校正——这与 VHSMarker 的"模型辅助预测 + QC"设计闭合。
• 跨品种可迁移：品种差异主要体现在"正常区间"上，几何计算本身与品种无关。

4.4 标注流水线与质量控制（已知与未知）

已知：标注由 VHSMarker 工具完成，内置模型辅助预测与 QC 环节；标注速度为 10–12 秒/图。

未知（待核/遗留疑点）：论文摘要与 Zenodo 描述未披露：

• 标注者身份与数量（是否兽医专家、是否众包、是否多轮审核）；
• 关键点标注的一致性考核（是否计算观察者间一致性、是否有人工抽检比例）；
• 标注坐标系与归一化方式（相对坐标还是像素坐标、是否随图像分辨率缩放）。

这些细节通常写在论文正文（方法与附录）里，但抓取时点项目页 404、未见 arXiv 预印本，正文级细节无法一手获取——本条目据摘要与 Zenodo 忠实记述，未确认部分标注为待核。

4.5 标注的语义约束：为什么要"仅侧位"

"仅侧位"不只是数据筛选，而是一个语义约束。VHS 的经典协议基于侧位投照，长轴/短轴的定义、椎体归一化的参考点都建立在侧位几何上。若混入背腹位（DV/VD），关键点的解剖含义会改变，VHS 公式不再直接成立。因此 CCK 限定侧位是保证 VHS 语义一致性的必要条件，而非偷懒——这反过来也限制了数据集的适用面（非侧位影像不在覆盖范围，坑 3）。

4.6 128,790 个关键点意味着什么

21,465 张 × 6 点 = 128,790 个标注点。这个数字值得单列，因为它量化了 CCK 的标注体量：

• 若按每点约 2 秒净标注（含校正）估算，128,790 点 ≈ 71.5 小时纯点位作业——这还是理想节奏；
• 若换成"整张心脏掩码"的标注范式，同样的图量成本会高出一个数量级；
• 正是"只标 6 个点"的选择，把总标注量压到了单个团队可完成的区间。

这解释了 CCK 规模宣言背后的算术：不是采集了两万只犬，而是用低成本标注把两万张图的起点抓住了。

4.7 关键点检测的评测惯例（用于对照理解 91.8%）

关键点检测任务的通行评测，通常不是"整图分类准确率"，而是基于点距的命中指标：

• PCK（Percentage of Correct Keypoints）：预测点落在标注点半径阈值内的比例；
• AP（Average Precision，关键点版）：不同阈值下的精度-召回曲线面积；
• 平均像素误差 / 归一化误差：预测点与标注点的距离。

Zhang et al. 2021 报的就是 AP 86.4% → 90.9%（关键点口径）。而 CCK 报的是 “test accuracy 91.8%”，口径不同（不是 AP/PCK 的明确表述）。这正是不宜把 91.8% 与 90.9% 直接比大小的原因——前者可能是某个"正确性判定"下的准确率，定义需查正文（坑 8）。

4.8 一条被数据规模隐含的评测风险

关键点检测模型容易"作弊"：如果被检犬有多张同期影像（同一个体、同一投照、几乎相同的解剖），且这些影像被随机分到 train 与 test，那么模型在 test 上遇到的其实是"训练时见过的同一只犬的另一张图"——性能会被系统性高估。CCK 的图/犬比约 1.73:1 提示这种风险真实存在；而划分协议未披露（坑 4），意味着使用者无法从公开信息判断官方评测是否已排除该泄漏。这是它作为"基准"时最需要补齐的一环。

4.9 标注任务的技术细节（已知推测与未知的边界）

把关键点标注的技术要素拆开，标注哪些是"原文确认"、哪些是"合理推测"：

要素	状态	说明
关键点数量 = 6	原文确认	摘要与 Zenodo 双处
点用于计算 VHS	原文确认	摘要明确 VHS 关联
VHSMarker 效率 10-12 秒/图	原文确认	摘要
坐标系（像素/相对）	未披露	推断
图像分辨率/是否缩放	未披露	推断
每点是否含可见性标记	未披露	推断
标注是否多轮审核	未披露（工具有 QC 环节）	部分推断
6 点的逐点解剖命名	未披露	遗留疑点

表格的用法：它划出了"可放心引用"与"须标注待核"的边界。引用 CCK 的标注细节时，只能引用左列标"原文确认"的项；其余项属于本条目基于通行实践的合理推断，须注明。

4.10 关键点标注 vs 其他标注范式的成本对照

把关键点标注与常见标注范式的成本放在一起，能看清 CCK 的路线选择：

标注范式	单图人工成本（量级）	输出粒度	典型下游
图像级分类	秒级	1 个标签	分类器
关键点（CCK）	约 10-12 秒/6 点	6 个坐标	关键点检测 + 几何计算
边界框检测	数十秒	若干框	检测器
语义/实例分割	分钟级	像素掩码	分割网络
逐点解剖标记（16 点体系）	数十秒	16 个坐标	关键点检测

读法：CCK 的 6 点关键点方案，成本介于"图像级分类"与"分割"之间，却提供了远超分类的几何信息——这是一条性价比很高的中间路线。而 16 点体系虽信息更全，但成本更高、规模难做大，这也是 CCK 选 6 点的一个现实理由。

4.11 标注质量的三重保障（据公开信息推断）

结合"VHSMarker 支持模型辅助预测与 QC"这一公开信息，可以合理推断其标注质量保障包含三层：

1. 模型辅助：模型先给出关键点建议，人工在其基础上校正——降低从零标注的负担，同时保留人工判断；
2. 实时反馈：边标边算 VHS，标注者即时看到评分是否合理（如出现异常高/低的 VHS，可能提示点标错了）；
3. 质控环节：工具内置 QC 流程，对标注做一致性/合理性检查。

但须说明：以上是基于工具功能描述的合理推断，论文摘要未逐一确认这些环节的具体实现与抽检比例。标注者身份、审核轮次、一致性指标等仍属未披露项（§4.9、遗留疑点）。

§5 基线模型 MambaVHS 与基准定位

5.1 MambaVHS 的架构思路

MambaVHS 是一个混合架构，把两类互补的归纳偏置缝在一起：

• Mamba blocks：状态空间模型（state space model）的一支，擅长长程序列建模——在图像里，它负责捕捉关键点之间的远距离依赖（例如长轴两端、短轴两端、椎体参照点之间的整体几何约束）。相比 Transformer，Mamba 的序列建模在长序列上更高效，这也是论文强调"efficient"的原因。
• 卷积层（convolutional layers）：擅长局部空间精度——负责把关键点精确定位到像素级。

这种"Mamba 管全局关系 + 卷积管局部精度"的组合，是近年来在 ViT 之外探索"更高效的长程建模"潮流的一个实例。论文的主张是：state-space modeling 是兽医影像的一条有前景方向。

5.2 基准成绩

指标	结果
测试准确率	91.8%
超越基线数	13 个
代表性对比基线	ConvNeXt、EfficientNetB7

读法提醒：91.8% 是"test accuracy"，论文未在摘要中给出该指标的具体定义（是关键点命中率？端到端 VHS 分级准确率？还是其他？）。在只看摘要、无法获取正文的情况下，不应把 91.8% 直接等同于"VHS 数值误差 8.2%“或"关键点 AP 91.8%”——它是"测试准确率"这一笼统口径。跨模型比较时须先确认指标定义（坑 8）。

5.3 论文的基准定位与自我主张

论文把 CCK + MambaVHS 一起定位为一个可复现基准（reproducible benchmark），主张有三：

1. 首个 automated VHS estimation 的可复现基准——把此前零散、数据不公开的 VHS 自动化研究，收敛到一个公开（虽文件受限）的数据集 + 公开基线之上；
2. 迄今最大的犬类心脏分析策划资源——以 21,465 张的规模宣称；
3. 把 state-space modeling 引入兽医影像——方法学上的方向主张。

5.4 与既有犬类 VHS 方案的横向对比

把 MambaVHS 放在文献坐标里（见 §3.5 的方案列表）：

方案	关键点体系	数据规模	主要成绩	路线
Zhang et al. 2021	16 点	2274 训练/验证 + 396 测试	AP 86.4% → 90.9%	HRNet 单阶段关键点
SWA-UNet + YOLOv11	关键点（T3-T10 等）	未在摘要披露	分割 Dice 98.20%；VHS r=0.8985	分割 + 检测两阶段
CDA（同实验室）	VHS 关键点	原集 + 3,000 合成	SOTA 级（摘要未给单一数字）	扩散增强 + 伪标注
CCK / MambaVHS	6 点	21,465 张	91.8% test acc	Mamba+卷积混合

关键观察：这几套方案的关键点体系、数据规模、评测指标互不对齐——16 点 vs 6 点、AP vs Dice vs accuracy、千级 vs 万级数据。因此"谁更好"无法直接回答；CCK 的价值恰恰是提供了一个统一口径的大数据平台，让后续研究有一个共同锚点，而不是又一篇各自为战的论文（坑 9）。

5.5 Mamba 是什么，为什么用在这里

Mamba 是近年兴起的一类**状态空间模型（state space model, SSM）**架构，核心卖点是"线性复杂度的长程序列建模"——相比 Transformer 的自注意力在序列长度上呈平方复杂度，Mamba 用状态空间递推实现近似线性的代价。它最初为长序列（如超长文本、时序信号）设计，近年在视觉任务上也被尝试。

放到关键点检测里，Mamba 的价值在于：把图像（或特征图）展平成序列后，它可以低成本地建模关键点之间的远距离依赖。心脏长轴两端、短轴两端、椎体参照点——这些点分散在整张图上，彼此有强几何约束（长轴必比短轴长、椎体点须在同一条脊柱线上）。用一个能高效捕捉远距离关系的模块去约束这些点，是合理的归纳偏置设计。

5.6 "Mamba + 卷积"混合架构的普遍逻辑

MambaVHS 没有纯用 Mamba，而是"Mamba 管远距离 + 卷积管局部"。这是一种越来越常见的混合范式，背后的逻辑是：

模块	擅长	在关键点检测里的角色
卷积	局部纹理、边缘、像素级精度	把关键点精确定位到亚像素位置
Mamba（SSM）	长距离依赖、全局结构	约束多个关键点之间的整体几何一致性

纯卷积难建模远距离关系（受感受野限制），纯注意力/SSM 又可能牺牲局部精度。混合架构试图两头兼顾——这也是它能报出 91.8%、超越 ConvNeXt 与 EfficientNetB7 这类纯卷积/纯注意力的基线的原因（论文主张）。

5.7 13 个基线意味着什么

论文自述 MambaVHS"surpassing 13 strong baselines including ConvNeXt and EfficientNetB7"。13 个基线是一个相对扎实的对照规模——它说明作者做了一批系统性的 baseline 比较，而不是只挑一两个弱对手。但需注意：

• 摘要只点名了 ConvNeXt 与 EfficientNetB7 两个，其余 11 个未列出；
• 基线的具体配置、输入尺寸、训练协议未在摘要披露；
• 因此"超越 13 基线"的可复现性，取决于论文正文与开源代码——而代码当前不可得（项目页 404，遗留疑点）。

5.8 作为"基准"的三个必要件与一个缺件

一个数据集要成为可复现基准，通常需要：① 公开数据；② 公开基线；③ 明确的评测协议（划分、指标）。CCK 具备 ①（虽文件受限）与 ②（MambaVHS 作为参考点），但 ③ 划分协议与指标定义未公开（坑 4、坑 8）。这意味着它目前是"准基准"——有基准的骨架，但缺了让第三方严格复现的评测协议细节。补上这一环，它会成为真正的公共评测床。

5.9 大模型时代"小而专"基线的意义

在动辄千亿参数的通用大模型时代，MambaVHS 这类"小而专"的领域基线仍有其不可替代的价值：

• 算力友好：可在常规 GPU 上训练复现，不像大模型那样需要巨量算力——这对兽医这类资源有限的领域尤其重要；
• 可解释：关键点 + 几何计算，输出可审计，符合临床信任需求；
• 可对标：作为一个明确的"及格线"，后续工作能清楚地说"我比 MambaVHS 好多少"。

CCK 选择用一个专用小模型而非通用大模型作基线，本身是一个务实的选择——它服务的是"给这个领域一个可复现的起点"，而非刷榜。

5.10 状态空间模型（SSM）的简要背景

为帮助读者理解 MambaVHS 的技术坐标，简要说明状态空间模型的脉络：

• 起源：SSM 源自控制论，用一组隐状态递推描述序列的动态。经典形式是线性时不变系统。
• 与 RNN/Transformer 的关系：它可以看作 RNN 的一个高效变体——同样递归处理序列，但通过结构化参数化实现了并行训练；相比 Transformer 的注意力（平方复杂度），它对序列长度呈近线性复杂度。
• Mamba：给 SSM 引入"输入相关的选择性"机制（selective SSM），让模型能根据内容动态决定记住/遗忘——这是它命名的由来，也是它能在语言、视觉任务上与大模型竞争的关键。
• 在视觉里的用法：通常把图像 patch 序列化后交给 Mamba，用它替代或补充注意力层。

MambaVHS 把 Mamba 与卷积组合，正是 SSM 视觉化的一个具体应用实例。论文把"state-space modeling 在兽医影像的潜力"作为结论，是把这个方法学方向推到一个新应用域。

5.11 性能解读的四种可能口径（防止误读 91.8%）

因为摘要只写"91.8% test accuracy"，读者可作四种合理推测，但都无法从公开信息确证：

可能口径	含义	是否可能是 91.8%
关键点命中率	6 点都落在误差阈值内的图占比	可能
端到端 VHS 分级准确率	VHS 是否落入正确区间（正常/异常）	可能
单点定位准确率	单点命中率	可能
VHS 数值回归的"接近正确"率	预测 VHS 与真值差在容差内	可能

结论：在无法获取正文的情况下，91.8% 只能作为一个"该模型表现良好"的定性信号，不能作为可比较的定量指标使用。这是本条目在坑 8 反复强调的——数字要落地，先得知道它量的是什么。

5.12 基线选择的三种设计哲学

一个数据集配什么基线，反映了作者的取向。可归为三类：

取向	做法	CCK 是否采用
最强基线	挑 SOTA 大模型，追求指标天花板	部分（对比 ConvNeXt/EfficientNetB7）
可复现基线	挑易训练、算力友好的模型，便于第三方复现	是（MambaVHS 定位）
多基线对照	批量 baseline 系统性比较	是（13 个）

CCK 同时踩了第 2、3 条：既做了一批系统性对照（13 基线），又提供了一个自研的可复现模型（MambaVHS）。它的目标不是"刷最高分"，而是"给这个领域一个能站住的起点"——这是基准型工作与竞赛型工作的重要区别。

5.13 一个诚实的提醒：91.8% 需警惕过拟合与泄漏

在拿到正文之前，对 91.8% 这个数字保持一分审慎是有必要的：

• 若测试集与训练集存在犬只级重叠（坑 4），91.8% 可能是高估的；
• 若"准确率"的定义宽松（如只判"心大/正常"二分类），91.8% 的分量不如"关键点平均误差"这类连续指标扎实；
• 若训练数据与测试数据同源同设备（单中心），跨机构泛化会低于报告值。

这些都不是对作者结论的否定，而是"在信息不完整时如何正确使用一个数字"的提醒。一个合格的数据集消费者，会把 91.8% 当作待验证的起点，而非可直接引用的结论。

5.14 若要在 CCK 上做研究，一份实操路线图

为便于使用，给出一份在 CCK 上开展工作的建议流程：

1. 确认获取：先解决 Zenodo 文件访问（§6）；
2. 数据审计：拿到文件后先核对——图像分辨率是否统一、关键点坐标系（像素/归一化）、每犬图数分布、是否有官方划分标记；
3. 划分设计：若官方未给划分，自行按犬只切分 train/val/test（防坑 4）；
4. 基线复现：先尝试复现一个简单关键点检测器，确认能读出标注、算出 VHS；
5. 对标 MambaVHS：在能对齐指标口径的前提下，尝试逼近 91.8%；若口径不明，则只作定性参照；
6. 跨域实验：用人类 CXR 预训练模型做迁移，观察性能跌落（§7.3）；
7. 报告规范：发表时明确标注数据版本（v1）、许可（CC BY 4.0）、以及你如何处理划分与泄漏。

这份路线图的核心是第 2、3 步——在信息不透明时，先把自己的数据处理做扎实，比追高指标更重要。

5.15 关键点检测的常见失败模式（预期读者会遇到的）

在犬类胸片关键点检测中，可预期几类典型失败：

失败模式	表现	可能原因
椎体点偏移	椎体参照点落到相邻椎体	椎体边界模糊、低对比
心尖点漂移	心尖点落在心影外或膈肌上	心影与膈肌/肺重叠
左右不分	长轴/短轴端点颠倒	缺乏方向先验
品种泛化差	在长尾品种上误差大	训练品种分布偏斜
体位敏感	轻微体位变化致点漂移	仅侧位训练、对体位敏感

这些失败模式在文献里被反复提及（“low-contrast images, blurred boundaries, and structural overlaps” 是兽医 VHS 自动测量的共性挑战）。CCK 的价值之一，是提供了足够的品种与解剖变异样本，让研究者能系统研究这些失败模式，而非在小数据集上过拟合。

5.16 评价一个 VHS 模型，该看什么指标

既然 CCK 未明示指标，这里给一套"应该看"的指标建议，供使用者在自建评测时参照：

层级	指标	含义
关键点层	平均像素误差 / PCK@k	关键点定位精度
测量层	长轴/短轴长度误差	VHS 几何量的中间误差
评分层	VHS 绝对误差（椎体数）	最终评分与真值差
临床层	心大"判定"的敏感度/特异度	落到临床决策的准确性

关键提醒：只看"准确率"会掩盖误差结构。一个模型可能"准确率 91.8%"但在高级别心大（临床最关心的）上表现差——因为它被大量正常样本主导。所以评测必须分层，尤其看异常子集上的表现。这是任何医学影像模型评测的通则，CCK 也不例外。

§6 获取与许可

6.1 三层获取口径

CCK 的获取有"记录—许可—文件"三层，容易被合并误读：

层	状态	依据
记录可访问	公开	Zenodo records/16608262（all-versions）/ records/16608263（v1）
许可（license）	CC BY 4.0	Zenodo Rights 段明确
文件（files）	受限（Restricted）	“The record is publicly accessible, but files are restricted. Log in to check if you have access.”

核心提醒：CC BY 4.0 不等于文件免登录直下。CC BY 4.0 是"再分发 + 署名"的版权许可——它规定的是"如果你拿到了文件，你被允许怎么用、怎么转"，而不保证你能轻松拿到文件。CCK 的文件被入口闸门挡住：需要在 Zenodo 登录后申请/确认访问权限。这是"高开放度许可 + 受限可达性"的典型组合，AI-Ready 的可获取性一项因此不能简单因 CC BY 就打满分（§7）。

6.2 DOI 与引用

• v1 DOI：10.5281/zenodo.16608263
• all-versions DOI：10.5281/zenodo.16608262（总是指向最新版；目前仅 v1，故二者指向同一版）
• Zenodo 给出的引用：GenAi Researcher. (2025). Canine Cardiac Keypoint (CCK) Dataset [Dataset]. Zenodo. https://doi.org/10.5281/zenodo.16608263

署名口径冲突（坑 5）：Zenodo 引用的作者是 “GenAi Researcher”——一个匿名占位名（与论文匿名投稿期一致），而论文的署名是 Namrataben Patel、Sahil Kumar、Youshan Zhang（具名，Yeshiva University）。检索者引用数据集时按 Zenodo 口径、引用论文时按三位作者口径，两者不可互换；若论文正式发表后 Zenodo 更名，引用应以最新记录为准。

6.3 版本链与时效

• 版本链：仅 v1，发布于 2025-07-30。
• 抓取时点统计（2026-10-16）：Total views 110、Total downloads 10。
• 时效提示：下载量仅 10，说明该数据集在抓取时点仍处于冷启动期——这一状态的两面性：一方面意味着其影响力尚未展开；另一方面也印证了"文件受限"确实构成实际的使用摩擦（否则下载量应更高）。

6.4 许可与再分发的实务边界

• 允许：在有署名（attribution）的前提下再分发、再使用、商用（CC BY 4.0 无 NC 限制）。
• 需要注意：文件受限意味着首次获取受 Zenodo 权限约束——"获得文件"与"获得后如何使用"是两件事。若从其他渠道获得文件，再分发的版权依据仍是 CC BY 4.0，但应核对是否违反 Zenodo 的访问条款。
• 医学数据的额外注意：这是犬类兽医影像，不涉及人类受试者隐私（犬只隐私不在人类数据伦理框架内），这是它相比人类 CXR 数据集在合规上更轻的一面；但"文件受限"仍提示原始团队对数据流向有所控制。

6.5 复用清单（给检索者）

1. 先到 Zenodo 10.5281/zenodo.16608263 登录确认文件访问权限；
2. 核对版本（当前 v1）与数据量（22.2 GB）后再规划下载；
3. 若要用其标注训练模型，先确认患者级划分（否则按图切分可能导致犬只泄漏，坑 4）；
4. 引用时区分数据集（GenAi Researcher 署名）与论文（三位作者署名）两套口径。

6.6 "记录公开、文件受限"的实务含义拆解

Zenodo 的"restricted files"机制常被误解，这里逐条说清：

问题	答案
能看到数据集页面吗？	能——记录与元数据公开可访问
能看到数据量、格式、版本吗？	能——22.2 GB / JSON,CSV,.mat / v1 均公开
能直接下载文件吗？	不能——文件 restricted，需登录后申请/确认访问
license 还是 CC BY 4.0 吗？	是——license 与文件可达性是两回事
申请一定通过吗？	不确定——Zenodo 未公开审批条件（遗留疑点）

这张表的结论：不要把"CC BY 4.0 + 公开记录"误读为"可自由直下"。可达性是一道独立闸门。

6.7 与库内其他"受限/申请制"条目的口径对照

AI-Ready 库内已有多类获取模式，CCK 属于其中一种，对照如下：

获取模式	典型形态	CCK 是否属此类
完全公开直链	HF 免登录 load_dataset	✗
记录公开 + 文件受限	Zenodo restricted files	✓（本条）
请求制（研究者申请）	邮件通讯作者、填表	部分类似（需登录申请）
混合三层	本体受限 + 衍生品开放	✗（CCK 无公开衍生品）

CCK 与库内 PANDA-PLUS 的对比很有意思：PANDA-PLUS 本体掩码是"请求制"、但衍生基准 PANDA-PLUS-Bench 是 CC BY-4.0 公开直链；CCK 则是本体直接 CC BY 4.0 但文件受限，且无公开衍生品——“本体许可更开放、但可达性入口更窄、且没有开放衍生品兜底”。

6.8 从"能不能用"倒推获取决策树

给一个实操用的决策树，帮检索者判断 CCK 是否适合自己：

你想用 CCK 吗？
├─ 只想看元数据/做文献研究
│    └─ 可以，记录公开可访问
├─ 想下载数据训练模型
│    ├─ 能登录 Zenodo 申请并获批吗？
│    │    ├─ 能 → 继续（核对 v1、22.2 GB）
│    │    └─ 不能 → 需另找途径或放弃
│    └─ 获批后：注意仅侧位、6 点体系、自行按犬只划分
└─ 想复现 MambaVHS 基线
     └─ 代码当前不可得（项目页 404），需等作者放出（当前不可）

要点：元数据层面 CCK 完全开放；数据与代码层面存在闸门。做文献研究（元数据层面）与做实验（数据层面）的门槛不同。

6.9 数据获取的替代路径思考

若 Zenodo 文件申请受阻，是否存在替代路径？需要谨慎评估：

1. 论文作者直联：可尝试联系通讯作者（Youshan Zhang，Yeshiva University）——但这属非正式路径，无公开承诺；
2. 项目页：anonymousgenai.github.io/vhsmarker 当前 404，未来若作者在论文正式发表后放出资源页，可能成为新的入口；
3. 第三方镜像：不建议——数据许可虽为 CC BY 4.0，但若绕过 Zenodo 的受限机制获取，可能违反其访问条款；且来源不明的版本有质量与版本一致性风险。

结论：优先走 Zenodo 官方申请；替代路径仅作补充，且须以不违反访问条款为前提。

6.10 CC BY 4.0 条款要点（给合规使用者）

CC BY 4.0 是知识共享署名许可中最宽松的一档，使用时把握四条：

1. 署名（Attribution）：必须给创作者署名（这里是 “GenAi Researcher” / 论文三位作者），并注明许可与是否修改；
2. 可商用：CC BY 无 NC 限制，商业用途被允许；
3. 可再分发与改编：可以复制、分发、改编，乃至再许可（需保留署名与许可声明）；
4. 无担保：许可方不提供质量担保——用前自评估数据能否满足需求。

中文实务提醒：CC BY 4.0 的"可用"是从版权角度说的；数据科学上"能不能用得好"是另一回事（规模、划分、标注质量）。二者不要混为一谈。

6.11 与人类医学数据的合规差异

一个容易被忽视但值得写明的点：CCK 是犬类数据，不受人类受试者隐私法规约束（如 HIPAA、GDPR 中的个人健康数据条款）。这带来两面：

• 合规更轻：无需处理去标识、伦理审批等人类数据的繁重流程；
• 但仍受限：Zenodo 的文件受限说明原始团队对数据流向仍有控制意愿，只是动机可能与人类数据不同（如防止滥用、保持版本一致、或投稿期保护）。

对使用者而言，这意味着合规门槛低，但获取门槛仍在。

6.12 一份"获取失败预案"清单

若申请未获批或长时间无回应，可考虑的对策（按推荐度排序）：

对策	可行性	说明
联系通讯作者说明研究用途	中	非正式，但常见且有效
关注项目页/作者主页后续更新	中	论文正式发表后可能放宽
寻找同团队相近公开数据	低-中	如 CDA 论文若开放数据，可部分替代
用其他犬类胸片数据自建标注	低	成本高，但可行
绕过闸门获取	不推荐	可能违反访问条款，有合规风险

原则：宁可等待或改道，不可为省事而绕过数据的访问条款——一次违规对研究者声誉的风险，远大于等待的成本。

§7 生态与影响

7.1 它所属的实验室生态

CCK 不是孤立的产物，而是 Yeshiva University（叶史瓦大学）Katz School Youshan Zhang 团队犬类心脏病 AI 方向的一个节点。把周边产出连起来看：

• RVT（Regressive Vision Transformer）：团队早期的犬心肥大评估方法，发表于 Scientific Reports——CCK 的方向前身之一。
• CDA（Confident Pseudo-labeled Diffusion Augmentation，arXiv:2501.7533，WACV 2025）：用扩散模型合成 3,000 张犬胸片 + 伪标注，解决标注稀缺——与 CCK 是"扩充数据"的两条互补路线（真标注 vs 合成）。
• NSF 拨款（$175,000）：“Cardiac Disease Detection with AI for Veterinary Medicine”——团队犬类心脏 AI 研究的资金背景，目标是开发自动 VHS 的深度学习模型、可解释性工具（如 PFCL，perpendicular fully connected layer）与自动报告生成。
• CCK / VHSMarker / MambaVHS（本条目）：在该方向上把"数据 + 工具 + 基线"打包成一个可复现基准。

Youshan Zhang 的个人产出规模很大（Lacuna 作者页列 111 篇论文），且频繁把"某领域成熟方法迁移到兽医/动物"作为选题（如犬肺炎 LLM 引导分割、牛乳头关键帧检测）——CCK 是这一"跨域迁移 + 数据基准"风格的代表作。

7.2 兽医 AI 的空白与 CCK 的位置

人类医学影像 AI 早已产业化，兽医影像 AI 却长期处在"数据少、标注散、无标准基准"的早期阶段。CCK 的生态意义在于：它试图在一个具体的、临床有明确价值的任务（VHS）上，先立起一个大规模数据 + 公开基线的标杆。若成功，它会成为后续犬类心脏影像研究的公共评测床；即便论文状态为 Rejected（坑 6），数据本身仍已在 Zenodo 上形成事实存在的资源。

兽医影像 AI 起步慢，有结构性原因：

• 市场小：宠物医疗的付费方多为个人，商业化驱动力弱于人类医疗；
• 数据散：动物影像分散在大量诊所，缺乏大型医学中心的集中采集；
• 标注贵：懂兽医的专业标注者稀缺，人工成本高；
• 标准缺：缺乏统一的评测基准与公开数据，各家自说自话。

CCK 针对的正是第 3、4 条——用工具降标注成本、用公开数据立基准。它不能解决市场与数据分散问题，但在"标注"与"基准"这两个可控环节上，给出了一个务实的答案。

7.3 跨物种迁移的研究价值

CCK 隐含一个有趣的研究接口：人类 CXR 的关键点/心大方法能否迁移到犬类。人类心大研究有成熟的大规模数据（库内 cxr-cardiomegaly, rid=606，9.6 万胸片）与关键点方法；犬类则提供了不同的解剖、不同的品种分布、更少的标注。CCK 让"人类预训练 → 犬类微调"或反之的迁移实验第一次有了像样的犬类端点。

具体可提的迁移实验：

1. 用人类 CXR 关键点/心大模型在 CCK 上做 zero-shot 或 few-shot 迁移，测量性能跌落；
2. 用 CCK 预训练犬类特征，再微调回人类任务，看是否有正迁移；
3. 研究"品种差异"在特征空间上的表现——犬类的品种离散度远大于人类，是测试域泛化的天然实验床。

7.4 局限与生态风险

• 论文状态：ICLR 2026 投稿、OpenReview 状态 Rejected——尚无同行评审接收背书；数据集的方法学细节（标注一致性、划分协议）未经同行评审检验。
• 可达性摩擦：文件受限 + 项目页 404 → 代码与直链当前不可得，降低了可复现性。
• 冷启动：下载量 10，生态影响尚未显现。
• 单中心风险：采集来源未披露，若为单中心数据，跨机构泛化需谨慎（坑 10）。

7.5 若论文后续被接收，格局会怎么变

一个现实的推演：论文当前为 ICLR 2026 Rejected，但数据集已在 Zenodo 上稳定存在。可能的三条走向：

1. 改投并发表：若改投其他会议/期刊被接收，数据集的方法学获得同行评审背书，可信度与引用量随之上升；
2. 保持投稿状态：数据继续以"论文工作"身份流通，引用时须如实标注非接收状态（本条目现按此记述）；
3. 数据独立演化：数据集不依赖论文命运，作为独立 Zenodo 资产被后续研究引用、迭代版本。

无论哪条，数据本体的价值与论文发表状态是解耦的——这也是本条目把"论文状态"单列一坑（坑 6）而非贬低数据集的原因。

7.6 对"标注密集型数据集"生态的启示

CCK 的出现提示了一种趋势：数据集竞争的焦点正从"谁的数据多"转向"谁的标注工具高效"。当采集本身不再稀缺（X 光机遍地、公开图库众多），瓶颈移到标注侧；能把标注吞吐提上去的工具，就成了数据规模的决定因素。VHSMarker 的 10-12 秒/图不是锦上添花，而是这份数据集能做出来的关键使能技术——它值得和数据集本身一起被记住。

7.7 对"兽医数字化转型"的更大背景

把 CCK 放进更大的兽医数字化趋势里看：宠物医疗正在经历与人类医疗类似的数字化浪潮——电子病历、远程问诊、AI 辅助诊断逐步渗透。工具（如 VHSMarker 这类标注/测量平台）与数据（如 CCK 这类标注集）是这场转型的两个基础件：

• 工具端：把兽医的重复性测量（VHS、其他指标）标准化、自动化，减轻专业负担；
• 数据端：积累结构化标注，供模型训练与群体研究。

CCK 同时踩了这两端——它本身是工具产出，又是数据的载体。这使它在"兽医 AI 基础设施"的角色上，比单一的数据集或单一的工具有更完整的意义。

7.8 一个值得观察的指标：数据集的"引用与复用"

衡量 CCK 最终生态影响力的，不是它宣称的规模，而是未来被多少人引用、复用、在其上做改进。当前（下载量 10）尚在冷启动；后续若论文被接收、资源页恢复、版本迭代，其复用度才见分晓。本条目按抓取时点如实记录，不做前瞻性夸大。

7.9 兽医 AI 数据集生态的"三个缺口"与 CCK 的补位

把兽医 AI 数据现状归纳为三个缺口，看 CCK 补了哪个：

缺口	表现	CCK 是否补位
规模缺口	单集样本小、难训练深度模型	部分补（两万张，兽医语境的大）
标准缺口	无统一基准、各报各的	部分补（提供基准骨架）
可达性缺口	数据不公开、复现难	未补（文件受限 + 代码 404）

读法：CCK 补上了规模与标准的一半，却没补可达性这一环。这提示兽医 AI 数据生态的下一个关键动作，可能不是"再做一个更大的集"，而是"让现有的集真正可被拿到、可被复现"——可达性是生态成熟度的短板。

7.10 对跨学科读者的价值

CCK 对非兽医背景的读者也有跨界价值：

• 医学影像方法研究者：得到一个"不同物种、相同模态"的测试床，验证方法的泛化性；
• 数据工程研究者：得到"工具驱动规模化"与"许可-可达分离"两个案例；
• HCI/工具研究者：VHSMarker 的"模型辅助 + 实时反馈 + QC"标注界面，是可研究的人机协作样本。

一个数据集的价值常常超出它表面的领域——CCK 对"标注界面设计"的可借鉴性，可能不亚于它对兽医临床的价值。

§8 方法学启示：八条可迁移的经验

8.1 标注工具是数据规模的隐形杠杆

CCK 最值得学的不是它有 21,465 张，而是它先做了一个把标注压到 10-12 秒/图的工具，再靠工具把数据量做上去。对任何想扩规模的研究团队，这条经验直接可迁移：在做大数据集之前，先问"我的单样本标注成本是多少？能不能用一个带模型辅助 + 实时反馈 + QC 的工具把它降一个量级？"数据规模的天花板经常是标注吞吐，不是采集能力。

8.2 关键点路线 > 端到端黑箱，当可解释性重要时

用关键点做中间表示、再由几何算出 VHS，比"直接回归一个 VHS 数字"更可解释、可审计、可校正。在临床决策支持场景里，可解释性不是锦上添花——它是"临床医生愿不愿意信任"的前提（团队在 NSF 项目自述中也强调这点）。

8.3 简化关键点体系是效率与信息量的权衡

从 16 点到 6 点，是一次显式的效率/信息量权衡：点少 → 标注快 → 规模大，但几何约束变紧、可表达的解剖细节减少。没有绝对最优的关键点数，只有与目标规模、下游任务匹配的选择。教训是——选定体系后要全库统一，不可与历史论文（16 点）混用（坑 1）。

8.4 许可开放 ≠ 数据可达，AI-Ready 要分开评

CCK 是"CC BY 4.0 却文件受限"的样本。这提示 AI-Ready 评估必须把许可（法律允许怎么用）与可达性（实际拿到数据的难度）分开打分：一份 license 最开放的数据，可能因为访问闸门而实际可用性偏低；反之亦然。

8.5 补充：跨物种迁移的"最小改造"原则

CCK 给做跨物种迁移的人一条隐含经验：迁移的起点应是任务定义，而非模型架构。VHS 之所以能被自动化，是因为它本身是"量两个长度、归一化、相加"的几何计算——这个任务在人类与犬类之间是同构的，只是解剖参照不同。选一个任务本身可几何化、可解释的靶点去迁移，比把一个人类大模型的权重硬搬到犬类特征上更可靠。CCK 的价值之一，就是把犬类心脏增大这个任务，锚在了一个可几何表达、可审计的指标（VHS）上。

8.6 补充：数据集的"可达性设计"应被当作一等公民

CCK 的可达性摩擦（CC BY 4.0 但文件受限、项目页 404）提示一个更普遍的教训：数据集的可达性不是下载按钮的问题，而是设计问题。团队在建数据集时，如果从一开始就设计好"许可—托管—入口—衍生品"的组合，就能避免"许可最开放、可达性最差"的错位。库内 PANDA-PLUS 用"本体保守 + 衍生开放"补上了入口，是另一种设计。CCK 若未来能放出公开衍生品（如一个小规模公开子集或在线 demo），可达性问题即可缓解。

8.7 补充：把"未披露"当作一等事实来记录

这份条目的写作本身也示范了一个方法：当一手信息不完整时，"未披露 X"本身就是一条有价值的事实。与其猜测关键点命名、划分协议，不如明确写出"这些项未披露"。对下游使用者而言，"知道什么不知道"比"似是而非的填充"更有用——它直接告诉读者哪些结论可信、哪些需自证。这是 AI-Ready 条目在信息不完整时的正确姿态。

8.8 四条启示的一句话回顾

• 工具是杠杆：先把标注做快，再谈规模；
• 可解释优先：关键点 > 黑箱，尤其面向临床；
• 体系要统一：选定关键点体系后全库一致（6 点 vs 16 点）；
• 许可≠可达：AI-Ready 评估要把两者分开打分。

§9 与库内条目的关系

9.1 最贴近的任务对位：cxr-cardiomegaly（rid=606）

库内 cxr-cardiomegaly（rid=606）是人类 9.6 万胸片的"心大（cardiomegaly）生物标志物"数据集。CCK 与它构成一条清晰的跨物种镜像线：

维度	cxr-cardiomegaly（606）	CCK（本条）
物种	人类	犬
影像	胸部 X 光	犬胸部侧位 X 光
临床靶点	心大（cardiomegaly）	VHS（椎体心脏评分，心大的量化指标）
标注形态	心大生物标志物	6 个心脏关键点

两者都把"心脏是否增大"作为核心临床问题——一个是人类流行病学尺度，一个是兽医临床尺度。互相参照可看清"同一征象在不同物种上的数据化路径"。

9.2 同物种、不同模态：midog（rid=298）

库内 midog（rid=298）是犬类有丝分裂（mitosis）检测数据集——同为犬、同为兽医 AI，但模态是病理图像（切片），任务是细胞级检测。CCK 与 midog 一起，构成库内稀有的"兽医 AI 生态"两角：一个影像、一个病理；一个器官级、一个细胞级。两者互链有助于读者建立"兽医 AI 数据版图"的整体感。

9.3 人类胸片群（作为跨物种对照）

库内人类胸片条目群——nih-chestx-ray14（rid=15）、padchest（rid=117）、chestx-det10（rid=137）、covid-19-radiography（rid=217）、chest-x-ray-segmentation（rid=601）——都是人类胸部 X 光的分类/检测/分割任务。CCK 与它们的关系是跨物种对照：同样的"胸片 + 影像 AI"技术栈，落到犬身上时数据规模、伦理约束、标注体系都不同，是研究"医学影像 AI 的物种迁移边界"的现成素材。

9.4 解剖标注方法论参照：heart-lung-segmentations-data（rid=610）

heart-lung-segmentations-data（rid=610）做心肺的手工分割金标准。它与 CCK 的关联在"胸部解剖标注"的方法论层：分割（掩码）vs 关键点（坐标）是两种解剖标注范式，可对比其标注成本、下游任务与可解释性。

9.5 检索与引用的互链建议

• 检索 CCK 时精确用 “Canine Cardiac Keypoint” 或 “VHSMarker” + “VHS”；勿与人类 CXR 数据集混检（跨物种）。
• 与 Zhan 2021 的 16 点体系对比时，务必标注体系差异（坑 1）。
• 库内互链优先顺序：cxr-cardiomegaly（606，同任务跨物种）> midog（298，同物种跨模态）> 人类胸片群（15/117/137，跨物种对照）> heart-lung-segmentations-data（610，标注范式对照）。

9.6 一张库内互链关系表

库内条目	rid	与 CCK 的关系	互链理由
cxr-cardiomegaly	606	同任务、跨物种（人类心大 vs 犬 VHS）	心脏增大征象的镜像
midog	298	同物种、跨模态（犬病理 vs 犬 X 光）	兽医 AI 生态两角
nih-chestx-ray14	15	跨物种对照（人类 CXR）	技术栈相同、物种不同
padchest	117	跨物种对照（人类 CXR 多标签）	同上
chestx-det10	137	跨物种对照（人类 CXR 检测）	检测范式对比
covid-19-radiography	217	跨物种对照（人类 CXR 聚合）	聚合数据集方法论参照
chest-x-ray-segmentation	601	标注范式对照（分割 vs 关键点）	解剖标注两范式
heart-lung-segmentations-data	610	标注范式对照（心肺手工分割）	分割成本对照

9.7 入库回填注意（写手占位说明）

本条目正文与 frontmatter 中的库内互链均以 slug + rid 的文字形式记述，未写入 relatedLink 的 URL 清单（遵循 R012：relatedLink 只允许纯 URL）。实际入库时的 relatedLink 回填由主会话统一处理；本条目建议互链目标见上表，rid 已通过 DB 实查确认在架（status=1 AND del_sign=0）。

9.8 与 PANDA-PLUS 的"可达性结构"对照（跨条目方法学互链）

虽然 PANDA-PLUS 是病理（人前列腺）而 CCK 是影像（犬胸片），但两者在数据可达性结构上构成一组有价值的对照，值得并列：

维度	PANDA-PLUS	CCK（本条）
本体许可	掩码：请求制	CC BY 4.0
本体可达性	请求制（无直链）	记录公开、文件受限
衍生品	Bench：CC BY-4.0 公开直链	无
开放兜底	有（Bench）	无

读法：PANDA-PLUS 的策略是"本体保守、衍生开放"，用开放衍生品补上可复现性入口；CCK 则是"本体许可最开放、但可达性入口窄、且无开放兜底"。两种结构各有利弊：前者的可复现性有出口，后者的许可自由度更高但实际拿到数据更难。这一对照对研究"数据集可达性设计"的读者有直接启发。

9.9 互链的"物种维度"与"模态维度"两条轴

把 §9.6 的表重新按两条轴理解：

• 物种轴：人类（cxr-cardiomegaly=606、nih-chestx-ray14=15、padchest=117…）↔ 犬类（CCK、midog=298）；
• 模态轴：X 光（CCK、各类 CXR）↔ 病理（midog）↔ 分割（heart-lung-segmentations=610）。

CCK 处在这两轴的交叉点上最独特的位置：它是库里**唯一"犬类 × 胸部 X 光 × 关键点"**的条目。沿物种轴可找到"同任务不同物种"的对照（606），沿模态轴可找到"同物种不同模态"的对照（298）。这两条轴就是本条目互链设计的逻辑骨架。

9.9b 三条可立即开展的对照实验设计

把互链落成可操作的研究设计，给三条建议：

1. 跨物种零样本迁移：用人类 CXR 关键点/心大模型，在 CCK 测试集上做 zero-shot 评测，量化"人类→犬类"的性能跌落。参照 cxr-cardiomegaly(606)。
2. 跨模态特征对照：比较在犬类病理（midog=298）上预训练的特征，与在犬类 X 光（CCK）上预训练的特征，哪个对犬类心脏任务迁移更好。
3. 标注范式成本对照：以 CCK（关键点）与 heart-lung-segmentations-data(610)（分割）为例，量化"达到同等下游精度所需的标注人工"，验证关键点路线的成本优势。

这三条设计都以 CCK 为枢纽，把它与库内条目连成一条可执行的研究链，而非静态的"相关链接"。

9.10 为什么这些互链对读者有用

互链不是装饰，它服务三类读者的实际需要：

对做关键点检测的读者：从 CCK 出发，横向可以看到"同样的关键点/地标任务"在人类胸片上的成熟做法（chestx-det10=137 的异常检测、heart-lung-segmentations-data=610 的解剖标注），帮助判断关键点路线的通用性。

对做兽医 AI 的读者：CCK + midog（298）是库内兽医 AI 的两个支点——影像与病理。读者可据此建立"兽医 AI 数据版图"的整体印象，而非只见树木。

对做跨物种迁移的读者：cxr-cardiomegaly（606）是人类心大的大规模数据，CCK 是犬类 VHS 的规模化数据。两者并置，就是一条"人类 → 犬类"的迁移实验路径。

9.11 互链口径的最后提醒

所有互链均基于领域相似性给出，CCK 与它们在数据、标注、任务定义上均不相同——互链是"参照"而非"等同"。尤其注意：不要因为都叫"cardiomegaly/心大"就把 cxr-cardiomegaly（人类）与 CCK（犬类）当作可合并的数据——物种不同、指标不同（人类 CTR vs 犬 VHS）、许可与可达性也不同。互链的目的是帮读者快速定位相关条目，不是暗示数据可互换。

§10 避坑清单：十三个已踩到的坑

坑 1：6 点 ≠ 16 点，别把两套关键点体系混引。CCK/VHSMarker 用 6 个心脏关键点；同一 PI 团队 Zhang et al. 2021（Prev Vet Med 193:105399）用 16 个（12 椎体交点 + 4 心脏点：气管分叉/心尖/心缘×2，长轴 13-14、短轴 15-16）。两者不可混用或直接比较——跨论文引用前必须先对齐标注方案。

坑 2：CC BY 4.0 ≠ 文件免登录直下。CCK 的 license 是 CC BY 4.0，但 Zenodo 文件是 Restricted（“文件受限，需登录检查访问权限”）。许可规定"拿到后怎么用"，不保证"能轻松拿到"。不要把"CC BY"读成"随便下"。

坑 3：只有侧位（lateral）片。数据集仅含标准化侧位胸片，不含背腹位（DV/VD）。这是保证 VHS 语义一致的必要约束，但也意味着模型不覆盖非侧位影像——把它用在 DV/VD 上属于超出数据集范围。

坑 4：21,465 张 ≠ 21,465 只犬，警惕患者级泄漏。图/犬比约 1.73:1，说明存在一犬多图。论文摘要与 Zenodo 均未披露 train/test 划分协议——若按图随机切分，同一只犬的影像可能同时进训练与测试集。自行划分时应按犬只切分，否则评测乐观偏差。

坑 5：作者署名双口径。Zenodo 引用署名 “GenAi Researcher”（匿名占位，与投稿匿名期一致）；论文署名是 Namrataben Patel / Sahil Kumar / Youshan Zhang（Yeshiva）。引数据 vs 引论文用两套口径，不可互换。

坑 6：论文是 ICLR 2026 投稿、状态 Rejected。OpenReview forum mXjHo6sDMe 页面标注 Rejected。条目不得写成"已发表/已接收"；引用时如实记述投稿与非接收状态。

坑 7：品种清单与样本量未披露。论文宣称覆盖 144 品种 + 混种犬，但未给品种清单与各品种样本量。用品种维度做分层分析前，无法预判是否存在长尾偏斜。

坑 8：91.8% 是笼统"test accuracy"，指标定义未在摘要披露。不要把 91.8% 直接当成"VHS 误差 8.2%“或"关键点 AP 91.8%”——它是"测试准确率"这一未展开口径；跨模型比较前须确认指标定义（原始定义在论文正文，当前不可得）。

坑 9：不同方案的指标互不对齐。犬类 VHS 自动化的各方案分别报 AP（86.4/90.9%）、Dice（98.20%）、accuracy（91.8%）——指标、关键点体系、数据规模全不同，无法直接排名。CCK 的价值是提供统一口径，而非宣称"最好"。

坑 10：采集来源未披露，跨机构泛化存疑。12,385 只犬的采集机构、平台与地理来源均未公开。若为单中心数据，模型在外部机构影像上的泛化需额外验证，不能默认通用。

坑 11：项目页 404，"代码与数据在项目网站可得"当前落空。论文摘要写"源代码与数据集在项目网站 anonymousgenai.github.io/vhsmarker 可得"，但抓取时点该页返回 404（匿名投稿资源页常规形态）。这意味着复现所需的代码当前不可得——不要按摘要描述去该网址找资源，以 Zenodo DOI 为准。

坑 12：CCK 缩写撞名胆囊收缩素。裸检索 “CCK” 会被生物化学的 cholecystokinin（胆囊收缩素）淹没；务必组合 “canine”、“cardiac keypoint” 或直接用 “VHSMarker”/“MambaVHS” 定位（见 §2.10）。

坑 13：22.2 GB 提示存储非原始 DICOM。按 21,465 张均摊，约 1.03 MB/张，更接近压缩/标准化图像而非原始 DICOM 全分辨率。引用像素级规格前须核对实际文件，勿想当然按原始影像假设（§2.9）。

10.1 十三个坑的速查表

为方便检索时快速避坑，把十三条压缩成一张表：

#	坑	一句话避坑
1	6 点 vs 16 点	两套关键点体系，勿混引
2	CC BY ≠ 免登录	许可开放、文件受限是两回事
3	仅侧位	不含 DV/VD，超范围使用无验证
4	图多犬少	1.73 图/犬，警惕患者级泄漏
5	署名双口径	Zenodo 匿名 vs 论文具名
6	论文 Rejected	不得称已发表
7	品种分布缺	144 品种无样本量明细
8	91.8% 口径笼统	非 AP/PCK 明确口径
9	指标不对齐	AP/Dice/accuracy 不可直接排名
10	来源未披露	单中心风险，泛化需验证
11	项目页 404	代码当前不可得，以 Zenodo 为准
12	CCK 撞名	与胆囊收缩素同缩写，须消歧
13	存储非原始 DICOM	约 1 MB/张，规格须核对

10.2 检索时的关键词建议

• 精确短语："Canine Cardiac Keypoint"、"VHSMarker"、"MambaVHS"；
• 组合检索：canine + vertebral heart score + keypoint；
• 易漏写法：VHS 的四个变体（heart score/size/scale、VSS）都要试（§3.6）；
• 勿混检：chest X-ray 裸检会被人类 CXR 数据集淹没，须加 canine/dog/veterinary；
• 作者检索：Youshan Zhang + cardiomegaly/VHS（可连带检索团队系列论文）。

10.3 引用时的最小信息集

引用 CCK 时，一个"最小完备"的引用应包含：数据集名 + Zenodo DOI（10.5281/zenodo.16608263）+ 版本（v1）+ 署名口径（GenAi Researcher）+ 论文标题与状态（ICLR 2026 投稿/Rejected）。缺任何一项都会让读者难以定位与判断。

DAIMS 评估（Data AI-Readiness 五维）

维度	评分	依据
D — Data（数据质量与规模）	★★★★☆	21,465 张 / 12,385 犬 / 144 品种，规模迄今最大；仅侧位限制适用范围；划分协议未披露拖分
A — Annotation（标注质量）	★★★★☆	6 关键点标准化标注，工具含 QC 与模型辅助；但标注者身份/一致性考核未披露，扣半星
I — Intent（意图与任务清晰度）	★★★★★	任务极清晰：关键点检测 → VHS 计算；临床动机（犬心大早筛）明确
M — Metadata（元数据完整性）	★★★☆☆	有 DOI、license、格式、数据量；缺采集机构、划分协议、品种分布、关键点逐点命名
S — Sustainability（可持续性与可达性）	★★★☆☆	Zenodo 稳定托管 + CC BY 4.0；但文件受限 + 项目页 404 + 论文未接收，可达性与长期维护有不确定性

综合：AI-Ready 中上。数据与任务维度强（I 满分），但元数据与可达性维度被"文件受限 + 细节未披露"拖累。适合作为犬类心脏影像的基准平台，不适合直接当作"开箱即用免申请"的资源。

DAIMS 逐维展开

D（数据）为何不是五星：规模在兽医语境里是"迄今最大"，但 ① 仅侧位限制了适用面；② 图/犬比 1.73:1 且划分协议未披露，存在泄漏与评测乐观风险；③ 品种分布未明，长尾可能影响分层分析。扣一星半合理。

A（标注）为何是四星：6 关键点体系清晰、工具有 QC 与模型辅助、规模大是其强项；但"谁标的、标得一致不一致"没有披露——一个基准数据集若不说清标注质量，第三方难以评估 ground truth 可信度。扣半星。

I（意图）为何满分：任务定义零歧义——关键点检测 → VHS 计算；临床动机明确（犬心大早筛/群体研究）；目标读者（兽医学 + AI）清晰。这是全条目最扎实的一维。

M（元数据）为何只有三星：有基础元数据（DOI/license/格式/数据量/版本），但缺关键的方法学元数据（采集机构、划分协议、品种分布、关键点命名、标注一致性）。这些恰是让数据集"可被正确复用"所需的信息。

S（可持续性）为何只有三星：Zenodo + CC BY 4.0 是加分项（长期托管、明确许可）；但文件受限抬高使用门槛、项目页 404 使代码不可得、论文未接收降低学术背书——三者叠加使长期维护与复现存在不确定性。

§11 总结

CCK（Canine Cardiac Keypoint Dataset）是一份把"犬的心脏有没有变大"这个问题数据化的工程产物。它用 21,465 张犬侧位胸片、12,385 只犬、144 个品种的规模，逐张标出 6 个心脏关键点，让机器可以自动算出兽医临床最常用的量化指标 VHS（椎体心脏评分）。围绕这份数据，团队打包了工具（VHSMarker，10-12 秒/图，含实时 VHS 计算、模型辅助与 QC）、基线（MambaVHS，91.8% test accuracy，超 13 个基线）与论文（ICLR 2026 投稿），构成"数据 + 工具 + 基准"三件套。

它的三个记忆点：

1. 兽医影像的规模化样本：在人类医学影像 AI 已产业化的今天，犬类影像仍处早期；CCK 以"迄今最大规模的犬类心脏分析策划资源"之姿，补上了这个物种的规模空白。
2. 标注工具是隐形杠杆：10-12 秒/图的 VHSMarker 不是配角——它是两万张数据得以成立的前提；"先做工具、再上规模"这条经验可直接迁移到任何标注密集型数据集。
3. CC BY 4.0 却文件受限：它是"许可开放度"与"实际可达性"分离的教科书样本，提醒 AI-Ready 评估必须把二者分开打分。

使用与引用提醒：文件受限（需登录 Zenodo 申请确认）、仅侧位片、6 点体系（勿与 16 点混引）、署名双口径（GenAi Researcher vs 三位作者）、论文状态为 ICLR 2026 投稿且 OpenReview 标 Rejected。库内最贴近的对位是 cxr-cardiomegaly（rid=606，人类心大 CXR）——同为"心脏增大"征象的数据化，一个在人类、一个在犬类。

对于想在跨物种医学影像迁移、关键点/地标检测或标注工具方法学上找切入口的研究者，CCK 是一个规模够大、任务够清、缺口也够明确的起点——尤其当你能接受它当前的"冷启动 + 文件受限 + 未接收"状态时。

11.1 关键事实速记（一屏备查）

项	值
全称	Canine Cardiac Key Point (CCK) Dataset
配套工具	VHSMarker（web 标注，10-12 秒/图）
配套基线	MambaVHS（91.8% test acc，超 13 基线）
影像数	21,465 张侧位胸片
犬只数	12,385 只
品种数	144 + 混种
关键点	每张 6 个
数据量	22.2 GB
格式	JSON / CSV / .mat
版本	v1（2025-07-30）
DOI	10.5281/zenodo.16608263
许可	CC BY 4.0
可达性	记录公开 / 文件受限
论文	ICLR 2026 投稿（OpenReview，Rejected）
作者	Namrataben Patel, Sahil Kumar, Youshan Zhang（Yeshiva）
署名口径	Zenodo: GenAi Researcher

11.2 三句话记住它

1. 它是犬类胸片的关键点标注集：21,465 张 / 12,385 犬 / 144 品种 / 每张 6 点，服务 VHS 自动测量。
2. 它的灵魂是工具：VHSMarker 把标注压到 10-12 秒/图——工具效率决定了数据规模上限。
3. 它的悖论是可达性：CC BY 4.0 最开放许可，却挂在文件受限的闸门之后；许可与可达必须分开看。

11.3 对三类读者的具体建议

对兽医影像 AI 研究者：CCK 是当前规模最大的犬类心脏关键点数据入口（虽需申请），把它当作 VHS 自动化的公共锚点；但务必自行按犬只划分 train/test，不要假设官方划分已防泄漏。

对关键点检测方法研究者：这是一份"6 点稀疏标注 + 强几何约束"的任务样本，适合测试长程建模（Mamba/注意力）与局部精度（卷积）的混合架构；91.8% 的锚点可作为起点，但需自行确认指标口径。

对数据集/标注方法学研究：VHSMarker 是"工具驱动规模化"的现成案例；"CC BY 4.0 + 文件受限"是"许可/可达分离"的现成反例。两者都值得写进方法论讨论。

11.4 遗留问题的开放清单

本条目在成稿时明确留下四个待核项，供后续补全（对应 FACTS.md §9）：

1. 6 个关键点的逐点解剖命名（摘要未列名）；
2. 文件受限的申请流程与审批条件（未公开细化）；
3. 患者级划分协议与采集机构/平台（未披露）；
4. 144 品种的清单与样本量分布（未披露）。

这些项若论文正文（PDF）可得，应以正文为准更新；当前因项目页 404 且无 arXiv 版，只能列为待核。本条目不推测填充，保持"已知写实、未知留白"。

11.5 一句话结语

CCK 用一份规模迄今最大的犬类胸片关键点数据集，把"狗的心脏有没有变大"这个临床问题锚进了一个可自动、可解释、可复现的几何指标（VHS）——它的工具比数据更值得学习，它的可达性悖论比它的规模更值得警惕。

11.6 本条目写作口径与自检说明

为保证条目可核查，落盘前对以下口径逐条自查：

原则性口径：

• 所有硬数字（21,465 / 12,385 / 144 / 6 / 22.2 GB / 91.8% / 13）均出自论文摘要与 Zenodo 两处一手来源，未使用二手转述；
• 论文状态严格按 OpenReview 记 Submitted to ICLR 2026 / Rejected，未美化；
• 未知项（6 点命名、划分协议、采集机构、品种分布）一律标注待核，不推测填充；
• 库内互链 rid 均经 DB 实查（status=1 AND del_sign=0）确认在架。

与写作纪律的对应：

• frontmatter 的 description ≤ 170 字符（长度闸门）；
• title 带 | 千方病案医数集 站点后缀（S2 规则）；
• 双引号字符串内无英文直引号（用「」/『』替代）；
• schema_org 的 cr:RecordSet 用节点式；relatedLink 不写说明文字（R012）；
• YAML 首尾双检（R022：块式列表 - 前缀、@graph 尾部键缩进）。

版本记录：抓取时点 2026-10-16；数据版本 Zenodo v1（2025-07-30）。

11.8 与库内条目的最终关系一句话总结

条目	一句话关系
与人类 CXR 群（15/117/137/217/601）	同技术栈、不同物种——跨物种对照
与 cxr-cardiomegaly（606）	同临床问题（心脏增大）、不同物种——最贴近的任务镜像
与 midog（298）	同物种、不同模态——兽医 AI 生态两角
与 heart-lung-segmentations-data（610）	关键点 vs 分割——解剖标注范式对照
与 PANDA-PLUS	可达性结构对照：本体保守+衍生开放 vs 本体开放+文件受限

11.9 最后再说一句：为什么"工具"值得被单独记住

大多数数据集条目的主角是数据本身；CCK 例外——它的主角其实是工具。VHSMarker 的 10-12 秒/图不是一个附属参数，而是整个数据集得以存在的因果起点。当未来的研究者回看"为什么犬类能有两万张心脏关键点标注而人类以外少有"时，答案很可能不在采集能力，而在那把被做快的"卡尺"。记住这一点，比记住 21,465 这个数字更重要。

11.10 术语表（英文首现对照）

中文	英文	含义
椎体心脏评分	vertebral heart score (VHS)	心脏大小归一化评分
心脏关键点	cardiac keypoint	VHS 计算的几何锚点
心肥大 / 心脏增大	cardiomegaly	心脏异常增大
扩张型心肌病	dilated cardiomyopathy (DCM)	特定犬种高发心脏病
退行性瓣膜病	degenerative valvular disease	老年犬常见心脏病
侧位	lateral	胸部 X 光投照方向
背腹位	dorsoventral (DV)	另一投照方向（本集不含）
状态空间模型	state space model (SSM)	Mamba 所属的序列建模范式
关键点检测	keypoint detection	从图像预测坐标点
地标检测	landmark detection	同上，医学影像常用叫法

11.11 常见误解澄清（FAQ 补充）

误解 1：“CCK 是分类数据集。” 不是——它是关键点（坐标）数据集，任务检测 6 个点，再几何算 VHS，不是图像分类。

误解 2：“CCK 有分割掩码。” 没有——它只有关键点，没有逐像素掩码。想要分割请找分割类数据集。

误解 3：“CCK 是人类的。” 不是——它是犬类（兽医）影像。库内人类 CXR 是另一批条目。

误解 4：“CC BY 4.0 就能随便下。” 不——许可开放，但文件受限，需申请确认。

误解 5：“91.8% 意味着 VHS 误差 8.2%。” 不——它是"test accuracy"，口径未公开，不能这样换算。

误解 6：“21,465 张就是 21,465 只犬。” 不——是 12,385 只犬，一犬多图，划分需防泄漏。

11.12 结语回望：一个"工具优先"的数据集样本

回望整个条目，CCK 给 AI-Ready 领域的启示可以浓缩为一句：当数据采集不再是瓶颈时，决定数据集规模的是标注工具的效率，而不是采集的能力。VHSMarker 的 10-12 秒/图，把"做两万张犬类胸片关键点标注"从不可能变成可能。它同时暴露了另一面：一个许可最开放（CC BY 4.0）的数据集，也可能因访问闸门与资源页缺失而难以抵达。前者是方法学的胜利，后者是可达性设计的教训——两者都是这一条目留给读者的真实价值。

若只记一句话：CCK 是"用一把更快的卡尺，量出了迄今最大的犬类心脏关键点数据集"，而它的软肋不在数据规模，在数据可达。

§附录：一手来源与核验记录

本条目在成稿前的存在性核验与一手来源清单，供读者与后续维护者复核。

A.1 一手来源三源互证

来源	内容	用途
论文摘要（OpenReview forum mXjHo6sDMe）	工具/数据集/基线主张、21,465/12,385/144、91.8%、13 基线、投稿状态	主事实来源
Zenodo 记录（10.5281/zenodo.16608263）	数据量 22.2 GB、v1、2025-07-30、CC BY 4.0、文件受限、JSON/CSV/.mat	托管与许可来源
作者页/机构新闻（Lacuna 作者页、Yeshiva 官网 NSF 报道）	作者身份、团队方向、NSF 拨款	生态与人物来源

三源对核心数字（21,465 张、6 关键点、12,385 犬、144 品种、CC BY 4.0）互相印证；对论文状态（ICLR 2026 投稿、Rejected）以 OpenReview 为唯一权威来源。

A.2 核验中发现的双口径与存照

1. 关键点体系：CCK（6 点）vs Zhang 2021（16 点）——两套，勿混（坑 1）；
2. 署名口径：Zenodo"GenAi Researcher" vs 论文三位具名作者（坑 5）；
3. 论文状态：投稿（ICLR 2026），OpenReview 标 Rejected（坑 6）；
4. 指标口径：91.8% “test accuracy” 定义未公开（坑 8）。

A.3 抓取时点的网络核验说明

• WebSearch 检索若干次、WebFetch 抓取 Zenodo 记录页与 OpenReview 摘要页；项目页 anonymousgenai.github.io/vhsmarker 抓取时点返回 404；
• 未见 arXiv 预印本，故论文正文（PDF）细节不在本条目一手来源内；
• 环境约束：HuggingFace 主站如遇封锁走 hf-mirror（本条目数据不在 HF，未涉及）。

A.4 遗留待核清单（同 FACTS.md §9）

见 §11.4——6 点命名、文件申请流程、划分协议与采集机构、品种分布四项，待论文正文可得时补全。

---

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：

• mura — 共享标签：医学影像 / X光影像 / 目标检测 / 骨骼肌肉影像
• grazpedwri-dx — 共享标签：医学影像 / X光影像 / 目标检测 / 骨骼肌肉影像
• vindr-spinexr — 共享标签：医学影像 / X光影像 / 目标检测 / 骨骼肌肉影像
• fracatlas — 共享标签：医学影像 / X光影像 / 骨骼肌肉影像
• rsna-bone-age — 共享标签：医学影像 / X光影像 / 骨骼肌肉影像
• cxr-cardiomegaly — 共享标签：医学影像 / X光影像 / 心血管疾病
• cathaction — 共享标签：医学影像 / X光影像 / 目标检测 / 心血管疾病
• vindr-cxr — 共享标签：医学影像 / X光影像 / 目标检测
• chestx-det10 — 共享标签：医学影像 / X光影像 / 目标检测
• arcade — 共享标签：医学影像 / X光影像 / 目标检测 / 心血管疾病

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。