CHASE_DB1 — 儿童视网膜血管分割基准 AI-Ready Wikipedia | 千方病案医数集

28 幅儿童眼底图像 × 双观察者标注的视网膜血管分割参考基准

来源 Kingston University London 与 St George's, University of London url: https://researchinnovation.kingston.ac.uk/en/datasets/chasedb1-retinal-vessel-reference-dataset-4发布时间: 2026-09-09最后更新: 2026-09-09 阅读 2

信息速览

数据集名称CHASE_DB1 — 儿童视网膜血管分割基准 AI-Ready Wikipedia | 千方病案医数集
数据类型28 幅儿童眼底图像,56 幅人工血管掩膜,999×960 JPG/PNG,约 2.4 MB ZIP,CC BY 4.0 开放获取
规模14 名儿童（双眼 28 幅图像）
接入方式Kingston University London 与 St George's, University of London url: https://researchinnovation.kingston.ac.uk/en/datasets/chasedb1-retinal-vessel-reference-dataset-4
AI 就绪度

数据集封面

CHASE_DB1 — 儿童视网膜血管分割基准 AI-Ready Wikipedia

INFOBOX
数据集名称 CHASE_DB1
英文全称 CHASE_DB1 Retinal Vessel Reference Dataset
别名/简称 CHASE DB1、CHASEDB1、CHASE 数据集（血管分割子集）
疾病分类 视网膜疾病（ICD-11：9B7 视网膜疾病区块；数据集本身为疾病无关的血管分割参考集，详见 §2.1）
SNOMED CT 56117005 Retinal structure（视网膜结构）；关联概念见 §2.1b
数据模态 彩色眼底图像（儿童，手持眼底相机）
AI 任务类型 二值语义分割（视网膜血管逐像素提取）
样本总数 28 幅图像（14 名儿童 × 双眼）+ 56 幅人工掩膜（每幅 2 名观察者）
数据大小 约 2.4 MB（官方 ZIP）
数据格式 JPG（图像）+ PNG（二值掩膜）+ TXT（readme）
许可证 Creative Commons Attribution 4.0（CC BY 4.0）
访问级别 开放（直接下载，无需注册或申请）
DUO 标签 NRES（无限制使用；CC BY 4.0 要求署名）
语言 英文（文档）；影像数据本身无语言
首发日期 2012（Kingston 机构库，随 IEEE TBME 论文发布）
最后更新 2012-09（TBME 论文刊出；官方此后未发布新版本）
发布机构 Kingston University London 与 St George’s, University of London
官方主页 Kingston Research Portal 数据集页
下载地址 同官方主页（CHASEDB1.zip，2.4 MB）；镜像见 §6.2
DOI 10.1109/TBME.2012.2205687（方法论文）
引用次数 691+（OpenAlex 索引，截至 2026-09）
AI 就绪度评分 ⭐⭐⭐（3/5）— 格式标准免转换、许可完全开放、双标注独特；扣分项：无官方划分与 FOV 掩膜、readme 极简、需自行设计受试者级评估协议
页面状态 published

§0 E-E-A-T 审核与免责声明

  • 医学审核：千方病案医学编辑部交叉审核：§2 医学背景（视网膜血管解剖与临床关联映射）、§7 偏倚分析（儿童队列泛化局限）。
  • 数据工程审核：[千方病案医学编辑部交叉审核] 医疗 AI 数据工程师，审核范围：§4 DAIMS 数据字典、§5 数据划分策略、§6 预处理 Pipeline 和坑点。
  • 审核日期：2026-09-05
  • 利益冲突声明：千方病案医数集与 Kingston University London、St George’s, University of London 无任何商业利益关联。本页面不销售 CHASE_DB1 数据集本身，仅提供 AI 就绪指南与学术信息服务。编辑者未接受上述机构的任何形式资助。

医疗免责声明：本页面提供的医学信息仅供研究和教育目的，不构成医疗建议、诊断或治疗方案。数据集的医学描述基于公开发表的文献，未经逐一临床验证。任何基于该数据集训练的 AI 模型在应用于临床决策前，必须经过独立的临床验证和监管审批。

技术免责声明：本页面的代码示例、预处理建议和基准性能数据基于公开资料整理，不保证在特定环境下的准确性和适用性。使用者应自行验证代码安全性和数据预处理流程的正确性。千方病案医数集不对因使用本页面信息而导致的任何直接或间接损失承担责任。

数据使用合规：使用本页面描述的数据集前，请务必阅读并遵守数据集原始许可协议。CHASE_DB1 以 CC BY 4.0 开放获取，再分发与使用须注明原作者与出处（建议引用 Fraz et al. 2012 论文及 Kingston 数据集页）；如经第三方镜像下载，请同时核对镜像方标注的许可与版本信息。DUO 标签仅供参考，具体使用限制以数据集官方协议为准。

§1 数据集概览

§1.0 📌 30 秒速览

这是什么？ CHASE_DB1 是一套公开的视网膜血管分割"考卷"：28 幅来自儿童的眼底彩色照片，每幅都附带两名独立人工标注者逐像素画出的血管轮廓图。它取自英国大规模的"英格兰儿童心脏与健康研究"（CHASE），由 Kingston University London 与 St George’s, University of London 于 2012 年整理发布，任何人都可以免费下载。

为什么重要？ 在视网膜血管分割这个经典任务里，绝大多数公开数据集（DRIVE、STARE 等）拍的是成人。CHASE_DB1 是这一赛道里少见的儿童队列参考集，而且每幅图有两套独立标注——观察者之间的差异本身就是一份"人类性能基准"，让你知道模型到底该好到什么程度。

我能用它做什么？ 训练和评测血管分割算法、研究标注不确定性、做小样本学习与跨数据集（儿童 vs 成人）泛化实验。注意：它只有 28 幅图、无官方训练/测试划分、无视野掩膜，本页 §6 会把这三类坑逐个拆解。

§1.1 摘要

CHASE_DB1 的母体是英格兰儿童心脏与健康研究（CHASE）——一项覆盖伦敦、伯明翰与莱斯特 200 所小学的心血管健康调查，其中 46 所学校开展了眼底成像。研究者从伦敦东北部一所小学招募的儿童中选取 14 名（平均年龄 10 岁；8 名白人、3 名南亚裔、3 名其他族裔），采集其双眼共 28 幅彩色眼底图像：设备为手持式 Nidek NM-200-D 眼底相机，30° 视场角，图像以 999×960 像素的 JPG 分发。每幅图像由两名独立人工观察者完成逐像素二值血管标注（1=血管，0=背景），形成 56 幅掩膜；第一观察者版本（1stHO）自 Fraz et al. 2012（IEEE TBME）起即为文献通用的金标准，第二观察者版本（2ndHO）充当人类基线。图像的显著特点是背景光照不均、血管与背景对比度低、较宽小动脉存在中央血管反射。数据集以 CC BY 4.0 随 TBME 论文（DOI: 10.1109/TBME.2012.2205687）开放发布。

§1.2 战略价值

维度一：儿科代表性稀缺性。 视网膜血管分割的三大传统参考集（DRIVE、STARE、HRF）均以成人为主，而血管管径、走行与对比度在儿童与成人之间存在系统性差异。CHASE_DB1 是主流参考集中唯一来自学龄儿童的，使其成为评估"算法能否跨年龄泛化"的天然试金石——在成人集上刷到高分的方法，到儿童眼底上未必成立。对于想做儿童眼底筛查（如儿科高血压、糖尿病早期血管改变监测）的团队，这是绕不开的校准数据。

维度二：双观察者标注带来的不确定性维度。 绝大多数分割数据集只提供一套"正确答案"，让人误以为像素级真值是客观唯一的。CHASE_DB1 的两名独立观察者在血管占比上相差约 0.3 个百分点（6.93% 对 6.64%），观察者间 Dice 仅 0.777——这直接量化了"金标准"的主观边界，为软标签、标注噪声建模、人类一致性约束等研究方向提供了罕见的真实素材。

维度三：轻量基准的工程友好性。 全套数据仅 2.4 MB，单卡数分钟即可完成一个 epoch 级别的迭代，适合做算法消融、课程教学与快速原型验证；配合 DRIVE、STARE 构成"三件套"是领域论文的标准评测组合。

§1.3 同类数据集横向对比

数据集 规模 分辨率 / FOV 标注 官方划分 与 CHASE_DB1 的差异化
DRIVE 40 幅（成人） 565×584 / 45° 2 套人工标注 + 官方 FOV 掩膜 20 训练 / 20 测试 成人筛查金标准，划分与视野掩膜齐全，最易复现
STARE 20 幅（含病理） —（未在本页核实） 2 名观察者人工标注 无 以病理图像为主、难度更高，常作第二评测场
HRF 45 幅（成人，15 糖尿病视网膜病变 / 15 青光眼 / 15 健康） 2336×3504 人工血管标注 无（社区惯例前 15 训练） 高分辨率成人病理对照，考验细节与效率
CHASE_DB1 28 幅（儿童） 999×960 / 30° 2 套人工标注，无 FOV 掩膜 无 唯一儿童队列；双观察者不确定性维度；体积最小

§1.4 版本时间轴

时间 事件 说明
2011 Owen et al. 源研究论文发表于 ATVB（DOI: 10.1161/ATVBAHA.111.225219） CHASE 队列研究：超 1,000 名不同族裔学龄儿童的视网膜血管蜿蜒度与心血管风险因素关联
2012-09 Fraz et al. 方法论文刊于 IEEE TBME 59(9):2538-2548 首次公开 CHASE_DB1 子集（28 幅 + 双套标注），并在 DRIVE、STARE、CHASE_DB1 上评测集成分类器方法
2012 Kingston 机构库发布 CHASEDB1.zip（2.4 MB）与 readme 许可 CC BY 4.0，Date made available 2012
2012 之后 官方未再发布新版本 原下载页已失效，分发由社区镜像承担（见 §6.2 与坑点 3）

§1.5 典型应用场景

  1. 血管分割算法研发与基准评测：与 DRIVE、STARE 并列的"三件套"之一，用于训练、调参与论文对比实验。
  2. 标注不确定性与观察者间差异研究：利用 2ndHO 掩膜量化人类一致性（Dice 0.777），支撑软标签与噪声鲁棒学习。
  3. 小样本学习方法研究：28 幅训练素材天然稀缺，是少样本分割、半监督与自监督预训练评估的紧凑试验场。
  4. 儿童视网膜形态测量方法学：血管管径、蜿蜒度等定量指标的自动化提取，服务儿科心血管风险研究。
  5. 跨域泛化与域自适应研究：儿童队列与成人数据集（DRIVE/HRF）之间的分辨率、视野与血管形态差异，构成真实的域偏移场景。

§2 医学背景

§2.1 ICD-11 映射表

CHASE_DB1 本身不携带疾病标签，其分割对象是解剖结构（视网膜血管）；下表给出与本任务相关的临床关联场景编码，供论文写作与产品设计时引用。

关联场景 ICD-11 编码 中文名称 与本数据集的关系
分割目标（解剖结构） 9B7（区块） 视网膜疾病区块 视网膜血管归属视网膜疾病章节；解剖结构本身无独立疾病编码
上游关联病变 9B71 糖尿病视网膜病变 血管分割是 DR 病变量化分析的前置步骤
关联系统疾病 BA00 原发性高血压 视网膜小动脉形态是高血压靶器官损害的观察窗口
关联系统疾病 5A11 2 型糖尿病 儿童青少年糖尿病人群的血管改变监测

§2.1b SNOMED CT 映射表

标签概念 ICD-11 SNOMED CT 码 首选术语
视网膜结构（分割目标所属） 9B7（区块） 56117005 Retinal structure（视网膜结构）
糖尿病视网膜病变 9B71 193045005 Diabetic retinopathy
高血压性疾患 BA00 38341003 Hypertensive disorder, systemic arterial（高血压性疾患）
2 型糖尿病 5A11 44054006 Diabetes mellitus type 2（2 型糖尿病）

§2.2 疾病与人群背景简介

视网膜血管是人体唯一能够通过无创眼底照相直接观察的深部微血管床，其管径、蜿蜒度与分支形态被视为全身微循环健康的"窗口"。CHASE 母研究的核心发现之一是：在超 1,000 名不同族裔的英国学龄儿童中，视网膜小动脉蜿蜒度与早期心血管风险因素存在关联（Owen et al., 2011, ATVB）。这意味着儿童期血管形态已携带可测量的风险信号，自动化血管提取因此具有儿科流行病学价值。

需要特别强调：CHASE_DB1 不含疾病标签，28 幅图像以健康学龄儿童为主，官方页面亦未公布个体病史。它的定位是"血管分割参考集"而非"疾病诊断集"——任何把它当作疾病筛查训练集的用法都属于超范围使用（见 §7.3）。

§2.3 临床任务定义

本数据集对应的临床任务是视网膜血管二值语义分割：输入彩色眼底图，输出与原图同尺寸的掩膜（血管=1，背景=0）。它是视网膜影像自动分析（ARIA）流水线中的基础组件，典型下游用途包括：血管管径与蜿蜒度定量、以血管为参照的图像配准、黄斑与视盘定位的辅助坐标、动静脉交叉征检测的预处理。

任务的核心挑战由数据集本身的三重特性决定：光照不均导致的低对比度区域、儿童较宽小动脉上的中央血管反射（亮芯易被误判为背景）、以及约 7% 的极度类不平衡像素分布。评估惯例采用逐像素 Accuracy、Sensitivity、Specificity、AUC 与 Dice（详见 §8.3）。

任务的输入输出规格：

项目 规格
输入 999×960 RGB 彩色眼底图（JPG）
输出 与输入同尺寸的单通道概率图 / 二值掩膜
标签空间 {0, 1}（0=背景，1=血管），不区分动静脉
对齐要求 输出与输入逐像素对齐；原图与掩膜无配准偏移，可直接监督

§2.4 患者人群表

维度 内容
数据来源 伦敦东北部一所小学招募的学龄儿童（CHASE 调查子集）
母调查范围 伦敦、伯明翰、莱斯特 200 所小学（眼底成像在 46 所学校开展）
样本量 14 名儿童，双眼共 28 幅图像
年龄 平均 10 岁（学龄儿童）
性别 官方数据集页未注明
族裔构成 白人 8 名、南亚裔 3 名、其他族裔 3 名
健康状态 以健康学龄儿童为主；官方未公布个体病史与随访信息

§2.5 临床价值

对儿科人群而言，视网膜血管参数（管径比、蜿蜒度、分支角）是可在无创条件下重复获取的微循环指标。CHASE_DB1 为"儿童眼底 → 自动血管分割 → 形态定量"这条链路提供了第一环的公开基准，使得面向儿童的血管测量算法可以在同一份数据上横向比较。同时，它提醒算法开发者：在成人数据上训练的分割模型直接用于儿童图像时，可能因血管更细、反射更亮而系统性漏检细小分支（见 §7.3）。

§2.6 金标准构成

维度 说明
标注方式 逐像素人工二值分割（1=血管，0=背景），不区分动静脉
标注者 两名独立人工观察者，互不参考
文件标识 1stHO = 第一观察者（文献金标准）；2ndHO = 第二观察者（人类基线）
一致性 观察者间 Dice 0.777（范围 0.739-0.827）；血管像素占比 6.93% 对 6.64%
官方划分 无；社区惯例为按文件名排序前 20 幅训练、后 8 幅测试
视野掩膜 无官方 FOV 掩膜；评估区域口径需自行声明（见坑点 4）
标注者资质 官方页面未披露观察者的专业背景与培训流程

§3 数据集规格

§3.0 版本抉择矩阵

CHASE_DB1 只有一个官方版本（2012 发布），但存在多个分发渠道与再打包形态。按下表选择获取方式：

你的需求 推荐渠道 大小 理由
论文复现与正式引用 Kingston Research Portal 官方 ZIP 2.4 MB 唯一官方源头，掩膜保持 0/1 原始编码，引用有据
教学演示与快速浏览 HuggingFace 数据查看器（MedOtter/CHASE_DB1） parquet，<1K 行 浏览器直接查看，附受试者分组字段与 20/8 划分说明
DRIVE+STARE+CHASE_DB1 三基准联评 Mendeley Data 合集（DOI: 10.17632/frv89hjgrr） 87.7 MB 一键获取三个数据集，附 SHA-256 校验值
工程化脚本获取 OpenDataLab / GitHub 镜像 各异 便于纳入自动化流水线；务必先核对掩膜编码（见坑点 3）

§3.1 模态详情

单一模态：彩色眼底照相。每幅图像为 3 通道 RGB 的 JPG 文件，分辨率 999×960，覆盖 30° 视场角。由于采用手持式相机采集，图像间存在光照强度、对焦与取景角度的自然波动——这正是官方描述中"非均匀背景照明、血管对比度低"的来源。图像中的显著形态学特征包括：视盘与黄斑、由视盘 radiating 出的动静脉树、较宽小动脉中央的亮色反射条带（central vessel reflex），以及图像边缘的环形照明衰减。

§3.2 按子集样本数

子集 数量 说明
受试者（儿童） 14 平均年龄 10 岁，单校招募
原始眼底图像 28 每名儿童左眼、右眼各 1 幅
1stHO 掩膜 28 第一观察者，文献金标准
2ndHO 掩膜 28 第二观察者，人类基线
掩膜合计 56 二值 PNG，与原图逐像素对齐
官方 FOV 掩膜 0 数据集不包含，需自行生成

§3.3 数据格式表

内容 格式 分辨率 位深/取值 说明
原始图像 JPG（有损压缩） 999×960 RGB 3 通道，uint8 文件名 Image_01L.jpg 至 Image_14R.jpg
1stHO 掩膜 PNG（无损） 999×960 单通道，像素值 0/1 文件名后缀 _1stHO
2ndHO 掩膜 PNG（无损） 999×960 单通道，像素值 0/1 文件名后缀 _2ndHO
readme TXT — 纯文本 官方包附带，356 bytes
官方打包 ZIP（CHASEDB1.zip） — — 2.4 MB

§3.4 存储大小

  • 官方 ZIP 包：2.4 MB（含 28 幅 JPG + 56 幅 PNG + readme）。
  • readme 单文件：356 bytes。
  • Mendeley 三数据集合集（DRIVE + STARE + CHASE_DB1）：87.7 MB。
  • 解压后工作目录建议预留 50 MB（含派生的 FOV 掩膜与缓存切片）。

§3.5 标注方式

人工标注。两名独立观察者对每幅图像逐像素指定二值标签：血管为 1、背景为 0。标注覆盖全图（无抽样区域），不含动静脉分类、病灶标记或置信度层级。这种"一份图像、两套真值"的设计在血管分割参考集中与 DRIVE、STARE 一致，但 CHASE_DB1 是三者中唯一不附带 FOV 掩膜的。

§3.6 标注者资质与一致性

官方页面未披露观察者的专业背景、培训与仲裁流程。可量化的一致性证据来自社区实测（HuggingFace MedOtter 归档，截至 2026-09）：两套标注的平均血管占比分别为 6.93%（1stHO）与 6.64%（2ndHO），逐图观察者间 Dice 为 0.777（范围 0.739-0.827）。解读要点：细小血管末梢的"是否存在"本身就有约两成人类分歧，模型分数逼近 0.78 后的边际提升应谨慎解读（详见坑点 5 与 §7.2）。

§3.7 采集周期

本子集的 28 幅图像取自 CHASE 母调查的学校现场成像环节。官方数据集页注明"Date made available 2012"，但未逐条公布本子集的具体拍摄起止年月；母调查的队列设计与成果发表于 2011 年（ATVB）。引用时建议统一表述为"CHASE 调查采集、2012 年发布"，避免编造具体年月。

§3.8 地域覆盖

  • 母调查：英格兰伦敦、伯明翰、莱斯特三城 200 所小学（眼底成像覆盖其中 46 所）。
  • 本子集：伦敦东北部一所小学的 14 名儿童。
  • 族裔构成：8 名白人、3 名南亚裔、3 名其他族裔——多族裔但样本量极小，不构成人口统计学代表性（见 §7.1）。

§3.9 设备规格

项目 规格
相机 Nidek NM-200-D（手持式眼底相机）
视场角 30°
官方描述的采集分辨率 1280×960
实际分发分辨率 999×960（mednet 文档记录为 H×W = 960×999）
压缩 JPG 有损压缩（原图）
已知成像特征 光照不均、血管-背景对比度低、宽小动脉中央血管反射

提示：部分二级文档（如 Idiap 的 bob.db.chasedb1 包说明）沿用"1280×960"的采集口径，而实际到手的 JPG 为 999×960——写论文时请以实际文件尺寸为准并注明口径，避免被审稿人挑出不一致。

§3.10 深度溯源链

英格兰儿童心脏与健康研究（CHASE，200 所小学心血管健康调查）
  └─ 眼底成像子研究（46 所学校，手持 Nidek NM-200-D，30° FOV）
      └─ 伦敦东北部一所小学：14 名儿童 × 双眼 = 28 幅
          └─ Kingston University（Digital Imaging Research Centre）
             × St George's, University of London：两名观察者独立人工标注
              └─ 2012：IEEE TBME 论文（DOI 10.1109/TBME.2012.2205687）
                 + Kingston 机构库发布 CHASEDB1.zip（CC BY 4.0）
                  └─ 社区分发：HuggingFace / OpenDataLab / Mendeley 合集 / GitHub 镜像

§4 数据结构

§4.0 目录树

官方 ZIP 解压后为扁平目录（无子文件夹、无官方划分文件夹）：

CHASEDB1/                        ← data_root（解压目录本身）
├── Image_01L.jpg                ← 原始眼底图（999×960，RGB）
├── Image_01L_1stHO.png          ← 第一观察者掩膜（金标准，像素值 0/1）
├── Image_01L_2ndHO.png          ← 第二观察者掩膜（人类基线）
├── Image_01R.jpg
├── Image_01R_1stHO.png
├── Image_01R_2ndHO.png
├── Image_02L.jpg
├── ...
├── Image_14L.jpg / Image_14L_1stHO.png / Image_14L_2ndHO.png
├── Image_14R.jpg / Image_14R_1stHO.png / Image_14R_2ndHO.png
└── readme.txt                   ← 部分渠道附带，356 bytes

文件命名规则：Image_{受试者编号 01-14}{眼别 L|R}[_{1stHO|2ndHO}].后缀
文件统计：28 个 JPG（原图）+ 56 个 PNG（掩膜）= 84 个文件

§4.1 DAIMS 字段字典

字段名 类型 说明 示例值 AI 用途 观测误差 信息性缺失编码 取值范围
Image_XX[L/R].jpg 影像文件 原始彩色眼底图 Image_07L.jpg 模型输入 JPG 压缩伪影、光照不均 无缺失 999×960，RGB uint8
Image_XX[L/R]_1stHO.png 掩膜文件 第一观察者血管标注（金标准） Image_07L_1stHO.png 训练目标 / 评估真值 观察者主观边界分歧 无缺失 999×960，像素 0/1
Image_XX[L/R]_2ndHO.png 掩膜文件 第二观察者血管标注（人类基线） Image_07L_2ndHO.png 人类一致性评估、软标签 同上 无缺失 999×960，像素 0/1
受试者编号（文件名前缀） 元数据 01-14，标识儿童个体 07 受试者级划分分组键 无 无缺失 01-14
眼别（文件名末位） 元数据 L=左眼，R=右眼 L 同一受试者双眼配对分析 无 无缺失 L / R
掩膜像素值 像素级标签 1=血管，0=背景 1 逐像素二值分割目标 无（官方定义 0/1） 无缺失 0 或 1
FOV 掩膜 结构性缺失 数据集不提供视野掩膜 —（不存在） 评估区域限定需自行生成 社区生成版本口径不一 见 §4.5 —
readme.txt 文档 官方说明文件 — 获取引用与出处信息 极简（356 bytes） 无缺失 纯文本

§4.2 标签分布

全库掩膜为单一"血管"二值类，无类别数层级。血管像素占比（1stHO，社区实测，截至 2026-09）：

统计量 数值
全库平均血管占比（1stHO） 6.93%
全库平均血管占比（2ndHO） 6.64%
观察者间 Dice 0.777（范围 0.739-0.827）

部分图像的血管面积占比实测示例（Dataset Ninja 逐图统计）：

图像 血管占比 图像 血管占比
Image_02R 7.81% Image_14L 6.88%
Image_07R 7.61% Image_10L 6.26%
Image_04R 7.70% Image_08L 6.47%
Image_03R 7.55% Image_14R 5.85%
Image_09L 5.06% Image_09R 5.09%

血管占比约 7% 意味着全背景预测器即可获得约 93% 的像素 Accuracy——这解释了为什么该数据集的论文普遍以 Dice/Sensitivity 而非 Accuracy 为主指标（见坑点 6）。

§4.3 关键统计

统计项 数值 来源
图像总数 28 Kingston 官方页
受试者数 14（平均 10 岁） Kingston 官方页
每幅图标注套数 2（1stHO / 2ndHO） Kingston 官方页
分辨率 999×960（JPG 与掩膜一致） mednet 文档
视场角 30° Kingston 官方页
数据体积 2.4 MB（ZIP） Kingston 官方页
血管占比 6.93% / 6.64%（1stHO / 2ndHO） MedOtter HF 实测
观察者间 Dice 0.777（0.739-0.827） MedOtter HF 实测
引用数 691+（OpenAlex，截至 2026-09） Rankless/OpenAlex

§4.4 数据层级

儿童（受试者，14 名）              ← 天然分组键，划分必须按此层切分
  └─ 眼（28 只：每人左/右眼）       ← 同一儿童双眼高度相关（泄漏源）
      └─ 图像（28 幅 JPG）
          ├─ 1stHO 掩膜（28 幅）   ← 金标准层
          └─ 2ndHO 掩膜（28 幅）   ← 人类基线层

数据层级只有两层（受试者 → 眼），无时间序列、无多设备、无随访——这是单时点横断设计，所有"纵向"分析方法均不适用。

§4.5 缺失值与信息性缺失编码

字段/结构 缺失情况 性质 处理建议
图像与掩膜文件 无缺失，28×3 全配齐 — 直接使用
FOV 掩膜 官方从未提供 结构性缺失 自行生成（灰度阈值法）或明示不裁剪（见坑点 4）
官方 train/test 划分 未提供 结构性缺失 按受试者分组自建划分（见 §5）
受试者临床信息/人口学字段 未随数据发布 结构性缺失 不得虚构协变量；族裔构成仅有聚合计数
拍摄时间戳 未逐条提供 结构性缺失 以"2012 发布"作为版本口径

本数据集不存在"信息性缺失编码"（缺失不携带语义）；所有结构性缺失都属于"官方未提供"，与影像像素无关。

§4.6 逐受试者清单

28 幅图像按受试者编组的完整清单（受试者级划分的分组依据，与 first-20/last-8 惯例的归属一并给出）：

受试者编号 图像（眼别） first-20 惯例归属 图像数 掩膜数（1stHO+2ndHO）
01 01L、01R 训练侧（建议 4 幅留作验证时按受试者整体抽出） 2 4
02 02L、02R 训练侧 2 4
03 03L、03R 训练侧 2 4
04 04L、04R 训练侧 2 4
05 05L、05R 训练侧 2 4
06 06L、06R 训练侧 2 4
07 07L、07R 训练侧 2 4
08 08L、08R 训练侧 2 4
09 09L、09R 训练侧 2 4
10 10L、10R 训练侧 2 4
11 11L、11R 测试侧 2 4
12 12L、12R 测试侧 2 4
13 13L、13R 测试侧 2 4
14 14L、14R 测试侧 2 4

使用要点：无论采用哪种惯例或交叉验证，"受试者编号"是唯一不可拆分的原子单元——同一行的两幅图（L/R）必须同进同退。

§5 数据划分与使用建议

§5.1 官方划分

不存在。 官方 ZIP 为扁平目录，既无 training/test 文件夹，也无划分清单文件。Fraz et al. 2012 原论文在其自有实验中的具体用法以原文为准，但随数据分发的物料中不含划分信息。

§5.2 社区惯例划分

惯例 划分方式 使用者 备注
first-20 / last-8（主流） 按文件名排序前 20 幅训练（受试者 01-10）、后 8 幅测试（受试者 11-14），常从 20 中再留 4 幅做验证 DPN 等多篇论文、HuggingFace MedOtter 归档 该切法天然受试者不泄漏
Idiap bob/mednet 划分 8 训练 / 20 测试（与主流相反），分 first-annotator 与 second-annotator 两个配置 Idiap mednet 包 复现 Idiap 系实验必须用它
14/14 对半划分 前 14 幅训练、后 14 幅测试 DPN（第二组实验）、部分 HF 镜像 与前两者不可比

§5.3 泄漏风险（重点）

同一儿童的左右眼几乎共享相同的血管形态——这是本数据集最容易被忽视的泄漏通道。若把 28 幅图随机打散划分，左眼进训练集、右眼进测试集，模型等效于"见过这道题的孪生题"，测试指标虚高且换 seed 后波动剧烈。三条铁律：

  1. 划分必须按受试者编号（文件名前两位数字）分组，保证同一儿童的 L/R 落在同一侧。
  2. 主流的 first-20/last-8 惯例恰好满足受试者不泄漏（01-10 对 11-14），可直接采用以换取可比性。
  3. 若做随机划分或交叉验证，使用 GroupShuffleSplit / GroupKFold（分组键 = 受试者编号），代码见 §6.4。

§5.4 划分策略建议

  • 目标：论文可比性 → 采用 first-20/last-8 惯例，验证集从训练 20 幅中按受试者抽 4 幅（16 训练/4 验证）。
  • 目标：稳健结论 → 受试者级 5 折交叉验证（14 名儿童轮流做测试），报告均值 ± 标准差；28 幅的小样本下单次 8 幅测试的偶然性过大。
  • 目标：跨域研究 → 训练限 CHASE_DB1，测试外推到 DRIVE/HRF（或反向），分辨率与 FOV 差异写入实验设置。

§5.5 交叉验证建议

14 个受试者支持 5 折（每折 2-3 名儿童 ≈ 5-6 幅图）。折内再做受试者级训练/验证切分；增强策略只作用于训练折。注意各折血管占比略有差异（5.06%-7.81%，见 §4.2），逐折报告 Dice 而非只报总均值，可暴露对特定儿童的敏感性。

§5.6 外部验证建议

  • DRIVE（40 幅成人，565×584，45° FOV）：分辨率与 FOV 均不同，迁移时保持"整图推理"口径一致。
  • STARE（20 幅，含病理）：病理血管形态与健康儿童差异大，预期分数下降，应作为泛化压力测试而非同水平比较。
  • HRF（45 幅成人高分辨率）：考验推理效率与细节保持。
  • 跨数据集对比务必声明：是否重采样到统一分辨率、是否限制 FOV、是否微调——三者任一变动都会显著改变数字（见坑点 2、4）。

§5.7 划分清单文件（推荐随代码发布）

把划分固化为随代码发布的清单文件，是应对"无官方划分"的最可靠做法：

{
  "split_name": "first20_lit_convention",
  "group_key": "subject_id",
  "ground_truth": "1stHO",
  "train": ["01L", "01R", "02L", "02R", "03L", "03R", "04L", "04R",
            "05L", "05R", "06L", "06R", "07L", "07R", "08L", "08R",
            "09L", "09R", "10L", "10R"],
  "test": ["11L", "11R", "12L", "12R", "13L", "13R", "14L", "14R"],
  "notes": "受试者 01-10 训练、11-14 测试；同一受试者双眼不跨集"
}

import json

def load_split(manifest_path: str):
    """从清单加载划分，并做受试者级泄漏断言。"""
    with open(manifest_path, encoding="utf-8") as f:
        m = json.load(f)
    tr_sub = {i[:2] for i in m["train"]}
    te_sub = {i[:2] for i in m["test"]}
    assert not (tr_sub & te_sub), "受试者泄漏：同一编号跨训练/测试集"
    return m["train"], m["test"]

§6 AI 就绪指南 ⭐

§6.0 云端快速启动

无需下载原始 ZIP，先在 Colab/Kaggle 里跑通数据面（HuggingFace 镜像已附受试者分组字段与 20/8 划分）：

# 依赖：pip install datasets，无需 GPU 即可运行
from datasets import load_dataset

ds = load_dataset("MedOtter/CHASE_DB1")   # 内置 20 train / 8 test 划分（受试者 01-10 / 11-14）
print(ds)                                  # 字段：image, mask(1stHO), mask_2ndHO, subject_id, eye

ex = ds["train"][0]
print(ex["image_id"], ex["subject_id"], ex["eye"])
ex["image"].show()    # 原始眼底图
ex["mask"].show()     # 1stHO 金标准掩膜

§6.1 快速上手

# ── 目录结构预期 ────────────────────────────────────────────────
# 官方 ZIP 解压后是扁平目录（无子文件夹），本节代码的 data_root 指向解压目录本身；
# 所有文件路径 = os.path.join(data_root, 文件名)，文件名规则见 §4.0 目录树。
# ── data_root 拼接关系 ──────────────────────────────────────────
# data_root = "data/CHASEDB1"；图像 f"{data_root}/Image_{sid}.jpg"；
# 掩膜 f"{data_root}/Image_{sid}_{suffix}.png"，suffix ∈ {1stHO, 2ndHO}。
# ── 最小可用子集 ────────────────────────────────────────────────
# 仅 Image_01L.jpg + Image_01L_1stHO.png 两个文件即可跑通本节全部代码。
import os
import numpy as np
from PIL import Image

DATA_ROOT = "data/CHASEDB1"

img = np.array(Image.open(os.path.join(DATA_ROOT, "Image_01L.jpg")).convert("RGB"))
msk = np.array(Image.open(os.path.join(DATA_ROOT, "Image_01L_1stHO.png")))

print(img.shape, img.dtype)        # 期望 (960, 999, 3) uint8
print(msk.shape, msk.dtype)        # 期望 (960, 999) uint8
print("mask unique:", np.unique(msk))
# 期望 [0 1]。若看到 [0 255]，说明你拿到的是二次转换版镜像——代码仍兼容，见坑点 3。

§6.2 数据获取

渠道 链接 大小 获取流程
Kingston Research Portal（官方） 数据集页 2.4 MB 打开页面 → Access Dataset → 下载 CHASEDB1.zip 与 readme；无需注册
HuggingFace 镜像 MedOtter/CHASE_DB1 parquet，<1K 行 load_dataset 或 snapshot_download，自带划分字段
Mendeley Data 三数据集合集 DOI 10.17632/frv89hjgrr 87.7 MB 页面直接下载 ZIP，附 SHA-256 校验值
OpenDataLab / GitHub 镜像 LvNianZu/CHASE_DB1 等 各异 下载后必须核对掩膜编码与文件数（84 个） 
# 方式 A：官方 ZIP（浏览器下载后解压）
unzip CHASEDB1.zip -d data/CHASEDB1

# 方式 B：HuggingFace 镜像（脚本化）
pip install -U "huggingface_hub"

from huggingface_hub import snapshot_download
snapshot_download(repo_id="MedOtter/CHASE_DB1", repo_type="dataset",
                  local_dir="data/chase_db1_hf")

注意：原官方下载页 blogs.kingston.ac.uk/retinal/chasedb1/ 已不可达，引用与下载请一律使用上表的 Kingston Research Portal 现行页面（详见坑点 3 的镜像风险）。

§6.3 预处理全流程

四个环节：编码校验 → 二值化与归一化 → FOV 兴趣区 → 可选增强（CLAHE）。CHASE_DB1 的 999×960 尺寸可整图直接进 GPU（多篇论文采用整图训练），一般无需 resize/切片。

import numpy as np
from PIL import Image
from scipy.ndimage import binary_closing

def load_pair(img_path: str, mask_path: str, thresh: float = 127):
    """读取图像-掩膜对，统一到 float32 归一化 + 二值掩膜。
    二值化阈值 127 同时兼容 0/1 与 0/255 两种掩膜编码（见坑点 3）。"""
    img = np.array(Image.open(img_path).convert("RGB"), dtype=np.float32) / 255.0
    raw = np.array(Image.open(mask_path))
    mask = (raw > thresh).astype(np.float32)
    assert set(np.unique(mask).astype(int)) <= {0, 1}, "掩膜二值化失败，请检查镜像来源"
    return img, mask

def make_fov_mask(img_rgb: np.ndarray, thresh: float = 10) -> np.ndarray:
    """CHASE_DB1 无官方 FOV 掩膜（见坑点 4）：按社区惯例从灰度背景生成。
    阈值 10 仅为常见例值——生成后务必逐图可视化抽查，避免把暗色眼底误判为 ROI 外。"""
    gray = img_rgb.mean(axis=2)
    fov = (gray > thresh).astype(np.uint8)
    fov = binary_closing(fov, structure=np.ones((15, 15)))
    return fov.astype(np.uint8)

def normalize_img(img: np.ndarray) -> np.ndarray:
    """逐通道 z-score 标准化（训练与推理必须使用同一组均值方差）。"""
    mean = img.mean(axis=(0, 1), keepdims=True)
    std = img.std(axis=(0, 1), keepdims=True) + 1e-7
    return (img - mean) / std

损失函数是与"7% 类不平衡"正面对抗的第一线（对应坑点 6），推荐 BCE + Dice 联合：

import torch
import torch.nn.functional as F

class DiceLoss(torch.nn.Module):
    """软 Dice 损失：直接优化概率图与真值的重叠度，对类不平衡天然鲁棒。"""

    def __init__(self, eps: float = 1.0):
        super().__init__()
        self.eps = eps

    def forward(self, logits: torch.Tensor, target: torch.Tensor) -> torch.Tensor:
        prob = torch.sigmoid(logits)
        inter = (prob * target).sum(dim=(2, 3))                # 按样本求交
        union = prob.sum(dim=(2, 3)) + target.sum(dim=(2, 3))
        return 1 - ((2 * inter + self.eps) / (union + self.eps)).mean()

def combined_loss(logits: torch.Tensor, target: torch.Tensor,
                  bce_weight: float = 0.5) -> torch.Tensor:
    """BCE 提供逐像素稳定梯度，Dice 主导重叠度；bce_weight 建议消融 {0.3, 0.5, 0.7}。"""
    bce = F.binary_cross_entropy_with_logits(logits, target)
    dice = DiceLoss()(logits, target)
    return bce_weight * bce + (1 - bce_weight) * dice

CLAHE 属于"可选且需消融"的环节：适度增强（clipLimit 2-3）可缓解光照不均，但过强会放大噪声与中央血管反射，反而伤及细血管召回（见坑点 7）。DPN 等论文在未使用 CLAHE 的情况下也取得了有竞争力的结果——是否采用应取决于你的验证集消融，而非默认开启。

§6.4 PyTorch DataLoader（完整可运行）

下面的 Dataset 类内置三件事：受试者级划分（防泄漏）、0/1 与 0/255 双编码兼容、掩膜同步增强。整段代码可直接保存为 chase_dataset.py 运行。

<details>
<summary><b>点击展开完整代码：受试者不泄漏的 Dataset + DataLoader（约 70 行）</b></summary>

import numpy as np
import torch
from torch.utils.data import Dataset, DataLoader
from PIL import Image


class ChaseDB1(Dataset):
    """CHASE_DB1 血管分割数据集。

    ids 形如 ['01L', '01R', ..., '14R']；同一儿童的两幅图必须落在同一侧，
    由 subject_disjoint_split() 保证。
    """

    def __init__(self, root: str, ids, mask_suffix: str = "1stHO", train: bool = True):
        self.root, self.ids = root, list(ids)
        self.suffix, self.train = mask_suffix, train

    def __len__(self):
        return len(self.ids)

    def _augment(self, img: np.ndarray, mask: np.ndarray):
        if not self.train:
            return img, mask
        if torch.rand(1).item() < 0.5:                     # 水平翻转
            img, mask = img[:, ::-1], mask[:, ::-1]
        if torch.rand(1).item() < 0.5:                     # 垂直翻转
            img, mask = img[::-1], mask[::-1]
        k = int(torch.randint(0, 4, (1,)).item())          # 0/90/180/270° 旋转
        img, mask = np.rot90(img, k), np.rot90(mask, k)
        return img, mask

    def __getitem__(self, i: int):
        sid = self.ids[i]
        img = np.array(Image.open(f"{self.root}/Image_{sid}.jpg").convert("RGB"),
                       dtype=np.float32) / 255.0
        raw = np.array(Image.open(f"{self.root}/Image_{sid}_{self.suffix}.png"))
        mask = (raw > 127).astype(np.float32)              # 兼容 0/1 与 0/255
        img, mask = self._augment(img, mask)
        img = torch.from_numpy(np.ascontiguousarray(img.transpose(2, 0, 1)))
        mask = torch.from_numpy(np.ascontiguousarray(mask[None]))
        return img, mask


def subject_disjoint_split(lit_convention: bool = True, seed: int = 42):
    """返回 (train_ids, test_ids)。

    lit_convention=True：文献主流惯例——受试者 01-10（前 20 幅）训练、11-14（后 8 幅）测试；
    lit_convention=False：随机受试者级置换（用于交叉验证），保证左右眼不跨集。
    """
    subjects = [f"{i:02d}" for i in range(1, 15)]
    if not lit_convention:
        subjects = list(np.random.default_rng(seed).permutation(subjects))
    train_ids = [f"{s}{e}" for s in subjects[:10] for e in ("L", "R")]
    test_ids = [f"{s}{e}" for s in subjects[10:] for e in ("L", "R")]
    return train_ids, test_ids


if __name__ == "__main__":
    train_ids, test_ids = subject_disjoint_split(lit_convention=True)
    assert not (set(map(lambda x: x[:2], train_ids)) & set(map(lambda x: x[:2], test_ids)))

    train_set = ChaseDB1("data/CHASEDB1", train_ids, train=True)
    test_set = ChaseDB1("data/CHASEDB1", test_ids, train=False)
    train_loader = DataLoader(train_set, batch_size=2, shuffle=True,
                              num_workers=2, pin_memory=True)
    test_loader = DataLoader(test_set, batch_size=1, shuffle=False)

    print(f"train {len(train_set)} / test {len(test_set)}")   # 20 / 8
    img, mask = next(iter(train_loader))
    print(img.shape, mask.shape, mask.float().mean().item())  # 血管占比应接近 0.07

</details>

训练目标建议使用 BCE + Dice 联合损失（直接缓解 7% 类不平衡），优化器 Adam（学习率 1e-3 量级）、整图输入、batch size 2-4 即可覆盖全部常见单卡配置。

配套的训练与模型选择循环（验证集从训练 20 幅中按受试者再切 16/4；测试集只在最终评估时使用一次）：

<details>
<summary><b>点击展开完整训练循环代码（含验证集选型与最优权重保存）</b></summary>

import torch
from torch.utils.data import DataLoader

# 验证集：从训练侧 10 名受试者中抽出最后 2 名（09、10）的 4 幅，训练侧剩 8 名（16 幅）
train_ids, test_ids = subject_disjoint_split(lit_convention=True)
val_ids = [i for i in train_ids if i[:2] in {"09", "10"}]
sub_train_ids = [i for i in train_ids if i[:2] not in {"09", "10"}]

sub_train_set = ChaseDB1("data/CHASEDB1", sub_train_ids, train=True)
val_set = ChaseDB1("data/CHASEDB1", val_ids, train=False)
test_set = ChaseDB1("data/CHASEDB1", test_ids, train=False)

sub_train_loader = DataLoader(sub_train_set, batch_size=2, shuffle=True, num_workers=2)
val_loader = DataLoader(val_set, batch_size=1, shuffle=False)
test_loader = DataLoader(test_set, batch_size=1, shuffle=False)


def train_one_epoch(model, loader, optimizer, device="cuda") -> float:
    model.train()
    total = 0.0
    for img, mask in loader:
        img, mask = img.to(device), mask.to(device)
        optimizer.zero_grad()
        loss = combined_loss(model(img), mask)             # 见 §6.3 的 combined_loss
        loss.backward()
        optimizer.step()
        total += loss.item() * img.size(0)
    return total / len(loader.dataset)


@torch.no_grad()
def validate(model, loader, device="cuda") -> float:
    """验证集 Dice：选型唯一依据；测试集绝不参与选型。"""
    model.eval()
    inter, union = 0.0, 0.0
    for img, mask in loader:
        prob = torch.sigmoid(model(img.to(device))).cpu()
        pred = (prob > 0.5).float()
        inter += (pred * mask).sum().item()
        union += pred.sum().item() + mask.sum().item()
    return 2 * inter / (union + 1e-7)


model = build_unet().to("cuda")                            # §6.7 任一模型，此处以 U-Net 为例
optimizer = torch.optim.Adam(model.parameters(), lr=1e-3)
best_dice = 0.0

for epoch in range(100):
    tr_loss = train_one_epoch(model, sub_train_loader, optimizer)
    val_dice = validate(model, val_loader)
    if val_dice > best_dice:
        best_dice = val_dice
        torch.save(model.state_dict(), "best.pth")         # 只按验证 Dice 保存最优权重
    if epoch % 10 == 0:
        print(f"epoch {epoch:03d}  loss {tr_loss:.4f}  val_dice {val_dice:.4f}")

print("best val dice:", best_dice)
# 最终报告：加载 best.pth 后在 test_loader 上跑一次 §6.9 的 full_evaluate

</details>

§6.5 坑点 8 个

⚠️ 坑点 1：同一儿童的左右眼跨训练/测试集——受试者级数据泄漏（分类：数据泄漏）

问题：28 幅图来自 14 名儿童的双眼，随机按图划分会让同一儿童的左眼进训练集、右眼进测试集。双眼血管形态高度相似，模型等效"背题"，指标虚高。
症状：测试 Dice 异常好看但换随机种子后大幅波动；消融实验的排序在换 seed 后不稳定；审稿人一眼指出"did you split by subject?"。
解决：

  1. 简单方法：采用 first-20/last-8 文献惯例——受试者 01-10 训练、11-14 测试，天然不泄漏。
  2. 进阶方法：随机划分时用分组切分器，分组键取文件名前两位：
from sklearn.model_selection import GroupShuffleSplit
import numpy as np
ids = np.array([f"{s:02d}{e}" for s in range(1, 15) for e in "LR"])   # 28 幅
groups = np.array([i[:2] for i in ids])                               # 受试者编号
gss = GroupShuffleSplit(n_splits=1, test_size=8/28, random_state=42)
tr_idx, te_idx = next(gss.split(ids, groups=groups))                  # 左右眼永不跨集
  1. SOTA 方法：受试者级 5 折交叉验证 + 多种子重复，报告逐折 Dice 的均值与 95% 置信区间，把 8 幅测试的小样本偶然性摊平。
    参考：MedOtter/CHASE_DB1 数据卡（Split caveat 一节）；YanLin02/retinal-vessel-segmentation 的 CHASEDB1 划分实现。

⚠️ 坑点 2：无官方划分 + 三种社区划分并存——跨论文数字不可直接比较（分类：评估误用）

问题：数据集不分发划分清单，社区并存三套惯例：first-20/last-8（主流）、Idiap bob/mednet 的 8/20 反向划分、部分镜像的 14/14 对半。测试集不同，Dice 差异可达数个百分点。
症状：照着论文超参训练却复现不出表中分数；"方法 A 优于方法 B"在换一套划分后反转；文献综述表格横向对比失真。
解决：

  1. 简单方法：把"论文未注明划分"视为不可比信号，不进入同一张对比表。
  2. 进阶方法：复现前先用 1-2 幅测试图定位论文的真实划分（例如 Idiap 系实验的测试集是 8 幅而非 20 幅），再决定复用哪套惯例。
  3. SOTA 方法：自家所有实验固化一套划分并把 28 个文件的清单（JSON）随代码发布，审稿人与读者可逐文件核对。
    参考：MedOtter/CHASE_DB1 数据卡（Splits 一节）；DPN 论文的双划分实验设计（arXiv:2009.12053）；Idiap mednet chasedb1 文档。

⚠️ 坑点 3：掩膜像素值 0/1 与 0/255 混用、镜像质量参差（分类：工程陷阱）

问题：官方 ZIP 的掩膜像素值为 0/1，但不少镜像与教程会转成 0/255，个别第三方再打包还可能反相或改分辨率。直接 ToTensor() 处理 0/1 掩膜会得到约 0.0039 的"全零目标"。
症状：损失不下降或 Dice≈0，预测图全黑；可视化掩膜时血管是黑的背景是白的（反相）；解压后文件数不是 84 个。
解决：

  1. 简单方法：一律显式二值化 mask = (mask > 127).float()（同时兼容两种编码），禁止直接把原始掩膜值当概率。
  2. 进阶方法：在 Dataset 的 __getitem__ 里断言校验：
uniq = set(np.unique(mask).tolist())
assert uniq <= {0.0, 1.0}, f"掩膜取值异常: {uniq}，检查镜像来源"
  1. SOTA 方法：本地固化数据指纹（SHA-256）+ 只从官方 Research Portal 首次获取，镜像仅作冗余；CI 中加入"文件数 = 84、分辨率 = 999×960"的冒烟测试。
    参考：Kingston 官方数据集页（0/1 定义）；ThreeStones1029/xray_nnunet 的 0→255 转换示例（流传源之一）；Mendeley 合集（含 SHA-256）。

⚠️ 坑点 4：无官方 FOV 掩膜——评估区域口径不一（分类：评估误用）

问题：DRIVE 附带官方视野（FOV）掩膜，CHASE_DB1 没有。有的论文在整图上算指标，有的先裁黑边或在自建 ROI 内算——Specificity/Accuracy 对口径极其敏感。
症状：同一模型在两篇论文里 Accuracy 相差 0.3-1 个百分点却查不出原因；对比表中 Spe 列 systematically 偏高/偏低；第三方包附带的 FOV mask 被误当成官方内容。
解决：

  1. 简单方法：在论文与 README 中明确写出"指标是否限制在 FOV 内"，只与同口径数字比较。
  2. 进阶方法：按社区惯例自建 ROI（灰度阈值 + 形态学闭合，代码见 §6.3 的 make_fov_mask），指标只在 ROI 内累计：
roi = fov_mask.astype(bool)
inter = ((pred > 0.5) & (target > 0.5) & roi).sum()
dice  = 2 * inter / (((pred > 0.5) & roi).sum() + ((target > 0.5) & roi).sum() + 1e-7)
  1. SOTA 方法：与第三方结果对齐前，先可视化对方的 FOV mask，确认口径再进对比表；跨论文比较时在表注标明各行列的 ROI 规则。
    参考：MedOtter/CHASE_DB1 数据卡（Field-of-view masks 一节）；DPN 论文自绘 FOV 掩膜的说明；YanLin02 仓库的 gray>10 生成法。

⚠️ 坑点 5：把 2ndHO 当金标准训练或评估（分类：标签理解）

问题：每幅图有两套标注。自 Fraz et al. 2012 起，文献金标准一直是第一观察者（1stHO）；2ndHO 的角色是"人类基线"。混用会导致训练目标偏移、评估结果与文献不可比。
症状：指标对不上任何已发表数字；以 2ndHO 为真值评估时所有模型分数系统性偏低约一个百分点级；审稿人质疑 GT 选择。
解决：

  1. 简单方法：训练与测试一律用 _1stHO.png；2ndHO 只读不改。
  2. 进阶方法：在结果表中加一行"人类基线"——以 1stHO 为参照对 2ndHO 计算指标（社区实测 Dice 0.777，范围 0.739-0.827），为读者提供锚点。
  3. SOTA 方法：把双标注当资产而非冗余——用 2ndHO 做标注不确定性建模（软标签、多真值训练、一致性正则），这是大多数单标注数据集做不了的研究。
    参考：Idiap bob.db.chasedb1 文档（first set 用于训练测试、second set 作 human baseline）；MedOtter/CHASE_DB1 数据卡（Which mask is the ground truth? 一节）。

⚠️ 坑点 6：约 7% 类不平衡——纯 BCE 退化为全背景预测（分类：偏倚陷阱）

问题：血管像素仅约 6.93%。二值交叉熵在极度不平衡下的低风险解是把所有像素判为背景——Accuracy 约 93%，Dice 为 0。
症状：训练损失平稳下降、Accuracy 看起来不错，但预测掩膜全黑、Dice/Sensitivity 为 0 或接近 0；调大 batch 也无济于事。
解决：

  1. 简单方法：换用 Dice Loss 或 BCE + Dice 联合损失，直接优化重叠度。
  2. 进阶方法：BCE 加正类权重 pos_weight ≈ (1 − 0.0693) / 0.0693 ≈ 13.4，或改用 Focal/Tversky 损失调节假阴性与假阳性的惩罚比。
  3. SOTA 方法：加入拓扑保持损失（如 clDice）约束血管连通性，减少"珠串状"断裂，这对下游管径/蜿蜒度测量尤其重要。
    参考：血管占比实测（Dataset Ninja 逐图统计、MedOtter/CHASE_DB1）；KaLDeX 等论文统一采用 Dice 类指标的协议（arXiv:2410.21160）。

⚠️ 坑点 7：JPG 有损压缩 + 儿童低对比度血管——细血管漏检与过强增强（分类：预处理陷阱）

问题：28 幅原图均为 JPG 有损压缩，叠加官方明示的三大成像难点——光照不均、血管-背景对比度低、宽小动脉中央亮芯（central vessel reflex）。过强的 CLAHE 会同时放大噪声与亮芯，使模型把反射条带判为背景，反而加剧细血管漏检。
症状：主干血管完好但末梢分支断续；开 CLAHE 后训练集表现变好、验证 Dice 反而下降；不同光照水平的图像间预测亮度不一致。
解决：

  1. 简单方法：基础归一化（z-score 或 /255）起步，CLAHE 作为开关做消融（clipLimit 2-3），用验证集决定去留。
  2. 进阶方法：对光照不均用背景估计相减（大核高斯模糊取背景后做除法）替代激进 CLAHE，保留血管对比的物理结构。
  3. SOTA 方法：训练时保留原始影像、推理期用测试时增强（TTA：翻转/旋转平均概率图）稳定细血管召回；跨设备部署前在目标相机数据上复检阈值。
    参考：Kingston 官方页对图像特点的描述；DPN 论文（未采用 CLAHE 的整图训练方案）。

⚠️ 坑点 8：28 幅小样本 + 健康儿童队列——外部泛化与统计方差被高估（分类：偏倚陷阱）

问题：测试集通常仅 8 幅，单次训练的指标波动可达百分点级；队列是平均 10 岁的健康儿童，血管形态与成人及病理眼底差异显著；网络上还存在把该集误描述为"含糖尿病视网膜病变患者"的二手资料，诱导超范围使用。
症状：换 seed 后 Dice ±2 个百分点；在 DRIVE 上预训练的模型直接迁移到 CHASE_DB1 分数骤降；产品文档把"在 CHASE_DB1 上表现良好"写成"可用于临床筛查"。
解决：

  1. 简单方法：固定数据划分后重复 5 个以上随机种子，报告均值 ± 标准差，不挑最好的一组。
  2. 进阶方法：受试者级 5 折交叉验证用满 28 幅，逐折报告；对外声明队列属性（儿童、以健康为主、无疾病标签）。
  3. SOTA 方法：把 CHASE_DB1 定位在跨域协议中（如成人集预训练 → 儿童集微调，或反向外推），配合域自适应/归一化统计对齐，并明确儿童域的适用边界。
    参考：Kingston 官方页（队列构成）；OpenMedLab 收录条目中的错误描述示例（"14 名 DR 患者"为不实内容）；KaLDeX/DSAE-Net 的多数据集评测协议。

§6.6 数据增强清单

变换 安全性 说明
水平/垂直翻转 ✅ 安全 掩膜必须同步翻转
90° 倍数旋转 ✅ 安全 掩膜同步旋转，眼底无方向先验破坏
小角度随机旋转（±15°） ✅ 安全 图像用双线性、掩膜用最近邻插值
裁剪至 ROI/黑边 ✅ 安全 建议与自建 FOV 掩膜配合
亮度/对比度小幅扰动 ⚠️ 谨慎 可模拟光照不均，幅度需小并抽查
适度弹性形变 ⚠️ 谨慎 可能破坏血管拓扑，下游测管径时慎用
CLAHE ⚠️ 谨慎 作为预处理需消融（见坑点 7），勿默认开启
强色彩抖动 / 通道置换 ❌ 危险 破坏血管-背景对比与眼底色彩先验
灰度反转 ❌ 危险 眼底成像不存在此情形
大角度非 90° 倍数旋转无填充处理 ❌ 危险 黑色填充角会被误学为背景

§6.7 模型推荐

模型 适用场景 CHASE_DB1 参考性能（注明协议） 建议
U-Net（2015） 基线与教学 Dice 78.98 / Acc 97.43（KaLDeX 复现协议） 先跑通再谈创新
UNet++（2018） 稠密跳连对照 Dice 80.15（同上协议） 中等算力即可
FR-UNet（2022） 分支/细血管敏感 Dice 81.51 / Sen 87.98 / AUC 99.13（同上协议） 关注分叉保持
TransUNet（2021） Transformer 对照 Dice 79.64（同上协议） 28 幅小数据警惕过拟合
KaLDeX（2024） 追榜复现 Dice 82.78 / Acc 97.77 / AUC 99.11（其协议） 协议细节见原论文
DSAE-Net（2025） 边缘/轻量部署 Dice 81.46 / MCC 79.54（其协议，0.08M 参数） 参数效率优先时选
nnU-Net 框架 工程化快速出活 —（未在本页核实其 CHASE_DB1 公开分数） 注意掩膜 0/1→框架约定与受试者级划分

§6.8 硬件需求

配置 GPU 显存 batch size 说明
入门 4-6 GB 1-2 999×960 整图输入，U-Net 级模型可行
推荐 8-12 GB 4-8 支持更大感受野模型与多 seed 批量实验
研究 24 GB 8-16 Transformer 类模型 + 高分辨率原尺寸训练

数据仅 2.4 MB，I/O 不构成瓶颈；瓶颈在"28 幅训练图"的统计效率，把钱花在多种子与交叉验证的算力上比堆显存更划算。

§6.9 评估指标代码

import torch

def dice_score(prob: torch.Tensor, target: torch.Tensor, thresh: float = 0.5,
               roi: torch.Tensor = None, eps: float = 1e-7) -> float:
    """Dice 系数。roi 不为 None 时仅在视野掩膜内累计（见坑点 4）。"""
    pred = (prob > thresh).float()
    target = (target > 0.5).float()
    if roi is not None:
        pred, target = pred * roi, target * roi
    inter = (pred * target).sum()
    return ((2 * inter + eps) / (pred.sum() + target.sum() + eps)).item()

def sensitivity_specificity(prob, target, thresh=0.5, roi=None, eps=1e-7):
    pred, target = (prob > thresh).float(), (target > 0.5).float()
    if roi is not None:
        pred, target = pred * roi, target * roi
        neg = (1 - target) * roi
    else:
        neg = 1 - target
    se = ((pred * target).sum() + eps) / (target.sum() + eps)      # 敏感度/召回
    sp = (((1 - pred) * neg).sum() + eps) / (neg.sum() + eps)      # 特异度
    return se.item(), sp.item()

报告规范建议：主指标 Dice 与 Sensitivity（类不平衡下 Accuracy 无信息量）；阈值固定 0.5 并说明；AUC 用全概率图计算；所有指标声明"整图 / ROI 内"口径。

完整评估函数（与 §6.4 的 test_loader 直接配套）与多种子汇总：

@torch.no_grad()
def full_evaluate(model, loader, device="cuda") -> dict:
    """整库评估：像素级 Dice / 敏感度 / 特异度 / AUC。
    AUC 基于全图概率像素池化后统一计算（阈值无关）。"""
    import numpy as np
    from sklearn.metrics import roc_auc_score

    model.eval()
    inter = p_sum = t_sum = neg_num = neg_den = 0.0
    prob_pool, gt_pool = [], []
    for img, mask in loader:
        prob = torch.sigmoid(model(img.to(device))).cpu()
        pred = (prob > 0.5).float()
        inter += (pred * mask).sum().item()
        p_sum += pred.sum().item()
        t_sum += mask.sum().item()
        neg_num += ((1 - pred) * (1 - mask)).sum().item()   # 真负例被正确拒绝
        neg_den += (1 - mask).sum().item()
        prob_pool.append(prob.numpy().ravel())
        gt_pool.append(mask.numpy().ravel())

    auc = roc_auc_score(np.concatenate(gt_pool), np.concatenate(prob_pool))
    return {
        "Dice": 2 * inter / (p_sum + t_sum + 1e-7),
        "Sensitivity": inter / (t_sum + 1e-7),
        "Specificity": neg_num / (neg_den + 1e-7),
        "AUC": auc,
    }


import statistics

def multi_seed_protocol(build_and_train_fn, n_seeds: int = 5) -> None:
    """28 幅量级数据集的底线协议：≥5 个种子重复，报告均值 ± 标准差。"""
    dices = []
    for seed in range(n_seeds):
        torch.manual_seed(seed)
        np.random.seed(seed)
        model, test_loader = build_and_train_fn(seed)       # 训练封装为函数，内部固定划分
        dices.append(full_evaluate(model, test_loader)["Dice"])
    print(f"Dice = {statistics.mean(dices):.4f} ± {statistics.stdev(dices):.4f}"
          f"（{n_seeds} seeds）")

§6.10 MLOps 笔记

  • 数据版本化：官方只有一个版本，但仍应记录来源 URL、下载日期与 ZIP 的 SHA-256；镜像分发意味着同一"CHASE_DB1"可能对应不同字节流。
  • 划分即代码：28 个文件 → 训练/验证/测试的清单以 JSON 入库（含受试者分组键），实验记录引用清单哈希而非"first-20"这种模糊描述。
  • 指标注册：每次实验登记 seed × 划分 × 掩膜编码（0/1 或 0/255）× ROI 口径四元组，缺一不可比。
  • 冒烟测试进 CI：文件数 84、分辨率 999×960、掩膜取值 ⊆ {0,1}、血管占比 ∈ [5%, 9%] 四条断言可在数据被镜像替换时第一时间报警。
  • 可复现报告：跨数据集实验（DRIVE/STARE/HRF）单独登记预处理链，分辨率与 FOV 差异写入实验卡片。

§7 质量评估与局限性

§7.1 已知偏倚表

偏倚类型 描述 严重程度 缓解措施
队列偏倚 14 名儿童来自伦敦东北部单一学校，非人群随机抽样 高 结论限定为"方法学基准"；避免人口学外推
族裔不平衡 8 白人 / 3 南亚裔 / 3 其他，样本量过小无法分层 中 不做族裔亚组分析；跨域实验时明示构成
健康人群偏倚 以健康学龄儿童为主，无疾病标签与病理样本 高 禁止用于病理检测任务（见 §7.3）
设备单一性 仅 Nidek NM-200-D、30° FOV、JPG 压缩 中 跨设备部署前需外部数据校准
标注主观性 血管边界/末梢存在观察者分歧（Dice 0.777） 中 用 2ndHO 做敏感性分析或软标签
测试集过小 惯例划分下仅 8 幅测试 高 多 seed + 受试者级交叉验证（见坑点 8）

§7.2 标注质量评估

量化证据：两名独立观察者的平均血管占比为 6.93% 对 6.64%（相差约 0.3 个百分点），逐图观察者间 Dice 0.777（范围 0.739-0.827；MedOtter 归档实测，截至 2026-09）。两点解读：其一，分歧集中于细小末梢与边界过渡带，主干血管一致性高；其二，0.777 可视为"该数据集上的人类性能天花板参考"——模型分数显著低于它说明还有硬提升空间，逼近或超过它则应转而审视评估口径与过拟合。官方未披露观察者专业背景与仲裁流程，属于文档透明度缺口。

§7.3 泛化性评估

目标场景 失效风险 证据与机制
成人眼底血管分割 中-高 儿童血管更细、反射芯更亮；KaLDeX 协议下 U-Net 在 DRIVE 与 CHASE_DB1 的 Dice 差 2.43 个百分点，提示跨年龄域差真实存在
糖尿病视网膜病变筛查 高（不适用） 数据集无病变、无疾病标签；病变血管形态远超训练分布
其他相机/FOV 眼底图 中 单一设备单一视野；手持采集的光照/对焦分布随设备漂移
OCTA 等其他模态 高（不适用） 模态不同，仅可迁移方法学思想而非模型权重
儿童视网膜形态定量研究 中-低 与队列最匹配的用途；仍需注意 JPG 压缩对管径测量的影响

§7.4 伦理与合规

CHASE_DB1 为匿名眼底图像公开发布：文件仅以受试者编号与眼别命名，不含姓名、身份证别或可关联的医疗记录，不存在可识别面部特征（眼底照相对焦于视网膜）。母研究 CHASE 为学龄儿童心血管健康调查，其队列成果经同行评审发表（Owen et al., 2011）。伦理审批的细节（批准机构、知情同意方式）未随数据集页发布，使用方如需在论文中声明伦理链路，应引用源研究论文并自行向发布方核实。许可为 CC BY 4.0：允许商用与再分发，但必须署名——推荐同时引用方法论文（Fraz et al. 2012）与数据集出处。

§7.5 公平性

多族裔设计（白人/南亚裔/其他）是 CHASE 母研究的亮点，但落到本子集的 14 人规模，任何族裔层面的公平性结论都不可靠。更现实的公平性议题是年龄：以儿童数据训练的模型对成人的表现、以及反向，都应在模型卡中披露。样本量决定了本数据集只能作为"公平性压力测试的一环"，而非公平性结论的来源。

§7.6 数据漂移

数据集为 2012 年发布后即冻结的静态快照：无版本迭代、无新增图像、无标注修订。漂移风险不在数据侧而在使用侧——社区镜像的再打包（改编码、改划分、改分辨率）构成事实上的"下游漂移"，须以校验和与冒烟测试拦截（见坑点 3）。相机与成像技术十余年间的演进意味着"2012 年的眼底分布"与当下临床设备的分布存在差距，跨时代部署需重新校准。

§7.7 DAIMS 数据质量评估

# 检查项 状态 说明
1 宽格式 ✅ 28 组图像-掩膜扁平存放，无嵌套表结构问题
2 唯一标识 ✅ 文件名全局唯一，受试者与眼别可从文件名解析
3 特殊字符 ✅ 纯 ASCII 命名，跨平台无编码风险
4 重复行 ✅ 无重复图像或重复掩膜
5 缺失编码 ✅ 无缺失文件；掩膜无空值像素
6 标签标识 ⚠️ 双套标注仅靠文件名后缀区分，语义需读外部文档
7 罕见类分组 ⚠️ 单一"血管"类，无口径/动静脉细分，无法做稀有亚组评估
8 偏倚评估 ⚠️ 官方未提供偏倚分析；本页 §7.1 为第三方补充
9 数据字典 ⚠️ 仅 356 bytes readme，字段文档极简
10 信息性缺失解释 ✅ 无信息性缺失；结构性缺失已在 §4.5 列明
11 设备记录 ✅ 相机型号、FOV、采集分辨率均有官方记录
12 共线性 ✅ 不适用（影像数据，无特征矩阵）
13 编码映射 ⚠️ 0/1 定义明确，但 0/255 转换版在社区流传，无官方映射文件
14 时间戳处理 ✅ 单时点快照，无时序字段需要处理
15 划分建议 ❌ 官方无任何划分信息
16 泄漏讨论 ⚠️ 官方未讨论 fellow-eye 泄漏；社区已识别并有成熟对策
17 标签分布 ✅ 血管占比 6.93% 可实测复现
18 测量偏倚 ⚠️ 观察者间 Dice 0.777 揭示边界主观性；官方未做量化分析
19 外部验证建议 ❌ 官方未提供外部验证协议
20 版本记录 ⚠️ 单一版本、无变更日志
21 预处理脚本 ❌ 官方未随数据发布任何处理脚本
22 合规要求 ✅ CC BY 4.0 明确，开放获取无附加条件
23 多模态对齐 ⚠️ 单模态；图像-掩膜对齐依赖文件名约定，无内置校验
24 去标识化 ✅ 仅编号+眼别，无个人可识别信息

DAIMS 评分：16.5 / 24

评分解读：16.5 分处在"结构干净但元数据贫瘠"的典型区间。数据本体（文件完整性、命名、许可、去标识化）质量很高——这正是小型精心策划参考集的优势；失分集中在三处官方缺位：无划分（15）、无预处理脚本（21）、无外部验证协议（19），以及文档透明度（readme 极简、观察者信息缺失、无版本日志）。这些缺位是社区三套划分并存的直接原因。

对你意味着什么：如果你做论文基准，直接采用 first-20/last-8 惯例并公布文件清单，把官方缺位转化为自己的可复现性优势；如果你做工程验证，把 §6.10 的四条冒烟测试写进 CI，用 10 分钟投入规避镜像不一致的整周排查；如果你做标注研究，这个数据集的双观察者结构是同等规模数据里少见的红利，优先设计 2ndHO 相关实验而不是把它锁在文件夹里。

§7.8 外部验证矩阵

以下条目均取自同一复现协议（KaLDeX，arXiv:2410.21160），因此列内数字可比、跨行亦可比：

外部数据集/场景 来源机构 评估任务 性能指标 相对内部变化 关键发现
DRIVE（成人，45° FOV） arXiv:2410.21160 复现协议 血管分割 KaLDeX：Dice 83.75% 对 CHASE_DB1 的 82.78% −0.97 个百分点 强模型跨数据集落差小于 1 个百分点
DRIVE（成人） 同上 血管分割 FR-UNet：83.16% 对 81.51% −1.65 个百分点 分支敏感模型在儿童集上损失略大
DRIVE（成人） 同上 血管分割 U-Net：81.41% 对 78.98% −2.43 个百分点 基线模型的跨域落差更明显
STARE（含病理） 同上（其表 2） 血管分割 KaLDeX：Acc 97.85%（其报告口径） 见原文表 病理图像构成额外难度层级

§8 基准性能与生态

§8.1 排行榜

⚠️ 可比性警示：下表数字取自不同论文的自选划分（first-20/last-8 或其变体）、不同预处理与 ROI 口径，不可直接横向比较；同列数字仅代表"该论文协议内"的相对排序。

排名 模型 Dice 年份 关键技术 完整引用 代码
1 KaLDeX 82.78% 2024 Kalman 滤波线性可变形卷积 + UNet++ 跨注意力 KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retinal Vessel Segmentation, arXiv:2410.21160, 2024. DOI: 10.48550/arXiv.2410.21160 未在本页核实公开仓库
2 FR-UNet 81.51% 2022 多级残差全卷积 + 分支保持结构 FR-UNet（2022），数字经 arXiv:2410.21160 表 1 收录 未在本页核实
3 DSAE-Net 81.46% 2025 0.08M 参数轻量编码-解码 DSAE-Net: Efficient Retinal Vessel Segmentation with 78K Parameters, Journal of Imaging 11(9):306, 2025. DOI: 10.3390/jimmingi11090306（卷期以 MDPI 页为准） 未在本页核实
4 UNet++ 80.15% 2018 嵌套稠密跳连 Zhou et al., 2018（数字经 arXiv:2410.21160 表 1 复现收录） 公开实现众多
5 TransUNet 79.64% 2021 CNN + Transformer 混合 Chen et al., 2021（数字经 arXiv:2410.21160 表 1 复现收录） 公开实现众多
6 U-Net 78.98% 2015 编码-解码 + 跳连基线 Ronneberger et al., 2015, MICCAI（数字经 arXiv:2410.21160 表 1 复现收录） 公开实现众多

§8.2 SOTA 总结与选型建议

CHASE_DB1 上公开报告的 Dice 分布在 78-83% 区间，且 人类观察者间一致性仅 0.777——这意味着榜单前列的模型已在"两套人类答案互相同意"的水平之上，继续刷榜的边际价值有限。选型建议：追求稳健可复现选 U-Net/UNet++ + BCE+Dice 损失；关注细血管与分支选 FR-UNet 类分支保持结构；关注部署效率选 DSAE-Net 类轻量网；任何模型上线前先跑 §6.10 的多 seed 协议。另有榜单收录 D-GaussianNet（Accuracy 0.98，sota2 收录，截至 2026-09），注意其指标口径与 Dice 榜不可混排。

把"人类天花板"纳入选型判断的三条实操推论：

  1. 模型的 Dice 若低于 0.78：先检查划分、真值选择（1stHO）与 ROI 口径，再怀疑模型能力——大量"复现失败"其实是协议错位。
  2. 模型的 Dice 落在 0.78-0.83：处于人类分歧带内，提升主要来自对 1stHO 标注风格的拟合，泛化价值存疑，应加外部验证。
  3. 论文声称超过 0.83：优先核对是否在自建 ROI、自选划分或加入后处理（形态学/连通域过滤）下取得——这些手段合法但必须披露。

§8.3 评测协议

  • 真值：一律使用 1stHO 掩膜（金标准）；2ndHO 仅作人类基线行。
  • 划分：主流为 first-20/last-8（受试者 01-10 对 11-14）；复现 Idiap 系实验用 8/20 反向。
  • 指标：逐像素 Dice、Sensitivity、Specificity、Accuracy、AUC；类不平衡下 Accuracy 不作主指标。
  • 区域口径：整图或 FOV 内必须二选一并声明（数据集无官方 FOV 掩膜，见坑点 4）。
  • 阈值：分类阈值惯例 0.5；AUC 用连续概率图。
  • 重复：报告 ≥3 seed 的均值 ± 标准差是 28 幅数据集的基本礼貌。
数据集 规模 模态/特点 官方划分 与 CHASE_DB1 的组合用法
DRIVE 40 幅成人 565×584，45° FOV，附官方 FOV 掩膜 20/20 主对照基准；跨年龄泛化实验的一端
STARE 20 幅 含病理眼底，2 名观察者 无 病理压力测试；三件套之一
HRF 45 幅成人 2336×3504 高分辨率（15 DR/15 青光眼/15 健康） 无 高分辨率效率与细节评估
OCTA-500（3 mm/6 mm） OCTA 血管造影 与眼底不同的模态 有子集划分 方法学迁移（不同模态）参考

§8.5 关键论文 Top 6

  1. Fraz et al., 2012, IEEE TBME 59(9):2538-2548. DOI: 10.1109/TBME.2012.2205687 — 数据集的"出生证明"：bagged/boosted 决策树集成 + 梯度向量场/形态学/线强度/Gabor 特征，首次在 DRIVE、STARE 与 CHASE_DB1 上统一评测。
  2. Owen et al., 2011, Arteriosclerosis, Thrombosis, and Vascular Biology 31(8):1933-1938. DOI: 10.1161/ATVBAHA.111.225219 — CHASE 母研究：超 1,000 名学龄儿童视网膜小动脉蜿蜒度与心血管风险因素的关联，数据集的流行病学源头。
  3. DPN（2020）, arXiv:2009.12053 — 细节保持网络；其 20/8 与 14/14 双划分实验设计是"划分敏感性"的经典示范，并明示了 CHASE_DB1 需自绘 FOV 掩膜。
  4. KaLDeX（2024）, arXiv:2410.21160 — 提供了 U-Net/UNet++/TransUNet/FR-UNet 等在 CHASE_DB1 上同协议的横向基线表（本页 §8.1 与 §7.8 的数字来源）。
  5. DSAE-Net（2025）, Journal of Imaging 11(9):306, MDPI — 0.08M 参数的轻量极限，CHASE_DB1 上 Dice 81.46%，适合边缘部署参考。
  6. ProNet（2024）, ScienceDirect S1546221824001942 — ConvNeXt 骨干 + 可分离卷积 + Focal 损失，在 CHASE_DB1 报告 mDice 0.8954（其协议），展示现代骨干与传统分割的融合路线。

§8.6 社区活跃度

  • 学术热度：方法论文 691+ 次引用（OpenAlex 索引，截至 2026-09），且 2024-2026 年仍有年度两位数增量（引用按年分布见 OpenAlex/Rankless 页）。
  • 基准组合地位：与 DRIVE、STARE 构成血管分割论文的"标准三件套"，几乎所有新方法都会挂上 CHASE_DB1 结果表。
  • 镜像与工具生态：HuggingFace（多镜像，含数据查看器）、OpenDataLab、Dataset Ninja（可视化与统计）、Idiap bob/mednet 包（标准化划分与加载器）、Mendeley 合集（三数据集一键获取）。
  • 无官方排行榜：数字比较依赖论文自报，社区通过数据卡（如 MedOtter 的 split 说明）自发纠偏。

§8.7 生态快照

资源 类型 链接 备注（截至 2026-09） 推荐理由
Kingston Research Portal 官方数据页 链接 现行官方源头，CC BY 4.0 首选下载与引用出处
MedOtter/CHASE_DB1 HF 镜像 + 数据卡 链接 含受试者字段、划分与人类基线实测 文档质量最高的社区镜像
Idiap bob.db.chasedb1 / mednet 加载器/数据模块 bob 文档 / mednet 文档 提供 8/20 反向划分的标准化配置 复现 Idiap 系实验必备
Dataset Ninja 可视化/统计 链接 逐图血管占比统计、Supervisely 格式导出 快速摸底数据分布
Mendeley Data 合集 三数据集打包 DOI 10.17632/frv89hjgrr 87.7 MB，附 SHA-256 三基准联评省事
OpenDataLab 中文镜像平台 LvNianZu/CHASE_DB1 README 所列 下载便利，需自核掩膜编码 国内网络环境友好
arXiv:2410.21160 基线数字来源 链接 同协议多模型对比表 复现基线的数字锚点

§9 相关资源与引用

§9.1 官方与社区资源

§9.2 BibTeX 完整引用

@article{fraz2012ensemble,
  author  = {Fraz, Muhammad Moazam and Remagnino, Paolo and Hoppe, Andreas and
             Uyyanonvara, Bunyarit and Rudnicka, Alicja R. and Owen, Christopher G. and
             Barman, Sarah A.},
  title   = {An Ensemble Classification-Based Approach Applied to Retinal Blood Vessel Segmentation},
  journal = {IEEE Transactions on Biomedical Engineering},
  volume  = {59},
  number  = {9},
  pages   = {2538--2548},
  year    = {2012},
  doi     = {10.1109/TBME.2012.2205687}
}

@article{owen2011tortuosity,
  author  = {Owen, Christopher G. and Rudnicka, Alicja R. and Nightingale, Claire M. and
             Mullen, Robert and Barman, Sarah A. and Sattar, Naveed and Cook, Derek G. and
             Whincup, Peter H.},
  title   = {Retinal Arteriolar Tortuosity and Cardiovascular Risk Factors in a Multi-Ethnic
             Population Study of 10-Year-Old Children; the Child Heart and Health Study
             in England (CHASE)},
  journal = {Arteriosclerosis, Thrombosis, and Vascular Biology},
  volume  = {31},
  number  = {8},
  pages   = {1933--1938},
  year    = {2011},
  doi     = {10.1161/ATVBAHA.111.225219}
}

@dataset{chasedb12012dataset,
  author = {Fraz, Muhammad Moazam and Remagnino, Paolo and Hoppe, Andreas and
            Uyyanonvara, Bunyarit and Rudnicka, Alicja R. and Owen, Christopher G. and
            Barman, Sarah A.},
  title  = {CHASE DB1: Retinal Vessel Reference Dataset},
  year   = {2012},
  url    = {https://researchdata.kingston.ac.uk/96/}
}

§9.3 引用指南

  • 用数据：引用第一条（方法论文，含 DOI）为主，必要时补充数据集条目；许可要求 CC BY 4.0 署名。
  • 用队列背景：引用第二条（ATVB 源研究）。
  • 报告指标：必须注明划分惯例（first-20/last-8 等）、真值选择（1stHO）与 ROI 口径，参见 §8.3。
  • 经镜像获取：论文中仍引用官方出处，镜像信息可写入数据可得性声明的补充说明。

§10 AI 使用声明卡

§10.1 AI 模型列表

模型 提供方 用途
大语言模型（写作辅助） 千方病案医学编辑部指定 资料归纳、初稿撰写、格式规范化

§10.2 AI 参与范围

AI 参与了本页的文献检索归纳、章节起草、表格整理与代码注释撰写；全部事实性数字均锚定 §10.3 所列来源，结构性判断（划分建议、坑点对策、DAIMS 评分）经编辑部人工复核。页面不含 AI 自行生成的实验数据或未经来源支撑的统计数字。

§10.3 输入来源列表

  1. Kingston University Research & Innovation — CHASE_DB1 retinal vessel reference dataset（官方数据集页），https://researchinnovation.kingston.ac.uk/en/datasets/chasedb1-retinal-vessel-reference-dataset-4 ，截至 2026-09 访问。
  2. Fraz M.M. et al. — An Ensemble Classification-Based Approach Applied to Retinal Blood Vessel Segmentation, IEEE TBME 59(9):2538-2548, 2012, DOI 10.1109/TBME.2012.2205687, https://doi.org/10.1109/TBME.2012.2205687 。
  3. PubMed 记录（PMID 22736688），https://pubmed.ncbi.nlm.nih.gov/22736688/ ，截至 2026-09 访问。
  4. Europe PMC 记录（PMID 22736688），https://europepmc.org/article/med/22736688 ，截至 2026-09 访问。
  5. Kingston Research Portal — 论文著录页（含 BibTeX），https://researchinnovation.kingston.ac.uk/en/publications/e03709ee-4dfe-4d30-b6a1-23e4452b9489 ，截至 2026-09 访问。
  6. Rankless（OpenAlex 数据）— 论文引用计量页，https://www.rankless.org/hit-papers/10.1109/tbme.2012.2205687 ，截至 2026-09 访问。
  7. MedOtter — CHASE_DB1（HuggingFace 数据集卡），https://huggingface.co/datasets/MedOtter/CHASE_DB1 ，截至 2026-09 访问。
  8. Idiap Research Institute — bob.db.chasedb1 文档，https://www.idiap.ch/software/bob/docs/bob/bob.db.chasedb1/master/index.html ，截至 2026-09 访问。
  9. Idiap Research Institute — mednet.data.segment.chasedb1 文档，https://mednet.readthedocs.io/en/v1.0.0/api/mednet.data.segment.chasedb1.html ，截至 2026-09 访问。
  10. Dataset Ninja — CHASE DB1（统计与可视化页），https://datasetninja.com/chase-db1 ，截至 2026-09 访问。
  11. KaLDeX — Kalman Filter based Linear Deformable Cross Attention for Retinal Vessel Segmentation, arXiv:2410.21160, 2024, https://arxiv.org/html/2410.21160v2 。
  12. DPN — Detail-Preserving Network with High Resolution Representation for Efficient Segmentation of Retinal Vessels, arXiv:2009.12053, 2020, https://arxiv.org/pdf/2009.12053.pdf 。
  13. DSAE-Net — Efficient Retinal Vessel Segmentation with 78K Parameters, Journal of Imaging 11(9):306, 2025, https://www.mdpi.com/2313-433X/11/9/306/html 。
  14. ProNet — Adaptive Retinal Vessel Segmentation Algorithm Based on Improved UperNet Network, ScienceDirect S1546221824001942, 2024, https://www.sciencedirect.com/org/science/article/pii/S1546221824001942 。
  15. Mendeley Data — Retinal Vessel（DRIVE/STARE/CHASE_DB1 合集）, DOI 10.17632/frv89hjgrr, https://dx.doi.org/10.17632/frv89hjgrr 。
  16. Owen C.G. et al. — Retinal Arteriolar Tortuosity and Cardiovascular Risk Factors…（CHASE 源研究）, ATVB 31(8):1933-1938, 2011, DOI 10.1161/ATVBAHA.111.225219。
  17. OpenMedLab — Awesome-Medical-Dataset 的 CHASE 条目（作为错误描述的辨识案例引用），https://github.com/openmedlab/Awesome-Medical-Dataset/blob/main/resources/CHASE.md ，截至 2026-09 访问。
  18. YanLin02 — retinal-vessel-segmentation（CHASEDB1 划分与 FOV 生成实现），https://github.com/YanLin02/retinal-vessel-segmentation ，截至 2026-09 访问。
  19. ThreeStones1029 — xray_nnunet（掩膜 0/255 转换流程示例），https://github.com/ThreeStones1029/xray_nnunet ，截至 2026-09 访问。
  20. sota2 — Retinal Vessel Segmentation 榜单页，https://www.sota2.com/research/task/retinal-vessel-segmentation ，截至 2026-09 访问。

§10.4 人工校验记录

内容模块 审核者 审核方式 审核状态
规模数字（28 幅/14 名儿童/双标注/分辨率/体积） 千方病案医学编辑部 对照 Kingston 官方页逐项核对 ✅ 已通过/已验证
论文书目与引用数 千方病案医学编辑部 PubMed/DOI/OpenAlex 三方交叉核对 ✅ 已通过/已验证
许可与获取渠道 千方病案医学编辑部 官方页许可声明 + 镜像渠道核对 ✅ 已通过/已验证
基准数字（§8.1/§7.8） 千方病案医学编辑部 锚定 arXiv:2410.21160 与 MDPI 原表 ✅ 已通过/已验证
代码块（§6.1/6.3/6.4/6.9） 千方病案医学编辑部 逻辑走查 + 边界断言复核 ✅ 已通过/已验证
坑点与对策（§6.5） 千方病案医学编辑部 逐条溯源官方文档/仓库/论文 ✅ 已通过/已验证
医学背景与编码映射（§2） 千方病案医学编辑部 ICD-11/SNOMED 术语核对 ✅ 已通过/已验证

§10.5 AI 生成章节标注

本页各章节均由 AI 辅助起草、人工复核后定稿；其中 §6.5 坑点的对策代码与 §7.7 DAIMS 评分为人工主导的结构化判断，AI 仅承担格式化与文字润色。

§10.6 最后人工审核日期

2026-09-05（与 §0 审核日期一致）。

页面状态：published（全部内容已完成审核并发布）

返回 AI-Ready 数据集
客服二维码

客服二维码

客服二维码
电话咨询

直接咨询

18892062214

微信同号

微信咨询

微信咨询

18892062214

微信同号

邮箱咨询

邮箱咨询

collab@qianfanghub.cn