信息速览
INFOBOX — CORN 一屏速览
维度 内容 本质 角膜共聚焦显微镜（CCM）图像多子集资源库：分割/增强/弯曲度/细胞分割/多病种 团队 中科院宁波材料所 iMED 医疗影像/眼科影像团队（赵一天、牟磊等） 数据来源 北京大学第三医院 + 帕多瓦大学 BioImLab（120 张）；HRT-III/RCM 采集 CORN-1 硬数字 1698 张 CCM 图像，384×384 px，FOV 400×400 μm²，眼科医生 ImageJ 手绘神经中心线 六子集 CORN-1 分割 / CORN-2 增强 / CORN-3 弯曲度 / CORN1500 弯曲度 / CORN-Pro 细胞 / CORN-Complex 多病种 弯曲度分级 CORN-3：54/212/108/29（四级，共 403）；CORN1500：1200 训练 + 300 测试 细胞分割 CORN-Pro：1120 张（560 神经+朗格汉斯细胞 / 560 神经+基质细胞） 多病种 CORN-Complex：7522 张 / 518 患者 / 12 病理 / 6 中心 / 2 设备；1429 张穷尽标注 临床动机 角膜神经是糖尿病周围神经病变、干眼症、角膜感染的早期无创标志 获取 Zenodo 请求制（restricted），需填姓名-机构-用途；限学术研究 许可 记录级 CC BY-4.0，但实际受限访问 + academic use only（口径张力） Zenodo v1（2024-07-19, 4 子集, DOI …12776091）→ v2（2026-04-22, 6 子集, DOI …19689814） 库内互链 ROSE（同团队, rid 331）、DRIVE(241)、STARE(788)、CHASE_DB1(251)、HRF(261)、OCTA-500(341)
CORN 是一个把"眼睛最前端的神经"拍成可计算数据集的工程。角膜——黑眼珠表面那层透明薄膜——在共聚焦显微镜（CCM）下会显露出一张细密的神经网：这些神经纤维的形态变化，是糖尿病周围神经病变、干眼症、角膜感染乃至神经退行性疾病在身体最表层留下的早期指纹。CORN 要解决的，就是让这张神经网从"眼科医生用鼠标一格一格描线"变成"算法自动分割、分级、增强"的可训练数据。它不是一个数据集，而是一个家族：从 2019 年的神经分割起步，逐代长出图像增强、弯曲度分级、细胞分割，直到 2026 年扩展到覆盖 12 种角膜病理、6 个临床中心的多病种版本。
导语读法三则：
- 只想下数据：直奔 §6 获取与许可——注意 Zenodo 是 restricted 请求制，不是点开就下；名义 CC BY-4.0，实际限学术用途，以申请流程为准。
- 做神经分割：直奔 §2 与 §5——CORN-1 的 1698 张 + 中心线标注规格、CS-Net 基线、目录结构三处连读。
- 关心弯曲度分级或细胞分割：直奔 §5 任务矩阵与 §7 评估——CORN-3/CORN1500 的四级分级、CORN-Pro 的 LC/SC 分割各有独立论文与基线。
§0 导读：这个数据集解决什么问题
0.1 一句话定义
CORN（COrneal Nerve Database，角膜神经数据库）是中国科学院宁波材料技术与工程研究所 iMED（医疗影像/眼科影像团队）构建并维护的角膜共聚焦显微镜（CCM，Corneal Confocal Microscopy）图像资源库，以 CORN-1 的 1698 张神经分割图像为核心，向图像增强、弯曲度分级、细胞分割、多中心多病种方向扩展的六子集家族。
0.2 它解决的真实问题
角膜共聚焦显微镜（CCM）是一种快速、无创的眼科成像技术，能在活体上清晰显示角膜的细胞、神经与微结构。角膜上皮下的基底神经丛（subbasal nerve plexus）是人体中少数可直接无创成像的神经组织——它的形态（神经纤维长度、分支点、弯曲度）变化具有明确的临床意义：
- 糖尿病周围神经病变（diabetic neuropathy）：角膜神经纤维长度与密度下降是最早的客观标志之一；
- 干眼症、角膜感染、神经营养性角膜炎：神经形态异常是诊断与随访依据；
- 神经退行性疾病：角膜神经可作为中枢神经退变的窗口。
问题在于：量化这些神经形态需要人工逐格标注，极其耗时；而自动化分析又依赖标注数据训练。CORN 的定位就是提供这一批"医生画好线"的 CCM 图像，让神经分割、弯曲度分级等任务有基准可用。
0.3 为什么值得单独建条目
CORN 在 AI-Ready 数据集谱系里有三个独特价值：
- 曲线状结构分割的经典载体：神经纤维是典型的 curvilinear structure（曲线状结构），与视网膜血管同源；CORN-1 对应的 CS-Net（MICCAI 2019）是该方向的代表方法，与 DRIVE/STARE 等血管分割基准构成完整方法学谱系。
- 一个实验室的六年演化样本：从 CORN-1 到 CORN-Complex，可以看到一个眼科影像团队如何把"单一任务数据集"逐步扩展为"多任务、多中心、多病种"的复杂资源——是研究数据集生命周期与扩展策略的教科书案例。
- 许可与访问的口径张力样本：Zenodo 记录级标 CC BY-4.0，实际却是 restricted 请求制 + 仅限学术用途——这种"名义开放 vs 实际受限"的张力，是 AI-Ready 评估中必须存照的典型情形。
0.4 本条目聚焦声明
任务头指定 slug 为 corn-nerve，核心对应 CORN-1（1698 张角膜神经分割）。但为避免检索者以偏概全，正文覆盖 CORN 全家族六子集，凡涉及 CORN-1 之外的子集均明确标注子集名，硬数字均给出子集边界，防止不同子集的数字被混用。
0.5 背景知识补充：什么是角膜共聚焦显微镜
要理解 CORN 的价值，需先理解 CCM 这项技术。角膜共聚焦显微镜（Corneal Confocal Microscopy）利用点光源与共焦针孔实现"光学切片"，能在活体上以细胞级分辨率成像角膜各层。配合海德堡视网膜断层扫描仪（HRT-III）与 Rostock 角膜模块（RCM），临床可对角膜做逐层扫描，最常被研究的层是基底上皮神经丛。
CCM 的三个特征决定了 CORN 数据集的设计：
- 无创且可重复：同一患者可多次成像，适合纵向随访（CORN-Complex 的多病种覆盖正源于此）；
- 分辨率受物理限制：常用视野 400×400 μm²、384×384 px，单张只能覆盖角膜一小块，因此需要大量图像才能代表完整神经丛；
- 图像质量波动大：受眼动、角膜曲率、接触压力影响，同一设备成像质量差异明显——这正是 CORN-2 图像增强子集存在的原因。
0.6 CORN 的"神经网"是什么样
在 CORN-1 的 384×384 图像里，神经纤维通常表现为从图像边缘进入、细长、常有分支与交叉的亮线，彼此不完全连通。它们构成一张稀疏的网，前景像素占比极低（中位约 1.4%），且部分图像几乎没有神经（最小前景仅 6 px）。这种"稀疏、细长、拓扑复杂"的形态，正是曲线状结构分割任务最难的部分，也是 CORN-1 与视网膜血管数据集在方法学上同源的根本原因。
0.7 阅读本文的前置约定
为避免混淆，本文约定：
- “CORN” 指整个数据库家族；
- “CORN-1” 等带编号者特指某一子集；
- “1698” 若无特别说明，特指 CORN-1 的图像数量；
- “v1/v2” 指 Zenodo 的两个版本（不是子集编号）；
- 所有来自官方的原始表述以「」标注，便于与本文解读区分。
§1 数据集速览：十问十答
问 1：CORN 到底是什么？
CORN 是角膜共聚焦显微镜（CCM）图像资源库，由中科院宁波材料所 iMED 团队构建。它不是单一数据集，而是含 6 个子集的家族：CORN-1（神经分割）、CORN-2（图像增强）、CORN-3（弯曲度分级）、CORN1500（弯曲度扩展）、CORN-Pro/CORN-4（神经+细胞分割）、CORN-Complex（多中心多病种）。
问 2：名字怎么来的？
CORN 是 COrneal Nerve（角膜神经）的缩写，也被写作 CORneal Nerve Database。注意它不是"玉米"（corn）——检索时请以"角膜/共聚焦/CCM"为上下文。
问 3：CORN-1 有多少张图像？什么规格？
1698 张 CCM 图像，每张 384 × 384 像素，视场 FOV 400 × 400 μm²。用海德堡视网膜断层扫描仪（Heidelberg Retina Tomograph）配 Rostock Cornea Module（HRT-III）采集。
问 4：标注是怎么做的？
CORN-1 的神经纤维标注是眼科医生用开源软件 ImageJ 逐张追描的中心线（centerline）——即神经纤维的骨架像素级路径，而非完整轮廓掩码。CORN-Pro/CORN-Complex 则用 ITK-SNAP 做多类标注。
问 5：数据从哪来？
CORN-1 图像由**北京大学第三医院（Peking University Third Hospital）与意大利帕多瓦大学（University of Padova）**采集；其中 120 张原始图像来自帕多瓦大学 BioImLab，但这些图像的注释由 iMED 方眼科医生完成。
问 6：六个子集分别做什么？
- CORN-1：神经分割（segmentation）
- CORN-2：图像增强（低质→高质，enhancement）
- CORN-3：神经弯曲度四级分级（tortuosity）
- CORN1500：弯曲度分级扩展版（1500 张）
- CORN-Pro：神经 + 朗格汉斯细胞/基质细胞分割（cell segmentation）
- CORN-Complex：多中心、多病种复杂场景（538 患者级规模）
问 7：弯曲度怎么分四级？
CORN-3 把弯曲度分为四级：Level 1 神经几乎笔直（54 张）、Level 2 中度弯曲（212 张）、Level 3 相当弯曲且方向变化幅度较大（108 张）、Level 4 极度弯曲且方向频繁变化（29 张）。由一位图像分析专家与一位临床作者各自独立标注，取共识为真值。
问 8：怎么获取？要花钱吗？
不花钱，但不能直接下载。Zenodo 记录是 restricted 受限访问，需登录后提交 Request access，填写 姓名 - 机构 - 主要工作 - 本数据集用途，审批通过后方可下载。官网明确"仅限学术研究用途"（academic research use only）。
问 9：许可到底是什么？
Zenodo 记录级标注 CC BY-4.0，但访问权是 restricted、用途限学术研究——这是一个"开放许可 vs 受限访问"并存的口径，实际以请求制申请流程为准（详见 §6 与 §10 坑点 1）。
问 10：和视网膜血管分割数据集什么关系？
方法学上同源：角膜神经与视网膜血管都是典型的曲线状结构（curvilinear structure），分割方法可互通。CORN-1 的基线方法 CS-Net 与该团队的另一数据集 ROSE（OCTA 视网膜血管分割）共享同一批研究者，构成完整的"曲线结构分割"研究谱系。
问 11：CORN 的图像是彩色的吗？
CCM 图像本质是单通道灰度显微图像（共聚焦成像反映反射率），因此角膜神经数据集通常按灰度处理。这一点与彩色眼底图（如 FIVES、EyePACS）不同，使用时可减少通道维度。
问 12：为什么图像这么小（384×384）？
这是 CCM 成像视场（400×400 μm²）与设备输出分辨率共同决定的物理结果，不是人为降采样。固定的小尺寸反而利于把所有子集统一到同一网络输入，但也限定了单张图像能覆盖的解剖范围。
问 13：患者级信息能拿到吗？
CORN-1 未披露患者数量与人口学信息（仅图像级计数 1698）；CORN-Complex 披露 518 名患者并给出疾病类别，但个体级临床变量（血糖、病程等）未在公开描述中提供。需要患者级联表的研究须另行联系团队。
问 14：数据有分层（深度）信息吗？
CORN 提供的多为单张 2D CCM 图像；CORN-Pro 明确采集深度为距角膜前表面 40–60 μm，提示其位于基底神经丛层，但数据本身不携带逐像素深度图。
问 15：CORN 与 ACCMetrics 是什么关系？
ACCMetrics 是临床常用的角膜神经自动化分析软件（计算神经长度、分支点等）。CORN 提供的是"可训练数据"，而 ACCMetrics 是"分析工具"；两者的指标定义有交集（如 NFL、分支点），研究者常用 ACCMetrics 作为传统方法的对照基线。
问 16：这些图像能直接用于商业产品吗？
不能。官网明确"仅限学术研究用途"（academic research use only），商用需另行联系团队获得授权。记录级 CC BY-4.0 不代表可商用，因为访问权与用途限制优先。
问 17：CORN 有挑战赛吗？
在公开描述中，CORN 不是以挑战赛（challenge）形式组织的，而是以 Zenodo 数据集 + 论文基线形式发布（与 MICCAI 挑战赛不同）。库内有对应 category_tags "挑战赛数据集"仅作词表标注，CORN 本身为常规基准数据集。
问 18：v1 和 v2 哪个该用？
一般用 v2（6 子集，最新）；若研究只需 CORN-1/2/3/1500，v1 与 v2 内容一致。CORN-Pro 与 CORN-Complex 仅 v2 有。
问 19：为什么官网日期是 2019 但 Zenodo 是 2024？
官网页面的"更新日期 2019-07-10"是页面初版锚点（对应 CORN-1 论文年代），而 Zenodo 托管是 2024 年才上线——数据早于托管平台存在，这是许多老数据集的共同现象，不代表数据 2024 年才建。
问 20：CORN 的核心贡献用一句话概括？
它把"角膜基底神经丛"这一临床重要但难以量化的解剖目标，变成了一组有专家标注、有基线方法、有版本演进、可支撑分割/增强/分级/细胞分割多任务的可训练数据资源。
§2 数据构成与规格
2.1 CORN-1：1698 张神经分割图像
CORN-1 是本条目的核心子集。规格如下：
| 维度 | 规格 |
|---|---|
| 图像数量 | 1698 张 CCM 图像 |
| 分辨率 | 384 × 384 像素 |
| 视场 | FOV 400 × 400 μm² |
| 采集设备 | Heidelberg Retina Tomograph + Rostock Cornea Module（HRT-III） |
| 解剖目标 | 角膜基底上皮神经丛（corneal subbasal epithelium） |
| 标注软件 | ImageJ（开源） |
| 标注形式 | 神经纤维中心线（centerline），眼科医生手绘 |
| 图像格式 | .tif（openmedlab 口径）/ 各源略有差异 |
| 来源机构 | 北京大学第三医院 + 帕多瓦大学；其中 120 张原始图像来自 BioImLab（Padova） |
| 标签类别 | 单一前景（神经）/ 背景 二分类 |
标签统计口径（openmedlab/Awesome-Medical-Dataset 转写）：1680 张图像含神经（覆盖率 98.9%）；每张前景像素最小 6 px、中位 2064 px、最大 4874 px。这一分布提示：绝大多数图像含神经，但神经占画面比例很小（384×384=147456 px，中位数占比约 1.4%），属极端类别不平衡的分割任务。
2.2 目录结构：CORN-1 的数据组织
参照 openmedlab 转写的文件结构，CORN-1 组织如下：
CORN
├── Nerve_Segmentation
│ ├── Corneal nerve segmentation
│ │ ├── test
│ │ │ ├── test_images
│ │ │ └── test_mask
│ │ ├── training
│ │ │ ├── train_images
│ │ │ └── train_mask
│ │ └── val
│ │ ├── val_images
│ │ └── val_mask
│ └── Padova
│ ├── BioImLab corneal nerve images
│ ├── BioImLab corneal nerve images Ann
│ ├── BioImLab Corneal Nerve Tortuosity
│ └── BioImLab Corneal Nerve Tortuosity Ann
读法：主体 Corneal nerve segmentation/ 下分 test / training / val 三折，每折含 images 与 mask 两目录；Padova/ 收纳帕多瓦大学 BioImLab 来源的原始图像、注释及弯曲度数据。注意：具体三折的划分数量官方未逐一披露，检索者须以实际下载包内为准。
2.3 六子集全景规格表
| 子集 | 任务 | 数量 | 规格 | 标注 | 对应论文 |
|---|---|---|---|---|---|
| CORN-1 | 神经分割 | 1698 | 384×384, FOV 400×400μm² | ImageJ 中心线 | CS-Net, MICCAI 2019 |
| CORN-2 | 图像增强 | 340 低质 + 288 高质（训练）/ 60 低质（测试） | 384×384 | 测试集含中心线 | StillGAN, MICCAI 2020 |
| CORN-3 | 弯曲度分级 | 403（54/212/108/29） | 384×384 | 双观察者共识四级 | IEEE TMI 2020 |
| CORN1500 | 弯曲度分级 | 1500（1200 训练 + 300 测试） | 384×384, FOV 400×400μm² | 同一眼科医生四级 | （TMI 2020 谱系） |
| CORN-Pro | 神经+细胞分割 | 1120（560 神经+LC / 560 神经+SC） | 384×384, 400×400μm², 距前表面 40-60μm | ITK-SNAP 多类 | IEEE TMI 2025 |
| CORN-Complex | 多病种分割 | 7522（518 患者）；1429 穷尽标注 | 384×384（两种设备） | CN + LC 真值 | （v2 新增） |
关键区分：CORN-3 的 403 张不是 CORN-1 的 1698 张的子集——CORN-3 “based on CCM-A”（基于另一来源池），与 CORN-1 是不同图像集合。检索者切勿把 403/1500 与 1698 混算。
2.4 CORN-Complex：走向真实临床复杂度
CORN-Complex 是 2026 年 v2 引入的最大子集，其设计目标是"反映真实临床复杂度"（reflect real-world clinical complexity）：
- 规模：7522 张图像，来自 518 名患者；
- 疾病谱：覆盖 12 种角膜病理——真菌性角膜炎、病毒性角膜炎、前基底膜营养不良（ABMD）、神经营养性角膜炎、非特异性角膜炎、圆锥角膜、Fuchs 内皮性营养不良、干眼症、角膜术后、神经病理性角膜痛、糖尿病、角膜内皮炎；
- 多中心：来自 6 个临床中心；
- 多设备：两种成像系统——Confoscan 3.0（重采样至 384×384）与 Heidelberg HRT-III/RCM（384×384）；
- 无质量过滤：所有图像直接导出，不做人工质量筛选，以保留临床实践中的完整变异性；
- 标注设计：一个 1429 张代表性子集被穷尽标注（保证所有疾病类别、设备、中心均衡覆盖），由两名图像分析专家标注、一名高级眼科医生复核，提供神经（CN）与朗格汉斯细胞（LC）的高质量真值；
- 固定划分：测试集 376 张（5%）、验证集 376 张（5%）、训练池 6770 张（其中 10% = 677 张有标注）。
设计注记：376 + 376 + 6770 = 7522，划分自洽。训练池仅 10% 标注，意味着 CORN-Complex 天然是一个弱监督/半监督分割设定，这也是它与 CORN-1 全量标注的核心差异。
2.5 图像采集的临床一致性
所有 CORN 子集的 CCM 图像共享一套采集规范：
- 设备：Heidelberg Retina Tomograph（HRT-III）配 Rostock Cornea Module（RCM）；
- 分辨率/FOV 恒定：384 × 384 px = 400 × 400 μm²，即约 1.04 μm/px（400/384 ≈ 1.04）；
- 采集深度：CORN-Pro 明确为距角膜前表面 40–60 μm（即基底神经丛所在深度）；
- 机构差异：CORN-Complex 引入第二设备 Confoscan 3.0，跨设备统一重采样到 384×384。
机理解读：固定 384×384 与 400×400 μm² 使所有子集图像在空间尺度上可比，这是 CORN 家族能共享方法（如 CS-Net 迁移）的物理基础；但跨设备（HRT-III vs Confoscan）的对比度、噪声分布差异仍是域偏移来源。
2.6 单位换算与尺度直觉
理解 384×384 px = 400×400 μm² 的尺度换算，有助于判断任务的物理难度：
- 每像素物理尺寸：400 μm ÷ 384 px ≈ 1.04 μm/px；
- 图像物理边长：约 0.4 mm × 0.4 mm（即 400 μm），约为一根头发直径的数倍；
- 神经纤维宽度参照：角膜神经纤维直径常在数微米量级，投影到图像上约几像素宽——这正是"中心线 vs 轮廓"取舍的物理背景：宽度只有几像素，描轮廓的边际信息有限，描中心线更经济。
尺度直觉的意义：若把 1.04 μm/px 代入任何以像素为单位的度量（如膨胀宽度、连通域阈值），都能换算回物理尺度，便于与临床文献（以 μm 或 mm 计量）对齐。
2.7 数据量与标注密度的对比
把六子集的"图像数"与"标注密度"并排看，能揭示 CORN 家族的设计权衡：
| 子集 | 图像数 | 标注密度 | 设计权衡 |
|---|---|---|---|
| CORN-1 | 1698 | 全量中心线 | 追求分割基准的完整覆盖 |
| CORN-2 | 628+60 | 仅测试集 60 有分割注释 | 训练侧重增强，标注集中于评估 |
| CORN-3 | 403 | 全量四级标签 | 规模小但标签完备 |
| CORN1500 | 1500 | 全量四级标签 | 扩大分级规模 |
| CORN-Pro | 1120 | 全量多类 | 引入新目标的完整标注 |
| CORN-Complex | 7522 | 1429 穷尽 + 训练池 10% | 用弱监督换场景覆盖 |
读法：CORN-1/Pro 走"全量小规模"路线，CORN-Complex 走"大规模 + 稀疏标注"路线——两种路线不是替代关系，而是不同研究阶段（基准建立 vs 场景泛化）的互补选择。
§3 家族谱系：六年从单一任务到多病种资源
3.1 演化时间线
2019 ── CORN-1 神经分割（CS-Net, MICCAI 2019）
│ 1698 张 + ImageJ 中心线
2020 ── CORN-2 图像增强（StillGAN, MICCAI 2020）
│ 340+288 训练 / 60 测试
└── CORN-3 弯曲度分级（IEEE TMI 2020）
403 张四级 / 双观察者共识
~~~
── CORN1500 弯曲度扩展
1500 张（1200 训练 + 300 测试）
~~~
2024-07-19 ── Zenodo v1 发布（4 子集）
DOI 10.5281/zenodo.12776091
~~~
2025 ── CORN-Pro 神经+细胞分割（IEEE TMI 2025）
1120 张（LC + SC）
~~~
2026-04-22 ── Zenodo v2 发布（6 子集）
DOI 10.5281/zenodo.19689814
新增 CORN-Pro + CORN-Complex
3.2 从"单一任务"到"任务矩阵"的扩展逻辑
CORN 的演化遵循一条清晰的能力叠加路径：
- 先解决"能不能分割"：CORN-1 + CS-Net 建立基础神经分割能力；
- 再解决"图像不够好怎么办"：CORN-2 + StillGAN 处理低质量 CCM 图像的增强，并验证增强对分割的增益；
- 解决"分割之后能评估什么"：CORN-3/CORN1500 进入弯曲度分级（形态学量化）；
- 解决"除了神经还有什么"：CORN-Pro 引入朗格汉斯细胞（LC，免疫相关）与基质细胞（SC）分割；
- 解决"实验室数据 vs 真实临床"：CORN-Complex 引入 12 病种、6 中心、2 设备，直面域偏移与弱监督。
这一逻辑的可迁移经验：眼科/病理数据集的建设往往不是一次性采集，而是"核心任务→数据质量→下游量化→目标扩展→场景泛化"的渐进式叠加，CORN 是这一模式的完整样本（详见 §8）。
3.3 与同团队 ROSE 的平行演化
CORN 并非 iMED 团队的唯一数据集。同一团队构建的 ROSE（OCTA 视网膜血管分割基准，库内 rid 331）在方法学上与 CORN 高度平行：
| 维度 | CORN | ROSE |
|---|---|---|
| 成像 | 角膜共聚焦（CCM） | OCT 血管成像（OCTA） |
| 目标 | 角膜神经纤维 | 视网膜血管 |
| 结构类型 | curvilinear（曲线状） | curvilinear（曲线状） |
| 核心任务 | 分割 + 弯曲度分级 | 血管分割 |
| 团队 | iMED（赵一天团队） | iMED（赵一天团队） |
双重关联：CORN 与 ROSE 既"同团队"又"同结构类型"，是库内最强互链关系。做曲线状结构分割的研究者，往往同时使用或比较这两类数据（详见 §9）。
3.4 一句话家族总结
CORN 家族的本质是围绕"角膜基底神经丛"这一解剖目标，逐代补齐"分割→增强→量化→目标扩展→场景泛化"能力的数据集演化树，其价值不仅在于 1698/1500/7522 这些数字，更在于它示范了单一实验室如何用六年时间把一张神经网做成一个任务矩阵。
3.5 每一代解决的具体缺口
把演化逻辑落到"缺口—应对"的对照，能看清每一代的必要性：
| 代际 | 当时的缺口 | 应对 |
|---|---|---|
| CORN-1 | 没有公开的角膜神经分割数据 | 1698 张 + ImageJ 中心线 + CS-Net 基线 |
| CORN-2 | 临床 CCM 图像质量参差，低质图难分割 | 图像增强子集 + 绑定下游分割评估 |
| CORN-3 | 分割后缺少形态学量化的标准任务 | 四级弯曲度分级 + TMI 2020 方法 |
| CORN1500 | CORN-3 规模小，早期研究亟需更大规模分级 | 扩展至 1500 张（训练/测试划分明确） |
| CORN-Pro | 神经之外缺乏免疫/基质细胞分割数据 | 引入 LC/SC + 渐进蒸馏增量学习 |
| CORN-Complex | 实验室数据无法代表真实临床多样性 | 12 病种/6 中心/2 设备 + 弱监督设定 |
这张表的用途：当检索者在不同论文中遇到 CORN 的不同子集时，可据此判断"该子集是为解决哪一类问题而生"，避免无差别地把所有子集当作同质数据。
3.6 家族命名的一致性风险
CORN 家族的命名随版本演进出现过变化，检索时须留意：
- Zenodo 记录标题变化：v1 “CORN: Corneal nerve fiber dataset” → v2 “CORN: corneal confocal microscope dataset”；
- 子集别名：CORN-Pro 在部分描述中也被称为 CORN-4（“a new subset, CORN-4”），CORN-Pro 与 CORN-4 指同一子集；
- CORN1500 写作上标：官网写 CORN¹⁵⁰⁰，正文常写 CORN1500，两者相同；
- 团队名：iMED 亦有写作 iMED-Ningbo（Zenodo 引用格式）。
建议：跨源检索时以"子集编号 + 数量"双重锁定（如 “CORN-Pro / 1120”），比只认名称更可靠。
§4 标注工艺：中心线、共识与穷尽标注
4.1 CORN-1：中心线标注（centerline tracing）
CORN-1 的标注形式是神经纤维中心线（centerline），而非完整像素轮廓掩码。眼科医生在 ImageJ 中沿神经纤维的骨架逐条追描。理解这一点对使用数据至关重要：
- 中心线 = 1 像素宽的骨架路径：标注记录的是神经的走向与连接拓扑，而非神经的物理宽度；
- 下游任务影响：以中心线为真值训练的分割模型，预测的是"神经在哪条线上"，而非"神经占哪些像素"；若需要宽度信息，须自行沿法向扩张或改用轮廓标注；
- 算骨架指标友好：神经纤维长度（NFL）、分支点（branch points）、神经段数（segments）等指标可直接从中心线计算——这正是角膜神经临床量化（如 ACCMetrics 类工具）的核心指标。
经验注记：中心线标注比轮廓标注更快（医生只需画线不需描边），代价是丢失宽度维度。这是数据集在"标注成本 vs 信息完整度"上的自觉取舍。
4.2 CORN-3/CORN1500：双观察者共识（consensus GT）
弯曲度分级采用双观察者独立标注取共识的流程：
- 观察者 1：image analysis expert（图像分析专家）；
- 观察者 2：clinical author（临床作者，obs 1 & obs 2）；
- 流程：两人各自按"已发表协议（previously published protocol）"独立标注弯曲度等级，取两者共识作为真值（GT）；
- 四级定义：
- Level 1：神经几乎笔直（almost straight）——54 张
- Level 2：中度弯曲（moderately tortuous）——212 张
- Level 3：相当弯曲，方向变化幅度较大（quite tortuous）——108 张
- Level 4：极度弯曲，方向频繁变化（very tortuous）——29 张
共识机制的边界：共识只保留两人一致的样本，未披露分歧样本的处理与数量；因此 403 张是"达成共识"的子集，其数量小于初始候选集。四级分布严重不均衡（Level 1+2 占 66%，Level 4 仅 7.2%），是典型的序数不平衡分类设定。
4.3 CORN-Pro/CORN-Complex：多类穷尽标注
- CORN-Pro/CORN-4：由 image analysis expert 用 ITK-SNAP 标注，随后由 senior ophthalmologist（高级眼科医生）复核并纠正；两类目标——朗格汉斯细胞（LC）与基质细胞（SC）；
- CORN-Complex：1429 张代表性子集由两名图像分析专家穷尽标注（exhaustively annotated），再由一名高级眼科医生复核，提供 CN（角膜神经）与 LC（朗格汉斯细胞）真值；
- "穷尽标注"的含义：对该张图像中所有目标实例全部标注（而非抽样或弱标签），这是 CORN-Complex 在弱监督设定中保留的一个全标注锚点子集（1429 张）。
4.4 标注工具链总结
| 子集 | 工具 | 标注者 | 复核 |
|---|---|---|---|
| CORN-1 | ImageJ | 眼科医生 | 未单列 |
| CORN-3/1500 | （协议化分级） | 双观察者独立 | 取共识 |
| CORN-Pro | ITK-SNAP | 图像分析专家 | 高级眼科医生 |
| CORN-Complex | （多类标注） | 2 名图像分析专家 | 高级眼科医生 |
共性：所有子集都坚持**“临床医生/眼科专家深度参与”**——标注者或是眼科医生本身，或由高级眼科医生复核。这保证了真值的临床可信度，代价是标注规模受专家时间约束（CORN-1 仅 1698 张、CORN-Complex 仅 1429 张穷尽标注）。
4.5 标注质量的潜在变异来源
尽管 CORN 强调专家参与，以下变异来源在使用时仍需警惕：
- 中心线的边缘判定：神经边缘模糊处，医生画线的位置可有数像素差异；
- 共识机制的样本选择：CORN-3 取共识意味着分歧样本被排除，可能过滤掉了"边界案例"，使分级任务比真实分布略简单；
- 跨批次标注一致性：1698 张 CORN-1 若分多批次标注，早期与晚期可能存在风格漂移（公开描述未披露批次信息）；
- 跨设备标注差异：CORN-Complex 跨两种设备，标注者对不同设备图像的判读习惯可能不同；
- 单专家复核的局限：高级眼科医生复核仍是单一终审，未采用多专家委员会投票。
使用建议：把标注视为"高质量的单一参考真值"，而非"绝对客观的物理测量"；在论文中声明所用真值的来源与可能的变异。
4.6 从中心线到分割掩码的转换规范
若下游需要轮廓掩码而非中心线，推荐一套可复现的转换流程（供参考，非官方）：
- 骨架化约定：确认获得的标注确为 1 px 骨架，必要时对原始标注做骨架化（skeletonize）；
- 法向膨胀：估计目标神经宽度（依 1.04 μm/px 换算，神经直径为数微米），沿中心线法向对称膨胀（常见 3–5 px）；
- 断裂修复：对膨胀后仍不连通的细段，用形态学闭运算补齐（注意不要过度连接相邻神经）；
- 真值声明：明确标注"本掩码由中心线膨胀得到"，宽度为超参数，避免与其他研究直接比较 Dice 时口径不一致。
核心原则：中心线 → 掩码的转换会引入不可忽略的口径差异，任何此类转换都必须在方法学中显式声明宽度参数。
§5 任务矩阵：五种任务、五套基线
5.1 任务总览
| 任务 | 子集 | 输入→输出 | 基线方法 | 论文 |
|---|---|---|---|---|
| 神经分割 | CORN-1 | CCM 图像 → 神经中心线掩码 | CS-Net | MICCAI 2019 |
| 图像增强 | CORN-2 | 低质 CCM → 高质 CCM | StillGAN | MICCAI 2020 |
| 弯曲度分级 | CORN-3 / 1500 | CCM 图像 → 四级弯曲度 | TMI 2020 方法 | IEEE TMI 2020 |
| 神经+细胞分割 | CORN-Pro | CCM 图像 → 神经/LC/SC 掩码 | 渐进蒸馏增量学习 | IEEE TMI 2025 |
| 多病种分割 | CORN-Complex | 多设备 CCM → CN + LC 掩码 | （半监督基准） | v2 新增 |
5.2 任务一：神经分割（CS-Net）
CORN-1 的第一个官方基线是 CS-Net（Channel and Spatial Attention Network），发表于 MICCAI 2019（“Channel and Spatial Attention Network for Curvilinear Structure Segmentation”）。核心思想：在分割网络中引入通道注意力 + 空间注意力双注意力模块，以强化对细长曲线结构（神经、血管）的响应，抑制背景干扰。
为什么注意力对神经分割有效：角膜神经在 384×384 图像中仅占约 1.4% 像素（中位 2064/147456），是典型的小目标细长结构；标准卷积网络容易把细神经"漏掉"或"断开"，注意力机制通过重加权通道与空间位置，让网络更聚焦于神经所在区域。
5.3 任务二：图像增强（StillGAN）
CORN-2 的基线是 StillGAN（Stop-GAN / Cycle Structure and Illumination Constrained GAN），MICCAI 2020。它把低质量 CCM 图像增强为高质量图像，约束包括：
- Cycle structure constraint：循环一致性，保证增强前后结构不变；
- Illumination constrained：光照约束，处理 CCM 的亮度不均；
- 下游验证：CORN-2 在 60 张低质量测试图像上附了中心线分割注释，用于评估"增强是否真的帮助分割"——这是把增强任务与下游任务绑定评估的设计亮点。
5.4 任务三：弯曲度分级（CORN-3/1500）
弯曲度（tortuosity）是角膜神经的形态学量化指标。CORN-3 与 CORN1500 将弯曲度离散化为四级分类任务，对应 IEEE TMI 2020 的"Automated Tortuosity Analysis of Nerve Fibers in Corneal Confocal Microscopy"。这是一个**序数分类（ordinal classification）**问题——级别有序（笔直→弯曲），但方法上常被当作普通多分类处理。
5.5 任务四：神经+细胞分割（CORN-Pro）
CORN-Pro 把目标从神经扩展到朗格汉斯细胞（LC，Langerhans cells）与基质细胞（SC，stromal cells）：
- LC 的临床意义：朗格汉斯细胞是角膜的免疫细胞，其密度变化与角膜炎症、干眼、移植排斥相关；
- 为什么补这个缺口：官方明言"据我们所知，此前没有公开数据集用于 LC 或 SC 的分割"——CORN-Pro 填补了这一空白；
- 方法：CORN-Pro 论文（IEEE TMI 2025）提出渐进蒸馏增量学习（progressive distillation for incremental learning），即在已有神经分割能力上增量学习新类别而不遗忘旧类别。
5.6 任务五：多病种分割（CORN-Complex）
CORN-Complex 把任务推向真实临床复杂度：12 种病理、6 中心、2 设备，训练池仅 10% 标注。它的评测目标是半监督/弱监督条件下的 CN + LC 分割鲁棒性，本质上是检验"当训练标注稀少、来源多样时，分割模型能否泛化"。
5.7 任务间的迁移关系
CORN 五个任务并非孤立，存在可迁移的依赖链：
CORN-1（分割能力）
│
├──→ CORN-2（增强后用 CORN-1 模型评估分割增益）
│
├──→ CORN-3 / CORN1500（分割出的中心线 → 弯曲度分级）
│
├──→ CORN-Pro（在神经分割能力上增量学习 LC/SC）
│
└──→ CORN-Complex（把分割能力推向多病种弱监督）
读法：CORN-1 是整个家族的方法学地基；其余子集或在它之上评估增强增益（CORN-2），或消费它的输出（弯曲度需要神经骨架），或扩展它的目标类别（CORN-Pro），或检验它的泛化极限（CORN-Complex）。因此理解了 CORN-1 的分割设定，就理解了整个家族的入口。
5.8 官方基线与代码的对应
| 子集 | 基线 | 代码仓库（GitHub iMED-Lab） |
|---|---|---|
| CORN-1 | CS-Net | iMED-Lab/CS-Net |
| CORN-2 | StillGAN | iMED-Lab/StillGAN |
| CORN-3/1500 | TMI 2020 方法 | 随论文/仓库 |
| CORN-Pro | 渐进蒸馏增量学习 | 随 TMI 2025 论文 |
提醒：代码开源但数据受限——官方仓库通常提供模型与训练代码，数据仍需单独申请。复现前请确认两者获取渠道不同。
§6 获取与许可：请求制的门怎么进
6.1 三层信息：许可、访问、用途
CORN 的获取条件需要分三层理解，缺一不可：
| 层级 | 内容 | 来源 |
|---|---|---|
| 记录级许可 | CC BY-4.0 | Zenodo API license.id |
| 访问权 | restricted（受限） | Zenodo API access_right |
| 用途限制 | academic research use only（仅限学术研究） | 官网 imed.nimte.ac.cn |
结论：名义上是开放许可（CC BY-4.0），实际是请求制受限访问 + 限学术用途。检索者必须走申请流程，不能因为看到 CC BY-4.0 就认为可以自由下载再分发。
6.2 申请流程（实操）
- 登录 Zenodo（需账号）；
- 访问记录页（v2：
https://zenodo.org/records/19689814；v1：https://zenodo.org/records/12776091）； - 点击 Request access；
- 在 Request message 框内按格式填写：
Your Name - Your Organization - Your Main Works - Your Usages About This Dataset（姓名 - 机构 - 主要工作 - 本数据集用途）； - 注意：Zenodo 明确"若不提供上述信息，请求将被忽略"；
- 等待审批，通过后获得下载权限。
6.3 三个入口的区别
- 官网：
https://imed.nimte.ac.cn/corn.html——信息总览页，给出 Zenodo 链接与"仅学术用途"声明； - Zenodo v1：
https://doi.org/10.5281/zenodo.12776091——4 子集（CORN-1/2/3/1500）； - Zenodo v2：
https://doi.org/10.5281/zenodo.19689814——6 子集（最新，含 CORN-Pro/CORN-Complex）； - 概念 DOI：
https://doi.org/10.5281/zenodo.12776090——跨版本恒定入口，指向最新版。
检索建议：直接访问概念 DOI 或 v2，避免误取旧版 4 子集。
6.4 版本链与"最新版"判定
- v1（12776091）：2024-07-19 发布，版本标记 v1，页面提示"There is a newer version"；
- v2（19689814）：2026-04-22 发布，
relations.version.is_last = true，当前最新版； - 两版共享 conceptrecid 12776090 → 概念 DOI 恒定。
注意标题变化：v1 标题为 “CORN: Corneal nerve fiber dataset”，v2 改为 “CORN: corneal confocal microscope dataset”——标题变了但概念 DOI 不变，检索时认 DOI 后缀，别只认标题。
6.5 代码与模型的获取
各子集的基线代码在 GitHub 组织 iMED-Lab 下开源（如 CS-Net、StillGAN 仓库）。代码与数据的许可可能不同——数据请求制，代码通常开源，使用前请分别核对。
6.6 许可口径张力的深度解读
CORN 的"CC BY-4.0 + restricted + academic only"三层结构值得单独展开，因为它是 AI-Ready 评估的典型难点：
为什么会出现这种结构？
Zenodo 的 license 字段描述的是"一旦你获得文件，你可以怎么用"（再分发、改编需署名等）；而 access_right 描述的是"你能不能拿到文件"。两者是正交维度。CORN 团队选择了"开放许可 + 受限访问"，可能的原因是：既希望使用者在获授权后能自由使用/改编（CC BY-4.0 允许），又希望在发放环节能筛选用途（防止商用或滥用）并追踪使用者。
对使用者的实际含义：
- 不能因为 CC BY-4.0 就跳过申请——访问权是前置闸门；
- 获得文件后，改编、再分发需遵守 CC BY-4.0（署名）；
- 但用途被限制在学术研究——即使 CC BY-4.0 允许商用，官网的 academic only 声明优先；
- 若发表基于 CORN 的成果，建议在方法学中说明数据获取经过申请。
对比参照：这与库内完全开放直链的数据集（如 HuggingFace 上 gated=false 的公开集）形成鲜明对照，是评估数据集"可获取性光谱"位置的教学样本。
6.7 获取失败时的备选路径
若申请受阻（如审批周期长、用途不符），可考虑的公开替代方案：
- 曲线结构分割替代：DRIVE(241)、STARE(788)、CHASE_DB1(251)、HRF(261)、ROSE(331)——视网膜血管分割，多可公开获取，可先用其验证方法；
- 眼科影像替代：OCTA-500(341)、octdl(690)、octid(697)——公开 OCT/OCTA 数据集；
- 糖尿病并发症替代：DeepDRiD(211)、DDR(201)、IDRiD(191)——糖尿病视网膜病变，主题相关但模态不同。
注意：替代数据只能用于"方法验证"，不能替代 CORN 回答角膜神经本身的问题——角膜是角膜，视网膜是视网膜。
§7 评估与基准：从分割指标到形态学量化
7.1 评估指标的层次
CORN 家族任务多样，评估指标需按任务对应：
| 任务 | 典型指标 | 说明 |
|---|---|---|
| 神经分割（CORN-1） | Dice / IoU / 敏感性 / 特异性 | 像素级重叠；因类别不平衡，主张同时报敏感性 |
| 图像增强（CORN-2） | PSNR / SSIM + 下游分割增益 | 结构相似性 + 增强后分割提升 |
| 弯曲度分级（CORN-3/1500） | 准确率 / 混淆矩阵 | 四级序数分类，注重相邻级混淆 |
| 细胞分割（CORN-Pro） | Dice（按类） | LC / SC 分类别报告 |
| 多病种（CORN-Complex） | Dice + 泛化性 | 跨中心/跨设备子集表现 |
7.2 分割任务的类别不平衡陷阱
CORN-1 的神经前景中位仅 2064 px（约 1.4% 画面），意味着一味优化 Dice 可能掩盖模型"只会输出背景"的退化。建议：同时报告 sensitivity（真阳率）与 specificity，并对细神经（最小 6 px 的前景）单独评估——最小前景仅 6 像素的图像是模型鲁棒性的极端测试点。
7.3 临床量化指标的对接
角膜神经的临床评估并不止于分割掩码，而是进一步计算形态学指标：
- 神经纤维长度（NFL, Nerve Fibre Length）——单位面积神经总长度；
- 神经纤维密度（NFD, Nerve Fibre Density）——单位面积神经长度；
- 分支点数量（Branch Points）——神经分叉计数；
- 神经段数（Nerve Segments）——独立神经段计数；
- 弯曲度（Tortuosity）——方向变化程度。
这些指标可从 CORN-1 的中心线直接计算，或从 CORN-3/1500 的分级得到序数近似。CORN 家族与临床工具（如 ACCMetrics 类的自动化分析软件）在指标定义上有交集——这是数据集"可对接临床"的关键。
7.4 与外部方法的对照（务必区分同名数字）
一项针对糖尿病神经病变 AI 诊断的研究（利物浦大学等团队，发表在 Diabetologia 谱系）报告：
- 训练用 1698 张 CCM 图像，外部验证 2137 张；
- 其深度学习算法在多项 ICC 上优于 ACCMetrics（如总神经纤维长度 ICC 0.933 vs 0.825；分支点 0.891 vs 0.570）；
- 分类表现：AUC 0.83，特异性 0.87，敏感性 0.68。
【重要存照】 该研究的 “1698 张” 与 CORN-1 的 1698 张数值巧合但来源不同：该研究的数据来自帕多瓦大学 BioImLab 公开数据集（bioimlab.dei.unipd.it），而 CORN-1 是 iMED 团队组织、含北大三院与 BioImLab 来源的独立集合。两者不可混为一谈（详见 §10 坑点 2）。此处列出仅为说明"角膜神经分割→临床量化"的研究链条，不代表 CORN-1 本身有该研究的具体指标。
7.5 评估的公平性要求
在 CORN 各子集上做基准对比时，为公平起见应满足：
- 统一折划分：使用官方 test/training/val 划分（CORN-1）或官方 376/376/6770 划分（CORN-Complex），不要自定义；
- 统一前景定义：中心线真值下，模型输出若为区域，须声明后处理（骨架化或膨胀）；
- 报告类别级指标：CORN-Pro/Complex 应按 CN / LC / SC 分类报告，而非只报宏平均；
- 跨设备分层：CORN-Complex 应按设备（Confoscan vs HRT-III）分层报告，暴露域偏移；
- 标注密度披露：弱监督设定下须说明使用了多少标注。
7.6 从分段到临床终点的鸿沟
需要清醒认识：分割指标高 ≠ 临床诊断准。CORN 分割/分级是中间任务，其临床价值经由形态学指标（NFL、分支点、弯曲度）传导到诊断（如糖尿病神经病变的 Toronto 标准）。研究建议：若目标是临床诊断模型，应在分割评估之外，接入下游形态学指标与诊断标签做端到端验证；仅报 Dice 无法证明临床可用。
7.7 与库内基准的可比性
CORN-1 的神经分割可与库内视网膜血管分割基准（DRIVE/STARE/CHASE_DB1/HRF/ROSE）在方法层面互参（如注意力机制、骨架 loss、类别不平衡处理），但指标数值不可直接比较——不同模态、不同目标、不同真值形式（中心线 vs 轮廓）导致绝对数值不可迁移。建议：跨数据集只比较方法的相对提升（如"比 U-Net 提升 X%），不比较绝对 Dice。
§8 方法学启示：三条可迁移的经验
8.1 数据集可以"逐代叠加能力"，不必一次建成
CORN 最有价值的经验不是某一张图，而是它的演化策略：先建核心任务（分割），再补数据质量（增强），再加下游量化（弯曲度），再扩目标类别（细胞），最后扩场景（多病种多中心）。这种"渐进式扩展"降低了单次建库的风险，也让每一代成果都能独立发表与引用。对建库者的建议：与其追求一次采集覆盖所有任务，不如先锁定一个可发表的核心任务与基线，再用增量扩展保持数据集活跃。
8.2 "专家深度参与"是可复制但昂贵的质量锚
CORN 全家族的标注都锚在临床专家上：眼科医生画线、高级眼科医生复核、双观察者取共识。这保证真值临床可信，但直接限制了规模（CORN-1 仅 1698 张、穷尽标注仅 1429 张）。可迁移的做法：在核心子集上用专家全标注作为"质量锚"，在扩展子集上用弱监督/半监督放大规模（CORN-Complex 的 1429 穷尽标注 + 6770 弱标注正是这一策略的体现）。
8.3 标注形式的取舍要显式声明
CORN-1 用中心线而非轮廓，CORN-3 用四级序数而非连续曲率——这些取舍都会被下游误用。经验：使用任何标注数据集前，务必先读清"标注到底是什么形状/粒度"，因为中心线训练出的模型与轮廓训练出的模型在下游表现不同。数据集的"标注形式"与其"图像数量"同等重要。
8.4 曲线状结构分割的跨域迁移
角膜神经（CORN）与视网膜血管（DRIVE/STARE/ROSE）都是曲线状结构，两者方法可互通。CORN-1 的 CS-Net 采用注意力机制处理细长结构，这一思路同样适用于血管分割。研究机会：跨域预训练（血管→神经 或 神经→血管）是否提升小样本场景表现，是一个用 CORN + 视网膜血管数据集可直接验证的问题。
8.5 "任务绑定评估"的设计智慧
CORN-2 的一个细节值得单独强调：它在图像增强子集的测试集上额外提供了分割注释，使增强任务的评估不止于 PSNR/SSIM，而能直接问"增强是否改善了分割"。这是一种**“任务绑定评估”**设计——把上游任务（增强）的成败绑定到下游任务（分割）的实际收益上，避免"指标好看但没用"。可迁移经验：任何预处理/增强类数据集都应尽量提供可量化下游收益的标注，否则使用者难以判断其真实价值。
8.6 版本化发布对数据集寿命的意义
CORN 用 Zenodo 的版本机制（v1 → v2）管理增量扩展，概念 DOI 保持恒定。这带来三个好处：可引用（概念 DOI 永远指向最新）、可追溯（旧版仍可访问）、可增量（新子集作为新版发布）。对建库者的启示：与其一次性发布"完成态"，不如用版本化平台持续发布增量，既保证引用稳定性，又让数据集随团队产出持续更新。
8.7 弱监督是扩展规模的现实路径
CORN-Complex 用"1429 穷尽标注 + 6770 弱标注（10%）"的组合，示范了在专家时间受限下如何扩展到 7500+ 规模。核心权衡：全标注换质量，弱监督换规模；两者不是非此即彼，而是可用"小规模全标注锚点 + 大规模弱标注"的混合策略兼顾。这一策略对任何面临"标注瓶颈"的医学影像数据集都有参考价值。
§9 与库内条目的关系
9.1 家族图谱与互链优先级
CORN 在库内的互链分三层：
第一层（最强，同团队 + 同方法学）：
- ROSE（rid 331）——OCTA 视网膜血管分割基准，同一 iMED 团队（赵一天团队），同属曲线状结构分割，是本条目最强互链点。
第二层（方法学同源：曲线状结构/血管分割）：
- DRIVE（rid 241）、STARE（rid 788）、CHASE_DB1（rid 251）、HRF（rid 261）——视网膜血管分割经典基准；
- FIVES（rid 741）——视网膜血管分割彩色眼底图；
- WOIVES（rid 865）——OCTA 视网膜血管分割。
第三层（眼科影像家族与临床主题）：
- OCTA-500（rid 341）、OCTA-25K（rid 859）、octdl（rid 690）、octid（rid 697）、oct2017（rid 311）——OCT/OCTA 家族；
- Pentacam-KC（rid 857）——角膜地形图圆锥角膜分期（角膜级互链，同为角膜，但任务为地形图分期）；
- AGE AS-OCT（rid 858）——眼前节 OCT 房角评估（眼前节互链）；
- DeepDRiD（rid 211）、DDR（rid 201）、IDRiD（rid 191）、EyePACS（rid 58）、APTOS 2019（rid 61）、MESSIDOR（rid 59）——糖尿病视网膜病变眼底家族（与"糖尿病周围神经病变"主题互补：一个看眼底微血管，一个看角膜神经）。
需标注区分（非同类）：
- us-nerve-seg（rid 537）——颈部超声臂丛神经分割，虽含 “nerve” 但属超声模态，与角膜无关。
9.2 检索路径建议
- 做曲线结构分割算法：CORN-1 ←→ ROSE / DRIVE / STARE / CHASE_DB1 / HRF（同一方法谱系，可交叉验证注意力机制、骨架 loss 等）；
- 做眼科多模态：CORN ←→ OCTA-500 / octdl / Pentacam-KC / AGE AS-OCT（角膜 → 眼前节 → 眼底的完整眼科影像链）；
- 做糖尿病并发症：CORN（周围神经病变）←→ DeepDRiD / DDR / IDRiD（视网膜病变）——同一疾病的两个观察窗口；
- 做医学数据集方法论：CORN（家族演化 + 请求制许可）可与其他"许可异构/版本演进"的库内条目对照阅读。
9.3 与库内许可光谱的对照
CORN 的"名义 CC BY-4.0 + 实际 restricted + 限学术用途"三层结构，可与库内其他"请求制/受限访问"数据集对照，用于研究数据集的可获取性光谱——从完全开放直链（如 HuggingFace 公开）到请求制（CORN 类）再到完全私有，CORN 处于中间地带，是评估"AI-Ready 程度"的典型案例。
9.4 主题互补：角膜神经 vs 视网膜血管
CORN 与库内视网膜血管数据集构成一对**“同疾病、不同观察窗口”**的互补关系：
| 角膜神经（CORN） | 视网膜血管（DRIVE/ROSE 等） | |
|---|---|---|
| 解剖 | 角膜基底神经丛 | 视网膜血管网 |
| 疾病关联 | 糖尿病周围神经病变 | 糖尿病视网膜病变 |
| 模态 | 共聚焦（CCM） | 眼底彩照 / OCTA / 荧光造影 |
| 任务 | 神经分割、弯曲度 | 血管分割 |
| 共同点 | 曲线状结构、细长目标 | 曲线状结构、细长目标 |
研究切入点：糖尿病同时损害周围神经与视网膜微血管，把 CORN（神经）与 DeepDRiD/DDR/IDRiD（视网膜）联合研究，可探索"同一代谢疾病的两种微血管/神经损伤能否用统一模型刻画"，这是跨条目最有价值的研究路径之一。
9.5 角膜专题的完整覆盖
在"角膜"这一更窄的专题上，CORN 与库内条目形成层次：
- CORN：角膜神经（共聚焦显微）——本条目；
- Pentacam-KC（rid 857）：角膜地形图圆锥角膜分期——宏观角膜形态；
- AGE AS-OCT（rid 858）：眼前节 OCT 房角评估——前房结构。
三者覆盖**角膜神经（显微）→ 角膜形态（地形）→ 前房结构（OCT）**的不同尺度，构成角膜影像的纵向谱系。
9.6 建议的互链写法
若库内实现互链，建议在 CORN 条目下优先链接：
- ROSE（rid 331）——置于首位（同团队 + 同方法学）；
- DRIVE(241) / STARE(788) / CHASE_DB1(251) / HRF(261)——曲线结构分割方法谱系；
- Pentacam-KC(857) / AGE AS-OCT(858)——角膜专题；
- DeepDRiD(211) / DDR(201) / IDRiD(191)——糖尿病并发症主题；
- 并在条目内明确标注
us-nerve-seg(537)为非同类（超声神经），防止误链。
9.7 与库内数据集设计范式的对照
CORN 的家族式演化可与其他库内数据集的建库范式对照，凸显其独特之处：
| 范式 | 代表 | 特征 |
|---|---|---|
| 家族式增量 | CORN | 单一解剖目标，逐代叠加任务 |
| 挑战赛驱动 | DRIVE / CHASE_DB1 | 以竞赛组织，固定提交评估 |
| 队列采集 | OCTA-500 / 眼科队列类 | 一次性大规模采集 |
| 重标注升级 | （库内 PANDA-PLUS 型） | 对已有数据集重新标注 |
CORN 的定位：它是"家族式增量"范式在眼科领域的完整样本——六个子集跨越六年，每一代都与特定论文绑定。这种范式的好处是数据集与研究成果同步生长，坏处是使用者需要理解子集边界，不能简单当作"一个大数据集"。
9.8 检索者的一页路线图
你要做角膜神经相关工作？
├─ 分割 → CORN-1（1698，中心线，CS-Net）
├─ 增强 → CORN-2（StillGAN）
├─ 弯曲度 → CORN-3（403）/ CORN1500（1500）
├─ 免疫/基质细胞 → CORN-Pro（1120，ITK-SNAP）
├─ 多病种泛化 → CORN-Complex（7522 / 518 患者）
├─ 方法参考（血管） → ROSE(331)/DRIVE(241)/STARE(788)/CHASE_DB1(251)/HRF(261)
├─ 角膜其他尺度 → Pentacam-KC(857)/AGE AS-OCT(858)
└─ 糖尿病并发症 → DeepDRiD(211)/DDR(201)/IDRiD(191)
注：CORN 全部子集均为请求制访问，若需公开直链作方法验证，优先考虑视网膜血管数据集。
§10 避坑清单：八个已踩过的坑
坑 1：把 CC BY-4.0 当作"可自由下载再分发"
这是检索者最容易踩的坑。Zenodo 记录级标 CC BY-4.0，但 access_right = restricted，官网声明 only for academic research use。正确做法：把 CC BY-4.0 理解为"获授权后的使用条件"，获取仍须走 Request access 申请流程，且用途限学术研究。
坑 2：把两个"1698"当成同一个数据集
CORN-1 是 1698 张 CCM，但利物浦大学等团队的糖尿病神经病变 AI 研究训练集也是 1698 张 CCM（来自帕多瓦 BioImLab 公开数据集）。两者数值巧合、来源不同。引用时务必注明数据来源，避免张冠李戴。
坑 3：把 CORN-3 的 403 张当作 CORN-1 的子集
CORN-3（403 张弯曲度）“based on CCM-A”，是独立的图像集合，不是 CORN-1（1698 张）的子集。同样，CORN1500 的 1500 张也自成一体。各子集数量不可相加或混算。
坑 4：只认标题不认 DOI，误下旧版
v1 标题 “CORN: Corneal nerve fiber dataset”（4 子集），v2 标题 “CORN: corneal confocal microscope dataset”（6 子集）——标题变了。认概念 DOI 10.5281/zenodo.12776090 或 v2 DOI ...19689814，避免误取旧版漏掉 CORN-Pro/CORN-Complex。
坑 5：把中心线标注当作轮廓掩码使用
CORN-1 的标注是中心线（骨架），非完整轮廓。直接用中心线训练"神经像素占比"类任务会系统性低估神经面积。需要宽度信息时必须自行扩张。
坑 6：忽略类别极端不平衡
CORN-1 前景中位仅约 1.4%，最小前景仅 6 px。只看准确率或 Dice 会被背景主导。评估须报敏感性/特异性并关注细神经。
坑 7：申请时漏填必需信息导致被拒
Zenodo 明确要求 Request message 按 姓名 - 机构 - 主要工作 - 用途 格式填写，“若不提供上述信息，请求将被忽略”。漏填 = 直接被忽略，不是被拒理由，而是不进入评审。
坑 8：把 CORN-Complex 的弱监督标注当全标注用
CORN-Complex 训练池 6770 张中仅 677 张（10%）有标注，只有 1429 张代表性子集是穷尽标注。误当全量标注会高估数据可用量。使用前须确认所取子集的标注密度。
坑 9（补充）：跨设备直接混合训练未做域适配
CORN-Complex 含两种设备（Confoscan 3.0 与 HRT-III），对比度与噪声分布不同。直接混合训练可能因域偏移损害性能，建议按设备分层评估或做域适配。
坑 10（补充）：把 us-nerve-seg 误当角膜神经数据
库内 us-nerve-seg（rid 537）是超声臂丛神经分割，与角膜神经（CORN）无关，仅名称含 “nerve”。检索互链时须区分模态。
坑 11（补充）：把 CORN-2 的测试集注释当成全数据集分割注释
CORN-2 只有 60 张测试图像附有中心线分割注释，其余为增强任务（无分割注释）。误当全量分割注释会严重高估可用量。
坑 12（补充）：混淆 CORN-Pro 与 CORN-4 两个名字
“CORN-Pro” 与 “CORN-4” 指同一子集（官方原文 “a new subset, CORN-4”）。检索时不应把两者当作不同数据集。
坑 13（补充）：按官网 2019 年日期判断数据过时
官网页面"更新日期 2019-07-10"是页面初版锚点，CORN 家族实际持续更新至 2026 年 v2。以 Zenodo 版本与 DOI 判断时效，而非官网日期。
坑 14（补充）：假设患者级临床变量可用
CORN-1 未披露患者数；CORN-Complex 披露 518 患者但个体级临床变量未公开。需要血糖、病程等变量者，公开数据不含，须另行联系团队。
坑 15（补充）：忽略跨设备域偏移
CORN-Complex 混合 Confoscan 3.0 与 HRT-III 两设备图像（不同成像系统，对比度与噪声不同）。直接混合训练可能因域偏移损害性能，建议按设备分层或做域适配。
坑 16（补充）：以为获得授权后可自由商用
记录级 CC BY-4.0 允许商用，但官网"academic research use only"限制优先，商用须单独联系团队。切勿以 CC BY-4.0 为由商用。
坑 17（补充）：把弯曲度四级当作连续值回归
CORN-3/1500 提供的是四级序数标签，不是连续曲率。若做回归需自建连续真值，不能把 1/2/3/4 直接当数值回归（序数 ≠ 等距）。
坑 18（补充）：忽略类别极不平衡而只优化 Dice
CORN-1 神经前景中位约 1.4%、最小 6 px。纯 Dice 优化可能退化为"输出全背景"。必须加入前景重加权/敏感性指标。
§11 总结
11.1 三句话总结
- CORN 是角膜共聚焦显微镜图像的六子集家族，CORN-1 为核心（1698 张 384×384 CCM + 眼科医生 ImageJ 手绘神经中心线），衍生增强（CORN-2）、弯曲度分级（CORN-3/1500）、细胞分割（CORN-Pro）、多病种（CORN-Complex）。
- 它的临床价值在于把"角膜神经形态"变成可计算数据——角膜神经是糖尿病周围神经病变、干眼症、角膜感染的早期无创标志，CORN 让自动分割、分级与量化成为可能。
- 获取是请求制：Zenodo 记录级 CC BY-4.0 但实际 restricted + 仅限学术研究，须填必需信息申请；认 v2 DOI（6 子集）或概念 DOI，别下错版本。
11.2 适合谁
- 做曲线状结构/细长目标分割的算法研究者（可与视网膜血管数据集交叉验证）；
- 做眼科影像 AI（角膜神经、共聚焦）的研究者；
- 做糖尿病周围神经病变无创筛查模型的研究者；
- 研究医学数据集生命周期/许可异构/弱监督标注设计的方法学者。
11.3 不适合谁
- 需要大样本患者级临床数据做流行病学分析者（CORN 以图像级为主，患者数仅 CORN-Complex 披露）；
- 需要完整神经轮廓/宽度真值者（CORN-1 仅中心线）；
- 需要连续弯曲度真值（而非四级序数）者；
- 期待开箱即用公开直链者（须走请求制申请）。
11.4 30 秒决策卡
| 你的需求 | 前往 |
|---|---|
| 角膜神经分割 | CORN-1（1698 张，中心线） |
| 低质 CCM 增强 | CORN-2（StillGAN 基线） |
| 弯曲度分级 | CORN-3（403）/ CORN1500（1500） |
| 神经+免疫细胞分割 | CORN-Pro（LC/SC，1120 张） |
| 多病种多中心 | CORN-Complex（7522 张/518 患者/12 病理） |
| 申请下载 | Zenodo v2 doi.org/10.5281/zenodo.19689814 提交 Request access |
| 同名替代（非角膜） | us-nerve-seg(537) 是超声，别混 |
FAQ（高频问答 20 问）
A. 基础认知
- CORN 是玉米数据集吗？ 不是。“CORN” 是 COrneal Nerve（角膜神经）缩写。
- CORN 是谁做的？ 中科院宁波材料所 iMED 医疗影像/眼科影像团队（赵一天、牟磊等）。
- CORN 有几个子集？ v2 为六个：CORN-1/2/3/1500/Pro/Complex。
- CORN 的成像原理？ 角膜共聚焦显微镜（CCM），用 HRT-III/RCM 在活体无创成像角膜基底神经丛。
- 为什么角膜神经重要？ 是糖尿病周围神经病变、干眼症、角膜感染、神经退行的早期无创标志。
B. 数据与规格
- CORN-1 多少张？ 1698 张，384×384 px，FOV 400×400 μm²。
- CORN-1 标注是轮廓还是中心线？ 中心线（骨架），眼科医生用 ImageJ 手绘。
- 数据来自哪些医院？ 北京大学第三医院 + 帕多瓦大学（120 张来自 BioImLab）。
- CORN-2 干什么？ 图像增强，低质→高质，训练 340 低质+288 高质，测试 60 低质。
- CORN-3 和 CORN1500 区别？ 都是弯曲度分级；CORN-3 为 403 张，CORN1500 为 1500 张（1200 训练+300 测试）。
- CORN-Pro 分割什么？ 朗格汉斯细胞（LC）与基质细胞（SC），以及神经。
- CORN-Complex 规模？ 7522 张/518 患者/12 病理/6 中心/2 设备，1429 张穷尽标注。
C. 获取与许可
- CORN 免费吗？ 免费，但需申请，且仅限学术研究用途。
- 怎么下载？ Zenodo 记录页登录后点 Request access，按
姓名-机构-主要工作-用途填写，审批后下载。 - 许可是什么？ 记录级 CC BY-4.0，但实际 restricted 受限访问 + 学术用途限定。
- 有公开直链吗？ 没有。restricted 记录不提供直链。
- 哪个版本最新？ v2（2026-04-22，6 子集，DOI …19689814）；概念 DOI
...12776090恒定。 - 代码在哪？ GitHub 组织 iMED-Lab（CS-Net、StillGAN 等）。
D. 方法与使用
- CORN-1 的基线方法？ CS-Net（MICCAI 2019，通道+空间注意力）。
- 用 CORN-1 训练要注意什么？ 类别极端不平衡（前景约 1.4%）、标注为中心线、需报敏感性/特异性。
事实清单（硬事实 30 条）
- CORN = COrneal Nerve Database，中科院宁波材料所 iMED 团队维护。
- CORN-1 = 1698 张 CCM 图像，384×384 px，FOV 400×400 μm²。
- CORN-1 采集设备：Heidelberg Retina Tomograph + Rostock Cornea Module（HRT-III）。
- CORN-1 标注：眼科医生用 ImageJ 手绘神经中心线。
- CORN-1 来源：北京大学第三医院 + 帕多瓦大学；其中 120 张原始图像来自 BioImLab。
- CORN-1 标签统计：1680 张含神经（98.9%），前景最小 6 px / 中位 2064 px / 最大 4874 px。
- CORN-2 = 图像增强，340 低质 + 288 高质（训练）/ 60 低质（测试），测试集含中心线注释。
- CORN-2 基线：StillGAN（MICCAI 2020）。
- CORN-3 = 403 张弯曲度四级（Level 1: 54 / Level 2: 212 / Level 3: 108 / Level 4: 29）。
- CORN-3 标注：双观察者（图像分析专家 + 临床作者）独立标注取共识。
- CORN1500 = 1500 张弯曲度（1200 训练 + 300 测试）。
- CORN-Pro（CORN-4）= 1120 张（560 神经+LC / 560 神经+SC），距角膜前表面 40-60 μm。
- CORN-Pro 标注：ITK-SNAP，图像分析专家标注 + 高级眼科医生复核。
- CORN-Pro 基线：渐进蒸馏增量学习（IEEE TMI 2025）。
- CORN-Complex = 7522 张 / 518 患者 / 12 病理 / 6 中心 / 2 设备。
- CORN-Complex 划分：测试 376 / 验证 376 / 训练池 6770（10%=677 标注）。
- CORN-Complex 穷尽标注：1429 张代表性子集（CN + LC），2 名专家标注 + 高级眼科医生复核。
- CORN-Complex 12 病理含：真菌/病毒性角膜炎、ABMD、神经营养性角膜炎、圆锥角膜、Fuchs、干眼、糖尿病等。
- CORN-1 首篇论文：CS-Net（MICCAI 2019）。
- CORN-3 论文：Automated Tortuosity Analysis（IEEE TMI 2020）。
- Zenodo v1：2024-07-19，4 子集，DOI 10.5281/zenodo.12776091。
- Zenodo v2：2026-04-22，6 子集，DOI 10.5281/zenodo.19689814，is_last=true。
- 概念 DOI：10.5281/zenodo.12776090（跨版本恒定）。
- Zenodo 记录级许可：CC BY-4.0；访问权：restricted；用途：academic research use only。
- 申请格式：
Your Name - Your Organization - Your Main Works - Your Usages About This Dataset。 - 官网：imed.nimte.ac.cn/corn.html；页面查看 31739 次（抓取时点）。
- 代码托管：GitHub 组织 iMED-Lab。
- 图像 FOV 换算：400/384 ≈ 1.04 μm/px。
- 同团队数据集：ROSE（库内 rid 331，OCTA 视网膜血管分割）。
- 库内无同名条目：
corn-nerve首次入库；us-nerve-seg(537) 为超声神经，非同类。
术语表（20 条）
| 术语 | 英文 | 释义 |
|---|---|---|
| 角膜共聚焦显微镜 | CCM (Corneal Confocal Microscopy) | 活体无创成像角膜细胞/神经/微结构的显微技术 |
| 角膜神经 | corneal nerve | 角膜内的神经纤维，含基底神经丛 |
| 基底神经丛 | subbasal nerve plexus | 角膜上皮下的神经网，CCM 主要成像目标 |
| 中心线 | centerline | 神经纤维的骨架路径（1 px 宽），CORN-1 的标注形式 |
| 神经纤维长度 | NFL (Nerve Fibre Length) | 单位面积神经总长度，临床核心指标 |
| 分支点 | branch points | 神经分叉计数 |
| 弯曲度 | tortuosity | 神经方向变化的程度，CORN-3/1500 分四级 |
| 朗格汉斯细胞 | LC (Langerhans cell) | 角膜免疫细胞，CORN-Pro/Complex 分割目标 |
| 基质细胞 | SC (stromal cell) | 角膜基质中的细胞，CORN-Pro 分割目标 |
| 海德堡视网膜断层扫描仪 | HRT-III | 采集 CCM 图像的设备 |
| Rostock 角膜模块 | RCM (Rostock Cornea Module) | HRT 的角膜成像附件 |
| 曲线状结构分割 | curvilinear structure segmentation | 分割细长曲线目标的任务（神经/血管） |
| 通道与空间注意力 | CS-Net | CORN-1 基线网络的注意力机制 |
| StillGAN | StillGAN | CORN-2 的图像增强 GAN |
| 增量学习 | incremental learning | 在旧任务上学习新类别而不遗忘 |
| 渐进蒸馏 | progressive distillation | CORN-Pro 用到的增量学习技术 |
| 弱监督 | weak supervision | 训练池仅少部分有标注的学习设定 |
| 域偏移 | domain shift | 跨设备/中心的分布差异 |
| 视场 | FOV (Field of View) | 图像覆盖的物理范围（400×400 μm²） |
| 观察者间一致性 | interobserver agreement | 不同标注者之间的判断一致程度 |
附录
附录 A：条目信息速查卡
| 字段 | 值 |
|---|---|
| 官方名 | CORN: COrneal Nerve Database |
| slug | corn-nerve |
| 核心子集 | CORN-1（1698 张神经分割） |
| 团队 | iMED，中科院宁波材料所 |
| 来源 | 北京大学第三医院 + 帕多瓦大学 BioImLab |
| 图像规格 | 384×384 px，FOV 400×400 μm²，HRT-III |
| 子集数（v2） | 6 |
| 最新 DOI | 10.5281/zenodo.19689814（v2） |
| 概念 DOI | 10.5281/zenodo.12776090 |
| 许可 | CC BY-4.0（记录级）/ restricted 受限 / 学术用途 |
| 获取 | Zenodo Request access 申请 |
| 官网 | imed.nimte.ac.cn/corn.html |
附录 B：DAIMS 评估全表
DAIMS（Data and AI Model Stewardship，数据与 AI 模型管理评估）逐维度打分：
| DAIMS 维度 | 评估 | 说明 |
|---|---|---|
| D1 数据可发现性（Discoverability） | ★★★★☆ | 官网 + Zenodo + 论文三重入口，DOI 稳定；但需经官网跳转 Zenodo |
| D2 可访问性（Accessibility） | ★★☆☆☆ | restricted 请求制，无公开直链；审批周期不可控 |
| D3 可互操作性（Interoperability） | ★★★☆☆ | 图像格式标准（.tif/.png）；标注格式随子集变化（中心线/多类掩码） |
| D4 可复用性（Reusability） | ★★★☆☆ | 分辨率/FOV 统一利于复用；但中心线 vs 轮廓、许可限制影响复用 |
| D5 数据质量（Quality） | ★★★★★ | 临床专家深度参与 + 高级眼科医生复核，真值可信度高 |
| D6 溯源与文档（Provenance） | ★★★★☆ | 官网与 Zenodo 描述详尽（来源、设备、标注流程）；部分子集年份/患者数未披露 |
| D7 许可清晰度（Licensing） | ★★☆☆☆ | 记录级 CC BY-4.0 与 restricted + 学术用途并存，存在口径张力 |
| D8 AI 就绪度（AI-Readiness） | ★★★☆☆ | 有官方基线与代码；但类别不平衡、中心线标注、请求制访问增加工程门槛 |
| D9 版本管理（Versioning） | ★★★★★ | Zenodo 版本链清晰，概念 DOI 恒定，is_last 明确 |
| D10 伦理与隐私（Ethics） | ★★★★☆ | 临床来源、仅学术用途；患者级去标识情况未详述 |
综合：CORN 在数据质量、版本管理上表现优异，在可访问性、许可清晰度上是短板，AI 就绪度中等——核心症结是请求制访问与标注形式（中心线）带来的工程适配成本。
附录 C：逐项证据链自证
| 事实 | 证据来源 |
|---|---|
| CORN-1 = 1698 张、384×384、FOV 400×400 | 官网 imed.nimte.ac.cn/corn.html；Zenodo v1/v2 描述 |
| ImageJ 中心线标注 | 官网"traced by an ophthalmologist using … ImageJ" |
| 120 张来自 BioImLab | 官网 Note 段 |
| CORN-3 四级数量 54/212/108/29 | 官网与 Zenodo 描述 |
| CORN-Pro 1120 张 / 40-60 μm | 官网 CORN-Pro 段 |
| CORN-Complex 7522/518/12/6/2 | OpenAIRE/Zenodo v2 description |
| Zenodo v1/v2 DOI 与日期 | Zenodo API records 12776091 / 19689814 |
| license cc-by-4.0 / access_right restricted | Zenodo API metadata |
| “academic research use only” | 官网首页声明 |
| 申请格式 | Zenodo v1 request access 页 |
| CS-Net MICCAI 2019 | 官网 Citation 段；openmedlab 引用 |
| TMI 2020 弯曲度 | 官网 Citation 段 |
附录 D：数据获取决策树
需要角膜神经数据？
├─ 仅需了解 → 读本条目 §2/§5
├─ 需要下载
│ ├─ 确认用途为学术研究 → 是 → Zenodo v2 提交 Request access（填姓名-机构-用途）
│ │ └─ 否 → 不符合用途限制，放弃或联系团队
│ └─ 需要哪个子集
│ ├─ 神经分割 → CORN-1
│ ├─ 图像增强 → CORN-2
│ ├─ 弯曲度 → CORN-3 / CORN1500
│ ├─ 细胞分割 → CORN-Pro
│ └─ 多病种 → CORN-Complex
└─ 需要曲线结构分割的替代数据（公开直链）→ 视网膜血管：DRIVE(241)/STARE(788)/CHASE_DB1(251)/ROSE(331)
附录 E：CORN-1 使用规范（中心线标注）
- 明确标注性质：中心线（1 px 骨架），非轮廓；
- 前景处理：若模型需宽神经，沿中心线法向膨胀（膨胀宽度需自定并说明）；
- 不平衡处理：采用 focal loss / dice loss / 类别重加权；
- 指标：至少报 Dice + 敏感性 + 特异性；
- 细神经测试：对前景 < 20 px 的极端样本单独评估；
- 折划分：使用官方 test/training/val 折，避免自定义划分导致不可比。
附录 F：库内互链点速查
| rid | 条目 | 关联类型 |
|---|---|---|
| 331 | ROSE | 同团队 iMED + OCTA 血管分割（最强） |
| 241 | DRIVE | 视网膜血管分割经典基准 |
| 788 | STARE | 视网膜血管分割经典基准 |
| 251 | CHASE_DB1 | 儿童视网膜血管分割 |
| 261 | HRF | 高分辨率眼底血管分割 |
| 741 | FIVES | 视网膜血管分割彩色眼底图 |
| 865 | WOIVES | OCTA 视网膜血管分割 |
| 341 | OCTA-500 | OCTA 视网膜血管 |
| 857 | Pentacam-KC | 角膜地形图圆锥角膜（角膜级） |
| 858 | AGE AS-OCT | 眼前节 OCT |
| 211 | DeepDRiD | 糖尿病视网膜病变 |
| 201 | DDR | 糖尿病视网膜病变分级分割 |
| 191 | IDRiD | 像素级病灶标注眼底 |
| 537 | us-nerve-seg | 超声臂丛神经（同名区分，非同类） |
附录 G：硬数字一览（防混用）
| 数字 | 归属 | 勿混淆 |
|---|---|---|
| 1698 | CORN-1 神经分割图像 | ≠ 外部队列糖尿病病变研究的 1698（来源不同） |
| 403 | CORN-3 弯曲度（54/212/108/29） | ≠ CORN-1 子集 |
| 1500 | CORN1500 弯曲度（1200+300） | ≠ CORN-1 子集 |
| 628+60 | CORN-2 训练（340+288）+ 测试 60 | — |
| 1120 | CORN-Pro（560+560） | — |
| 7522 | CORN-Complex（518 患者） | — |
| 1429 / 677 | CORN-Complex 穷尽标注 / 训练池标注（10%） | 勿把 6770 当全标注 |
| 384×384 / 400×400 μm² | 统一图像规格 | — |
附录 H：CORN-1 目录结构复现骨架
CORN/
├── Nerve_Segmentation/
│ ├── Corneal nerve segmentation/ # 主体分割数据
│ │ ├── test/ {test_images, test_mask}
│ │ ├── training/ {train_images, train_mask}
│ │ └── val/ {val_images, val_mask}
│ └── Padova/ # 帕多瓦 BioImLab 来源
│ ├── BioImLab corneal nerve images
│ ├── BioImLab corneal nerve images Ann
│ ├── BioImLab Corneal Nerve Tortuosity
│ └── BioImLab Corneal Nerve Tortuosity Ann
读法：主体三折（test/training/val）各含 images 与 mask 平行目录；Padova/ 单独收纳帕多瓦来源（含弯曲度）。下载后请先核对实际三折数量（官方未逐一披露）。
附录 I：许可与访问对照表
| 维度 | 值 | 来源 |
|---|---|---|
| 记录级许可 | CC BY-4.0 | Zenodo API license.id |
| 访问权 | restricted | Zenodo API access_right |
| 用途限制 | academic research use only | 官网声明 |
| 申请格式 | 姓名-机构-主要工作-用途 | Zenodo request access |
| 概念 DOI | 10.5281/zenodo.12776090 | Zenodo |
| v1 DOI | 10.5281/zenodo.12776091 | Zenodo（4 子集） |
| v2 DOI | 10.5281/zenodo.19689814 | Zenodo（6 子集，最新） |
| 官网 | imed.nimte.ac.cn/corn.html | 官方 |
| 代码 | GitHub 组织 iMED-Lab | 官方 |
附录 J：六子集一页对照
| 子集 | 任务 | 数量 | 标注工具 | 基线 |
|---|---|---|---|---|
| CORN-1 | 神经分割 | 1698 | ImageJ | CS-Net |
| CORN-2 | 图像增强 | 628+60 | — | StillGAN |
| CORN-3 | 弯曲度分级 | 403 | 协议分级 | TMI 2020 |
| CORN1500 | 弯曲度分级 | 1500 | 协议分级 | TMI 2020 |
| CORN-Pro | 神经+细胞分割 | 1120 | ITK-SNAP | 渐进蒸馏 |
| CORN-Complex | 多病种分割 | 7522 | 多类标注 | 半监督 |
附录 K：临床形态学指标速查
| 指标 | 英文缩写 | 含义 | 与 CORN 的关系 |
|---|---|---|---|
| 神经纤维长度 | NFL | 单位面积神经总长 | CORN-1 中心线可算 |
| 神经纤维密度 | NFD | 单位面积神经长度 | CORN-1 中心线可算 |
| 分支点 | Branch Points | 分叉计数 | CORN-1 拓扑可算 |
| 神经段数 | Segments | 独立段计数 | CORN-1 拓扑可算 |
| 弯曲度 | Tortuosity | 方向变化程度 | CORN-3/1500 四级 |
附录 L：研究选题建议
基于 CORN 家族，可考虑以下研究方向：
- 跨域迁移：视网膜血管（DRIVE）预训练 → 角膜神经（CORN-1）微调，检验曲线结构域间迁移；
- 中心线分割的专用损失：针对 1 px 骨架设计拓扑感知 loss，减少断线；
- 序数回归改善分级：CORN-3 四级弯曲度用序数损失替代普通交叉熵；
- 增量学习验证：在 CORN-1 上训练神经分割，用 CORN-Pro 验证增量学习是否遗忘；
- 弱监督分割：在 CORN-Complex 上验证半监督方法（用 1429 全标注指导 6770 弱标注）；
- 跨设备域适配：在 CORN-Complex 上验证 Confoscan → HRT-III 的域适配效果；
- 多任务联合：分割 + 分级 + 增强的多任务学习框架，检验任务间互补性。
附录 M：数据获取邮件/申请模板（供参考）
申请 Zenodo 访问时，Request message 建议包含以下要素（与官方要求格式对应）：
Your Name: <姓名>
Your Organization: <机构>
Your Main Works: <主要研究方向，如 "corneal nerve segmentation / diabetic neuropathy screening">
Your Usages About This Dataset: <具体用途，如 "training a segmentation model for research paper X">
要点：机构须真实、用途须具体（写明学术研究目的）、避免空泛。官方明示信息不全将被忽略。
附录 N：常见错误速查（一图流）
| 你以为 | 实际 |
|---|---|
| CC BY-4.0 = 自由下载 | restricted 请求制，须申请 |
| 1698 = 某外部研究的数据集 | 那是 BioImLab 来源，来源不同 |
| CORN-3 403 是 CORN-1 子集 | 独立图像集合 |
| 标题 “CORN: Corneal nerve fiber dataset” 是最新版 | v2 标题已改为 “…confocal microscope dataset” |
| 标注是轮廓掩码 | CORN-1 是中心线 |
| 训练池 6770 都有标注 | 仅 10%（677）有标注 |
| 官网 2019 = 数据过时 | 页面初版锚点，实际更新至 2026 v2 |
| 可自由商用 | 官网限 academic only |
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：
- origa-light — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 图像分类 / 评测基准
- riga — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 图像分类 / 评测基准
- stare — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 图像分类 / 评测基准
- octa-25k — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 图像分类 / 评测基准
- cataract-1k — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 图像分类 / 评测基准
- oimhs — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 图像分类
- tn3k — 共享标签：医学影像 / 医学图像分割 / 图像分类 / 评测基准
- woives-octa — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 评测基准
- pfus1 — 共享标签：医学影像 / 医学图像分割 / 图像分类 / 评测基准
- drive — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 评测基准
导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。
