DMR-IR — 巴西 293 例乳腺红外热成像数据库

INFOBOX — DMR-IR 一屏速览

维度	内容
本质	乳腺红外热成像（非钼靶、非超声）开放研究库，面向早期乳腺癌筛查的方法学研究
建立方	巴西弗鲁米嫩塞联邦大学（UFF）计算机研究所视觉实验室；采集地 HUAP 大学医院
首发论文	J Med Imaging Health Inform, 2014, 4(1): 92-100；DOI 10.1166/jmihi.2014.1226
规模（主口径）	293 例：sick 105 + healthy 188；56 例带手工分割掩码
对照口径	287 例（2023 单篇论文）；180 例 90+90（研究者自建动态子集）；1,522 帧（另一研究切分口径）
设备	FLIR SC620 热像仪，640×480，热灵敏度约 0.04-0.045 K
协议	静态 SIT（静息 10-15 min 单帧）+ 动态 DIT（降温 5 min，20 帧 × 15 s 间隔）
视角	正位、右斜 45°、左斜 45°、右侧位 90°、左侧位 90°
标签	二分类 healthy / sick；sick 仅含患侧影像
伦理	HUAP 伦理委员会批准，巴西卫生部 CAAE 01042812.0.0000.5243
获取	官方门户登记制；许可证从未公开声明
使用率	2025 年综述统计的 26 篇相关研究中 **20 篇（77%）**使用了它

§0 导读：这个数据集解决什么问题

乳腺红外热成像（breast infrared thermography）的原理朴素得近乎古老：恶性肿瘤快速增殖需要新建血管，局部代谢与血流旺盛，皮肤表面温度因此出现可测量的升高。热像仪不发射任何辐射，只被动接收人体发出的红外能量，所以它是一个零电离辐射、零接触、零造影剂的检查手段。对年轻女性、孕期女性、致密型乳腺人群——这些钼靶（mammography）效果打折的群体——它理论上具有独特的筛查价值。

但理论价值与工程可用性之间隔着一道很现实的鸿沟：没有数据。

2014 年之前，乳腺热成像研究最大的障碍不是算法，而是三点：采集协议不统一、公开图库不存在、临床结局无从对齐。同一家实验室拍的图，换一家拍出来的东西参数完全不同；研究者想验证一个分割算法，只能拿自家医院几十张图自娱自乐；想证明"温度模式与病理诊断相关"，却拿不到带诊断标签的配对数据。这让热成像长期停留在"有前景但无法复现"的状态。

DMR-IR（Database for Mastology Research，乳腺病学研究数据库）就是在这个背景下出现的。它由巴西弗鲁米嫩塞联邦大学（Universidade Federal Fluminense，UFF）计算机研究所视觉实验室建立，影像采集于该校附属的 Antônio Pedro 大学医院（Hospital Universitário Antônio Pedro，HUAP）。2014 年，Silva 等七位作者在《Journal of Medical Imaging and Health Informatics》上发表论文，把这件事做了三件：

1. 梳理并复现了四种既有采集协议，在志愿者身上实测，最终提出一套"动态降温协议"作为推荐标准——这是把"各家各拍"变成"可以互相比较"的关键一步；
2. 建立了在线数据库，存放患者的热成像、钼靶、MRI、超声与临床记录，并提供包括图像内容相似性检索在内的多种检索方式；
3. 以二分类标签（healthy / sick）把影像与临床结局对上，让算法研究第一次可以拿到"图 + 诊断"的配对样本。

这套做法的效果在十年后被量化了：2025 年一篇发表于 PMC 的乳腺热成像纹理分析综述统计了 26 篇相关研究，其中 20 篇（77%）使用了 DMR-IR；该综述同时指出，在它梳理的公开数据集中，DMR-IR 是唯一患者数超过 100 例的一个。

但 DMR-IR 也是一个典型的"高使用率、低治理度"数据集。它的官方页面至今是一张介绍性质的静态页，没有许可证声明；论文摘要说它"可在线免费访问"，实际入口却是一个需要登记的门户；患者数在不同文献里出现了 293 与 287 两个数字；患病病例只留患侧影像，直接堵死了对称性分析这条路。这些问题不会阻止你下载数据，但会在你写论文的"数据来源"一节、在你准备把模型商用、在你向审稿人解释为什么训练集和测试集要按患者切分时，一个接一个地冒出来。

本条目要做的，就是把这套数据的真实边界摊开：它是什么、数字怎么算、坑在哪里、拿到手之后该怎么做。我们不打算把它包装成一个"拿来就能跑 SOTA"的数据集——它不是；我们也不打算因为它许可不清就否定它——毕竟十年里这个领域的大部分进展都建立在它之上。

一个诚实的定位是：DMR-IR 是乳腺热成像领域的事实标准数据集（de facto benchmark），同时也是一个许可与元数据治理都不完整的早期开放数据实践样本。理解它的双重身份，比记住它的患者数更重要。

§1 数据集速览：十问十答

问 1：DMR-IR 到底是什么？
一个乳腺红外热成像影像库，附带逐例临床记录、部分钼靶图像与手工分割掩码。它不是算法挑战赛（如 CAMELYON、PANDA），没有官方排行榜、没有固定划分、没有提交服务器；它更像一个"长期维护的医院影像档案 + 检索接口"。

问 2：谁建的、什么时间？
UFF 计算机研究所视觉实验室建立，影像采集于 HUAP 医院；2014 年 3 月由 Silva 等人在 J Med Imaging Health Inform 4(1):92-100 正式发表。数据库本身在此前已开始积累。

问 3：有多少例患者？
主口径 293 例（sick 105 + healthy 188），来自 2025 年 PMC 综述对官方库的统计。另有 2023 年一篇论文写 287 例。两个数字都没能在官方页面上得到直接确认——官方页面只介绍影像类型，不列计数。本条目以 293 为主口径，287 并列存照。

问 4：拍的是什么？
两类。静态热成像（Static Infrared Thermography，SIT）：患者静息 10-15 min 达到热稳定后，从五个标准视角各拍一张。动态热成像（Dynamic Infrared Thermography，DIT）：患者双手抱头站立 5 min，电扇对着乳房与腋窝吹风（室温控制在 20-22 ℃），随后连续采集 20 帧，帧间隔约 15 s。动态序列用来捕捉降温过程中的热恢复差异——这是热成像区别于单张照片的核心信息。

问 5：图像什么规格？
FLIR SC620 热像仪，640×480 像素，热灵敏度指标在不同文献里有 0.04 ℃、45 mK、40 mK 三种写法（本质是同一台设备的量级）。图像以 JPEG 热图与温度矩阵两种形态提供——温度矩阵是逐像素的浮点温度值，这是做定量分析的正路；JPEG 是渲染后的可视化图，颜色映射函数往往未记录。

问 6：标签是什么？
只有二分类：healthy / sick。没有病灶位置、没有分期、没有 BI-RADS、没有组织学类型。sick 病例的影像只包含患侧，健康病例包含左右两侧——因为患病乳房与健康乳房之间存在温度梯度差，双侧同拍会引入对比信息。

问 7：有分割标注吗？
有，但只覆盖 56 例（37 sick + 19 normal）。掩码是手工勾画的胸部/乳房区域，用于把背景剥离。这 56 例是绝大多数"分割 + 分类"流水线的实际用武之地。

问 8：能商用吗？
**不能据现有信息判断可以商用。**官方页面未披露许可条款；HuggingFace 上的第三方复刻版（SemilleroCV/DMR-IR）License 字段明确写着 “Not provided”。论文摘要的"free online access"描述的是访问方式，不是授权范围。学术研究用途风险较低，商业再分发则需要另行取得书面许可。

问 9：为什么大家都在用它，却都在抱怨它？
因为它确实解决了"没数据"的问题（77% 使用率是硬证据），同时它把"数据治理"的问题留给了使用者：口径不一、元数据混乱、只含患侧、许可不明。这两个事实同时成立。

问 10：如果我只有一天时间，应该拿它做什么？
做患者级切分的二分类基线，用温度矩阵而非 JPEG，只使用 56 例有掩码的样本做分割预处理，报告时明确写出患者数口径与切分方式。不要用随机图像切分——那是这个数据集最常见、也最致命的错误。

§2 数据构成与规格

2.1 规模、来源与机构构成

DMR-IR 的规模数字是它最容易被误用的部分。不同论文引用它时给出的患者数并不一致，而这些不一致并非笔误，而是统计对象与统计时点不同造成的。先把所有口径摊在一张表上：

口径	数字	内部结构	出处
全库患者（主口径）	293 例	sick 105 + healthy 188	PMC12189745（2025 综述）
全库患者（对照）	287 例	未拆分	MBE 2023（DOI 10.3934/mbe.2023748）
有分割掩码	56 例	sick 37 + normal 19	PMC12189745
活检验证	117 例（40%）	sick 中 78 例（74%）	PMC12189745
动态协议建模子集	180 例	90 healthy + 90 sick	JESTECH 2025（DOI 10.1016/j.jestch.2025.102225）
切分后图像数	1,522 帧	1,060 训练 + 462 测试	Algorithms 2024, 17(10):462
第三方复刻版	6.88k 行	train 4.87k / val 980 / test 1.02k	HuggingFace SemilleroCV/DMR-IR

这张表最重要的是理解它们不是同一个东西：

• 293 与 287 都是"全库有多少位患者"，差异可能来自收录时点（库是持续增长的）或统计范围（是否含仅有钼靶、无热图的记录）。两者不能相加，也不能取平均。
• 180（90+90）不是全库的子采样那么简单——它是研究者在动态协议图像中按类别等量抽取后得到的建模集，这个数字天然是平衡的，不能据此推断原始库的类别比例。
• 1,522 帧是"一个研究者在自己的预处理后剩下的样本数"，与患者数之间不存在简单倍数关系（有些患者只有静态图，有些有 20 帧动态序列）。
• 6.88k 是 HuggingFace 复刻版的行数，每一行是一条"图像 + 文本提示 + 元数据"记录，其切分（train/val/test）由复刻方自行划分，与原始库无对应关系。

使用建议：写论文时不要只写"DMR-IR 数据集有 293 例患者"。应写成"DMR-IR（官方库，2025 年综述统计为 293 例，其中 sick 105 例），本研究按 X 筛选条件保留 N 例"。把"库的规模"与"你用的规模"分开陈述，是这个数据集写作纪律的第一条。

机构构成极其单一：全部影像来自 HUAP 一家医院，患者来自其筛查科与妇科门诊。没有多中心、没有跨国家、没有跨设备。这意味着任何在这上面训练出的模型，其"泛化能力"都只在一个极窄的人群分布内被验证过——巴西里约热内卢州的一家大学附属医院，21-80 岁女性（年龄范围见 JESTECH 2025 的描述）。

2.2 影像规格：热图、温度矩阵与那个容易被忽略的差别

每例影像有两种交付形态：

1. JPEG 热图：相机渲染输出的可视化图像。多数为灰度，部分为伪彩色，个别图像带色标图例。人眼友好，但颜色到温度的映射函数通常未记录。如果你用彩色图训练，模型很可能学到的是调色板而不是生理信号。
2. 温度矩阵（thermal matrix）：逐像素的浮点温度值，通常单独存为文件并随图像配对提供。这是做定量分析的正确入口——你可以自己定义灰度映射、自己做温度归一化、自己算梯度统计量。

一个务实的选择是：分类任务用温度矩阵重渲染成灰度，分割任务用掩码裁出乳房区域后再重渲染。这样做的代价是你得写一个解析器（不同批次的矩阵文件格式未必一致），收益是避免了调色板泄露（palette leakage）这一隐蔽的捷径学习（shortcut learning）问题。

图像分辨率统一为 640×480。这个分辨率对现代卷积网络而言偏低，多数研究会上采样到 224×224 或 240×240 喂给分类器——但上采样不会创造信息，只是把 0.75 mm 量级的空间细节铺开。这也是为什么热成像的算法天花板往往不在网络结构，而在传感器本身。

2.3 视角体系：五个标准位

影像从五个标准视角采集：

视角	英文缩写	说明
正位	frontal	正对胸壁，两侧乳房同时入画
右斜 45°	R45	右侧 45° 斜位，突出右侧乳房外象限
左斜 45°	L45	左侧 45° 斜位
右侧位 90°	R90	右侧 90° 侧位，覆盖腋窝区
左侧位 90°	L90	左侧 90° 侧位

五个视角的设计意图很明确：正位给整体对称性参照，斜位给外象限（乳腺癌高发区），侧位给腋窝（淋巴结转移的常见路径）。但从建模角度看，五个视角带来了一个实际麻烦——同一患者有 5 张静态图 + 20 帧动态序列，如果把它们当作独立样本，同一患者的贡献会被放大 5 到 25 倍。这正是随机切分导致数据泄漏的机制来源。

2.4 标签体系：二分类与它掩盖的一切

标签只有两个值：healthy、sick。

这套标签的粗糙程度需要被明确承认：

• 没有病灶定位。sick 病例不告知异常在左乳还是右乳（PMC 综述明确指出了这一点），只提供患侧影像作为间接线索。
• 没有病理分层。恶性、良性、炎症在标签上都是 sick。这意味着模型学到的是"任何导致温度模式异常的状态"，而不是"癌"。
• 没有判定模态。综述指出，诊断由钼靶阅片或活检评估确定，但具体每例靠哪一种，记录里没写。117 例（40%）有活检验证记录，sick 组中 78 例（74%）有活检——这个比例说明并非所有 sick 病例都被组织学确认。
• 患病组偏向有症状者。综述对 74% 这个活检率的解读是：临床上更倾向于对有症状的患者做活检。这个选择偏倚（selection bias）意味着 sick 组可能比"真实的乳腺癌人群"更晚期、更明显，模型在真实筛查场景下的表现会显著低于论文报告值。

一句话：DMR-IR 的 sick 标签是"临床判定为有病"，不是"病理证实为癌"。把前者当后者写进论文，是审稿人最容易抓住的把柄。

2.5 临床元数据：字段齐全，编码不齐

每例患者附一张临床记录，字段包括：

• 人口学：年龄、初诊日期、婚姻状况、人种
• 临床：诊断（healthy/sick）、主诉、体征、拍摄时胸壁温度
• 检查史：是否做过钼靶
• 治疗与手术史：放疗、整形手术、乳房假体、激素替代治疗
• 体征细项：乳头改变（单侧/双侧）、乳房疣

问题不在于字段少，而在于记录质量。PMC 综述对这批元数据有一句很直接的批评：信息以英语或葡萄牙语混记，且编码不一致。实际后果是：

• 同一个布尔字段可能出现 “yes” / “sim” / “S” / “1” 四种写法
• 人种字段沿用了巴西的肤色分类体系，与英美数据集常见的 ethnicity 分类不可直接对齐
• 日期格式在不同批次之间不一致，跨批次合并前必须逐列清洗

对做多模态（影像 + 表格）的研究者，这批元数据是有价值的——它是 DMR-IR 相对于纯图像库的最大增量；但它需要一轮老老实实的数据清洗，不能直接 pd.read_csv 后 one-hot。

2.6 与同期乳腺影像数据集的关系边界

DMR-IR 在乳腺影像数据集家族里的位置很特殊：它是唯一的主流热成像库，也是唯一不涉及电离辐射或声学耦合的模态。

数据集	模态	规模量级	与 DMR-IR 的关系
DMR-IR	红外热成像	293 例	本条目
CBIS-DDSM	钼靶（数字化）	数千例	同病种不同模态，可做跨模态迁移研究
INbreast	钼靶（精细标注）	数百例	同上，标注更细
VinDr-Mammo	钼靶（BI-RADS）	数千例	同上，越南人群
CMMD	钼靶（中国人群）	数千例	同上，中国人群
BUSI	乳腺超声	数百例	同病种，无辐射但有耦合剂接触
Duke-Breast-MRI	DCE-MRI	近千例	同病种，功能成像

这张表的核心信息是：没有任何一个主流数据集和 DMR-IR 是"替代关系"。它们覆盖的是筛查流程中不同环节的成像手段。把 DMR-IR 与钼靶数据集合并训练（有研究这么做过并报告了很高的准确率），本质上是在教模型区分"两种成像设备"，而不是"有病与没病"——除非合并时做了极严格的域对齐。这一点在 §7 会展开。

§3 采集协议：为什么"动态"才是这套数据的关键

3.1 静态协议的固有缺陷

静态热成像的流程是：患者进入恒温房间（20-22 ℃），静息 10-15 min 让体表温度稳定，然后从五个视角各拍一张。

这个流程的问题在于它只记录了一个瞬间。而体表温度受太多因素干扰：当天室温的微小波动、患者刚走过的路、喝了热饮、月经周期阶段、情绪状态、甚至涂了护肤品。两个患者拍出的"看起来不一样"的图，可能只是"一个刚进门、一个已经坐了半小时"。

更要命的是，静态图无法区分两类温度异常：

• 结构性热异常（肿瘤新生血管带来的持续升温）
• 功能性热异常（血管舒缩、炎症、激素波动带来的暂时升温）

这两类在单张图上长得几乎一样。

3.2 动态降温协议的设计逻辑

DMR-IR 提出的动态协议（DIT）用一个简单动作解决了这个问题：主动降温，然后看恢复。

流程如下：

1. 患者双手抱头站立，暴露胸部与腋窝
2. 电扇以固定风量对着乳房与腋窝吹 5 min（室温 20-22 ℃）
3. 降温结束后开始连续采集，共 20 帧，帧间隔约 15 s，总时长约 5 min
4. 每帧 640×480，同时保存热图与温度矩阵

为什么这个设计有效？因为正常组织与肿瘤组织的热恢复动力学不同。肿瘤区域血流丰富、热容量大，降温后回升更快、幅度更大；正常组织降温后回升平缓。所以：

• 静态图看的是"温度高不高"
• 动态序列看的是"降温后谁先热回来、热回来多少"

后者对血管性异常更敏感，也更难被单次环境扰动伪造。这就是为什么 2024 年那篇算法研究（Algorithms, 17(10):462）明确说"本研究聚焦 DIT 图像"——动态序列的信息密度确实更高。

3.3 两种协议的数据量与使用分布

按协议分，DMR-IR 的实际可用数据是：

协议	每例帧数	主要用途	使用门槛
SIT 静态	5（五视角各 1）	单图分类、分割、视角不变性研究	低，图少但结构简单
DIT 动态	20（单一视角序列）	时序建模、热恢复曲线分析、视频理解	高，需处理帧间配准与时间轴

多数论文（尤其是早期论文）使用 SIT，因为它简单；使用 DIT 的论文数量少但增长快。这个分布本身就是一个提示：动态协议是 DMR-IR 相对其他公开热成像库的核心增量，但它也是被利用率最低的部分。

3.4 协议执行的一致性风险

需要坦白指出：这套协议在 2014 年论文里被描述为"推荐标准"，但数据库跨越多年采集，无法保证每一例都严格执行了同一协议。可观察的证据是：

• 文献对热灵敏度的描述出现 0.04 ℃ / 45 mK / 40 mK 三种写法
• 部分 JPEG 带色标图例、部分是纯灰度——说明后处理流水线在不同时期有变化
• 动态序列的帧数在部分文献中被描述为"20 帧"，但未有任何文献声称逐例核验过帧数与间隔

对使用者的实际影响是：不要假设 DIT 序列的时间轴是严格等距的。做时序模型前，先抽样检查每例的帧数与文件时间戳；如果做热恢复曲线拟合，建议对时间轴做归一化（把 20 帧映射到 [0,1]），而不是假设固定的 15 s 间隔。

3.5 复现这套协议要花多少钱

如果读者想自己采一套同构数据（这在多中心验证中很常见），成本构成大致是：

• 热像仪：FLIR SC620 是 2010 年代中期的科研级机型，已停产；当代等效替代是 FLIR A 系列或 T 系列的科研型，具备原始温度矩阵输出能力（消费级热成像手机配件通常只给渲染图，不能满足研究需求）
• 环境控制：恒温室（20-22 ℃，波动 ±1 ℃）、固定风量风扇、避免阳光直射与空调直吹
• 场地：需要一间能让患者站立 10 min 且保持半裸的独立房间，涉及隐私设计
• 人力：每例净耗时约 25-30 min（准备 + 静息 + 静态五视角 + 动态 5 min + 收尾）

这个成本结构解释了为什么全球公开的乳腺热成像库如此稀少——它不是一个"买台相机就能做"的模态。

2.7 字段级数据字典：逐列该拿它干什么

元数据混乱的破解办法不是绕开，而是逐列建一份自己的数据字典。下表按"字段用途"而非"字段名称"分类，目的是让读者在拿到数据后能快速决定每一列的处置方式。

字段	语义	类型	建模范式	处置建议
患者编号	唯一标识	字符串	分组键	绝不作为特征；用于患者级切分与去重
诊断	healthy / sick	二值	标签	唯一监督信号；注意仅含两个取值
年龄	就诊时年龄	数值	协变量	保留；建议分箱后检查与标签的关联
初诊日期	首次登记日	日期	时间趋势	解析后转年份；用于判断采集批次
婚姻状况	婚姻状态	类别	弱协变量	双语归一后再用；缺失保留 Unknown
人种	巴西肤色分类	类别	公平性分析	不可直接映射到英美 ethnicity 分类
主诉	患者自述症状	文本（双语）	文本特征	需翻译；可作为"有症状"的粗代理
体征	体检发现	文本（双语）	文本特征	同上，与主诉合并处理
检查时胸壁温度	拍摄时胸壁温度	数值	环境代理量	必留，用于混杂校正
钼靶检查史	是否做过钼靶	布尔	协变量	保留；与诊断判定模态相关
放疗史	是否接受过放疗	布尔	协变量	放疗会改变局部温度基线，必留
整形手术	是否做过乳房整形	布尔	协变量	手术改变解剖与血流，必留
假体	是否有乳房假体	布尔	协变量	假体的热特性与组织不同，必留
激素替代治疗	是否在用激素	布尔	协变量	直接影响乳腺温度，必留
乳头改变	单侧/双侧	序数	体征细项	与 Paget 病等相关，可作为症状代理
乳房疣	是否有疣	布尔	体征细项	疣本身引起局部温度改变，可作干扰对照

这张表里标了"必留"的四个字段（放疗史、假体、激素替代、胸壁温度），是最容易被当成无关列丢掉、但恰恰会直接改变温度信号的混杂变量。任何一列在 sick 组与 healthy 组分布不均，模型都可能把"有假体"学成"有病"。

一个务实的做法是：先用这四个字段做一次倾向性检查（两组的字段分布对比），如果差异显著，要么把它们作为协变量纳入模型，要么做分层配对采样。这一步比换网络结构对最终结论的可信度影响更大。

2.8 选择 DMR-IR 的三条硬标准

在决定用这个数据集之前，请先回答三个问题：

1. 你的任务是否需要"功能/生理"信息？ 如果只需要形态（肿块、钙化），钼靶数据集更合适，DMR-IR 的 293 例在规模上没有竞争力。
2. 你能不能接受患者级切分后样本量骤降？ 293 例按 7:3 切分后测试集约 88 例。若再按视角或类别细分，某些格子可能只剩个位数。小样本下的指标波动会很大，报告时应给出置信区间。
3. 你是否需要明确的许可？ 如果需要（例如企业合作、专利申报、产品注册），DMR-IR 目前的许可状态会成为实质障碍。

三问里只要有一个答案是"不能/不需要"，DMR-IR 就不是最优选择。这不是贬低这个数据集，而是提醒：它的稀缺价值集中在"无辐射 + 动态功能成像"这一窄带上，离开这条带，它并不占优。

§4 临床背景：热成像在乳腺癌筛查中的真实位置

4.1 它不是替代品

热成像在乳腺癌领域的定位，从 1970 年代起就反复被误读为"替代钼靶的无辐射方案"，又反复被临床证据打回去。今天比较公认的说法是：热成像是功能成像，钼靶是结构成像，两者测的不是同一件事。

• 钼靶找的是形态学异常：钙化、肿块、结构扭曲
• 热成像找的是生理学异常：局部温度升高、血管分布改变

生理改变可能早于形态改变出现（肿瘤需要先长血管、后长成可触及的肿块），这是热成像"早期发现"叙事的理论基础。但生理改变也高度非特异：炎症、感染、良性增生、哺乳期、激素波动都能让乳房局部升温。所以热成像高敏感、低特异的特征，决定了它更适合作为"分诊/提示"而非"确诊"。

DMR-IR 的标题里用的词是 “Database for Mastology Research”——乳腺病学研究，而不是"乳腺癌筛查"。这个措辞本身就透露出建立者的谨慎。

4.2 为什么年轻致密乳腺人群仍受关注

钼靶在致密型乳腺（致密腺体组织在 X 光下呈白色，与肿瘤密度相近）中的敏感度会明显下降。这一人群恰好与"年轻女性"和"亚洲女性"高度重叠。叠加孕期、哺乳期不宜多次接受辐射的现实，临床上确实存在"需要一种无辐射的辅助手段"的需求缺口。

热成像在这个缺口里的合理用法是：

1. 作为高风险人群的辅助监测手段，与钼靶/超声联合使用
2. 作为疗效随访工具（新辅助化疗期间的温度变化曲线）
3. 作为研究工具，用于探索"哪些温度模式与病理结果相关"

不合理用法只有一种，但恰恰最流行：把它训练成一个独立的癌症判别器，然后宣称达到 95%+ 准确率。DMR-IR 上大量论文就是这种范式，§7 会详细讨论为什么这些数字要打折看。

4.3 患者视角：一次检查究竟怎么走

为了让非临床读者理解这批图像的来源，这里还原一次 DIT 采集的全过程（依据 2014 论文描述与后续文献复述）：

1. 报到与知情同意。患者进入检查室前完成伦理告知与登记（对应 CAAE 01042812.0.0000.5243 这一伦理批件）。
2. 脱衣与适应。去除衣物与饰品，暴露胸部与腋窝，在 20-22 ℃ 房间静立适应，让体表温度与环境平衡。
3. 抱头站立。双手抱头，双臂上举——这个姿势让乳房自然下垂、腋窝充分暴露，同时避免手臂贴住胸壁造成局部升温。这个姿势本身就是协议的一部分，不是随便摆的。
4. 风扇降温 5 min。电扇固定风量对着乳房与腋窝吹。患者需要保持不动，否则会引起额外的血流变化。
5. 动态采集 20 帧。每 15 s 一帧，持续约 5 min。
6. 静态采集五视角。在动态序列之后（或之前，不同批次可能不同），从正位、R45、L45、R90、L90 各拍一张。
7. 记录临床信息。填写年龄、主诉、体征、胸壁温度、治疗史等字段。
8. 归档。影像与记录以患者编号关联入库，脱敏后供检索。

这段流程里，任何一步出偏差——患者没抬头、风扇角度歪了、房间某扇窗透光、上一例刚走室温还没降下来——都会成为一个"看起来正常但实际不可比"的样本。而这些偏差不会写进元数据。这是理解 DMR-IR 数据质量时必须有的心理预期。

4.4 一个被忽视的变量：拍摄时胸壁温度

临床记录里有一个字段叫"拍摄时胸壁温度"（temperature measured at the thorax at the time of image capture）。这个字段的价值被严重低估。

它其实是环境与生理状态的一个粗校准量。如果某例的胸壁温度明显高于同批其他病例，可能意味着：

• 该例患者刚活动过
• 房间温度失控
• 患者有发热或炎症

在使用时，至少应该做两件事：

1. 把它作为协变量纳入（多模态模型直接喂进去；单模态模型至少用它做分层）
2. 报告它的分布——如果你的 sick 组和 healthy 组在这个字段上有系统性差异，那么模型可能学的是"体温"而不是"肿瘤"

这类"看起来很无聊的表格字段"，往往是热成像研究中隐藏的混杂变量（confounder）。

§5 复刻版本与生态延伸

5.1 HuggingFace 上的第三方复刻：SemilleroCV/DMR-IR

2025 年，哥伦比亚的研究团队（SemilleroCV）在 HuggingFace 上发布了一个 DMR-IR 的复刻版，标识为 SemilleroCV/DMR-IR。这是目前最容易上手的一份镜像，但它与原库的关系需要说清楚：

它做了什么：

环节	处理方式
温度矩阵	原始浮点温度矩阵转换为 TIFF 格式，方便直接读取
临床元数据	用于自动生成描述性文本提示（text prompt），字段涵盖个人、临床与协议信息
切分	按 train 4.87k / validation 980 / test 1.02k 划分（合计 6.88k 行）
异常修正	参照 2023 年一篇更正建议（DOI 10.1177/14604582231153779）做了数据异常修正
手工标注	只有 mastectomy（乳房切除术）这一列是人工标注的，其余字段为清洗更正

它没有做什么：

• 没有解决许可问题。卡片上 License 字段写着 “Not provided – please update if applicable”，即复刻方明确表示自己也不知道该用什么许可。
• 没有提供官方授权链。卡片只说数据"accessible through an online interface"，指向原门户。
• 没有锁定版本。卡片自己承认 “the dataset is not locked, meaning its contents may evolve over time”，并建议做研究时锁定版本以保证可复现——但同时又没给出锁定方法。

这两条"没做"很关键：HuggingFace 上有这份数据，不等于这份数据可以自由使用。平台托管与授权许可是两件独立的事。

5.2 配套论文：多模态视觉-语言方向

复刻版对应一篇 2025 年 IEEE 哥伦比亚计算智能应用会议（ColCACI 2025）论文：Multimodal Vision-Language Transformer for Thermography Breast Cancer Classification（DOI 10.1109/ColCACI67437.2025.11230909）。

它的思路是：把热图与由临床元数据生成的文本提示一起喂给视觉-语言 Transformer，做跨注意力融合。这是 DMR-IR 使用史上的一个新方向——过去十年几乎所有工作都只用图像，临床元数据基本闲置。复刻版的"元数据转文本提示"设计，实际上是把表格数据转化成了可以进入 VLM 的模态。

值得关注的不是这个模型的性能数字（本条目未取得其具体指标，不做转述），而是它提示了一种治理思路：元数据混乱的数据集，可以通过"自然语言化"绕开字段对齐问题。临床记录的英文/葡文混写、编码不一致，在结构化建模里是灾难，在文本提示里反而被语言模型吸收了。这是一种务实的工程妥协。

5.3 官方门户：一个"登记制"的入口

官方入口 http://visual.ic.uff.br/dmi/ 是一张双语（葡/英）介绍页，内容分四块：热成像、病历、钼靶、其他影像。页面表述是：

• 该平台"存储并管理用于乳腺癌早期发现的乳腺影像"
• 提供"我们研究组获得的热成像、钼靶、MRI 与超声图像"
• 患者记录以匿名方式呈现
• 热成像是"非侵入性、不使用电离辐射的生理检查"

真正的数据访问走的是子路径 visual.ic.uff.br/dmi/prontuario/home.php（prontuario 在葡语中是"病历"之意）。2025 年综述记录的访问日期为 2025 年 4 月 6 日，说明门户至少到该时点仍在运行。

需要说明的是：官方页面从头到尾没有出现"license"、“terms of use”、"citation requirement"这类字眼。这是本条目反复强调许可缺失的直接依据——不是我们没找到，是页面上确实没有。

5.4 一个常被混淆的对象：MRI 与超声也在库里

官方页面提到库里除热成像外还有钼靶、MRI 与超声。这带来一个高频误解：以为 DMR-IR 是个多模态配对数据集，热图、钼靶、MRI、超声一一对齐。

实际情况是：热成像与部分钼靶图像、临床记录之间有明确的逐例关联（这也是多数研究的用法）；MRI 与超声的收录范围与关联完整度，在可查的公开资料中没有明确说明。因此本条目只对"热图 + 临床记录 + 部分钼靶 + 56 例掩码"这一组合负责，不对 MRI/超声的可用性作任何承诺。

这一点在检索阶段很容易踩坑：某些二手介绍会写成"DMR-IR 包含热成像、钼靶、MRI、超声四模态配对数据"，这个描述超出了可查证的证据范围。

§6 数据质量：十个需要动手检查的地方

这一节是给实际要用这份数据的人看的。以下十条都来自公开文献中的明确批评或可直接观察到的特征，不是主观猜测。

6.1 类别不平衡与它的真实比例

主口径 293 例中 sick 105、healthy 188，比例约 1 : 1.79。这个比例在医学数据集中算相当健康，远好于常见的长尾分布。但要注意两点：

• 如果一个研究报出"90 + 90 = 180 例完全平衡"的规模（如 JESTECH 2025），说明它做了类别均衡采样，不代表原始库平衡。
• 图像层面的比例与患者层面不同：healthy 患者有左右两侧影像，sick 患者只有患侧，所以图像数的比值会与患者数比值不同。

6.2 只含患侧带来的三个具体后果

sick 病例仅提供患侧影像，这个设计在原始库中有其合理性（双侧同拍会让读图者通过对比直接看出异常，削弱单侧诊断的难度梯度），但对下游研究构成三个实际限制：

1. 无法做双侧温差分析（asymmetry analysis）。而双侧温差恰恰是临床读图的核心方法之一。
2. 存在"视角分布"这一隐蔽捷径。如果 sick 组只有单侧影像、healthy 组总有双侧，模型的输入分布就会有系统差异。严格的模型应该只使用与 sick 组同等视角的子集（例如只取每一例的正位图）来消除这一偏倚。
3. 左右标签不可得。综述明确写了 sick 病例不标注异常在左乳还是右乳。这意味着你不能训练"左右侧判别"任务，也不能做患侧-健侧配对的对比学习。

6.3 掩码只覆盖 56 例

56 例（37 sick + 19 normal）有手工分割掩码。这个数字带来一个典型的实验设计困境：

• 如果你想做"分割 + 分类"的端到端流水线，可用的只有 56 例
• 如果你想用全库做分类，就必须自己解决"如何从整幅热图中裁出乳房区域"的问题（阈值分割、主动轮廓、或者用 56 例训练一个分割器再泛化）

后者是主流做法，但它引入了一个隐性误差：你的分割器在另外 237 例上的表现未知。裁剪不准会导致温度统计量失真，而这一误差不会体现在最终分类指标里。

6.4 JPEG 与温度矩阵的选择

如 §2.2 所述，优先使用温度矩阵。如果只能用 JPEG，至少要做：

• 检查图像是否带色标图例（带图例的图需要裁掉图例区域）
• 统一转为灰度（多数研究取红色通道，因为红色对应高温区——这是 Dey 等人采用的做法，被 PMC 综述记录为常见预处理）
• 报告你是否做了直方图匹配（不同批次的灰度分布可能有系统偏移）

6.5 元数据的混语与编码

英语/葡语混记的实际影响：如果你打算用 marital_status 之类的字段做分层分析，必须先做值域归一化。建议流程：

1. 把每个类别字段的取值全部列出（value_counts）
2. 人工建立葡-英映射表
3. 把布尔字段统一为 True/False/Unknown 三值（保留 Unknown，不要强行填充）
4. 记录每一步的丢弃率

这一步很枯燥，但跳过它的代价是模型学到了 “casado” 和 “married” 是两个不同类别。

6.6 日期与时间字段

初诊日期字段在不同批次可能采用不同格式。做时间趋势分析（例如"库的采集年份分布"）前，必须逐批解析并抽检。这个字段的另一个用途是判断数据的时代分布——如果某一年份的记录特别集中，说明该年有一次大规模采集，可能对应不同的设备状态或协议版本。

6.7 重复患者与跨检查记录

综述提到"多数患者只有一次检查"（there is only one exam for most patients）。这句话的推论是：少数患者有多次检查。多次检查的记录在库中如何编号、是否共用同一 patient_id，公开资料未说明。

实际影响：如果你按"记录"去重而不是按"患者"去重，可能在训练集与测试集中同时出现同一患者的两次检查——这是比图像级泄漏更隐蔽的一种泄漏。

6.8 图像质量异常

热成像的典型伪影包括：

• 传感器噪声：暗区出现颗粒状斑点（PMC 综述明确提到）
• 环境反射：光滑物体（如金属器械）在画面边缘形成虚假热点
• 运动模糊：动态序列中患者轻微移动导致帧间错位
• 饱和：局部温度超出量程导致像素截断

这些都不在元数据里标注。做质量筛查时，建议至少检查：图像四角是否存在异常高温块、帧间配准误差是否超过阈值、像素值是否出现量程上下限的堆积。

6.9 环境条件的记录缺失

协议规定了 20-22 ℃ 室温与固定风量，但逐例的实测环境参数没有记录在元数据中。唯一的代理变量是"拍摄时胸壁温度"。这意味着你无法在建模时显式校正环境漂移，只能依赖这个间接量。

6.10 版本漂移

库是持续增长的（2014 年发表时为初版，后续有新增）。不同论文引用的 287 与 293 很可能就是不同时点的快照。做可复现研究时，必须在论文中写明下载/访问日期，并且如果可能，保存一份数据指纹（文件清单 + 校验和）。这一点 HF 复刻版卡片也提到了（建议锁定版本），但它自己没提供锁定机制。

§7 方法学图景：这个数据集上究竟跑过什么

7.1 三代方法的演进

DMR-IR 上的研究大体可以分成三代，代际之间的差异不在"网络更深了"，而在"研究者对数据的怀疑程度更深了"。

第一代（2014-2018 前后）：手工特征 + 传统分类器。
代表做法是：把热图转灰度、裁出乳房区域、计算一阶统计量（均值、方差、偏度）和二阶纹理特征，再喂给 SVM、KNN、决策树或随机森林。特征工程是主体工作量，分类器只是收尾。这一代的典型问题是对温度归一化敏感——换个灰度映射函数，指标就变。

第二代（2018-2022 前后）：预训练 CNN 微调。
把热图当作三通道图像，用 ImageNet 预训练的 ResNet、VGG、Inception 微调。这一代把指标推高了，但也带来了新问题：ImageNet 预训练权重是在自然图像上学到的，热成像的纹理分布与之相差极大；更麻烦的是，微调往往在小样本上过拟合（293 例、甚至 56 例）。

第三代（2022 至今）：在方法学上把"泄漏"和"可解释性"当成一等公民。
代表作是 2024 年 Algorithms 期刊那篇：用 HOG、LBP、Gabor、Canny 四种手工特征，配合元启发式优化（HPSO、HSMO）做超参数搜索，再叠加可解释 AI。它的价值不在准确率，而在于明确写了"传统做法按图像随机切分会引入泄漏，我们改为按患者 ID 切分"。这是 DMR-IR 研究史上的一个转折——从"刷指标"转向"承认数据结构"。

7.2 一个必须澄清的数字：97.62%

在二手文献里流传最广的数字是"ResNet152 + SVM 达到 97.62% 准确率"（Jalloul 等人的工作，被 PMC 综述转引）。引用这个数字时，必须带上它的前置条件：

该结果并非 DMR-IR 单库成绩，而是将 DMR-IR 与另一个数据集合并训练后得到的。

合并训练意味着模型面对的是"两个源域的混合"。在这个设定下：

• 如果两个源域的图像特征差异很大，模型可能先学会了"区分数据集来源"，再把这一能力当作分类依据
• 如果两个源域的标签定义不完全一致（一个按临床判定，一个按病理判定），标签噪声会叠加
• 97.62% 这个数字，在任何单一源域的测试集上都不必然成立

这不是说该工作有问题，而是说：任何跨库报告的数字，在迁移到单库场景时必须重新验证。本条目不复述那些未交代切分方式的第三方数字。

7.3 切分方式是这个数据集的第一道分水岭

DMR-IR 的每一例患者对应 5 张静态图（五视角）加最多 20 帧动态图。如果按图像随机 8:2 切分，同一患者的图像会同时出现在训练集和测试集里——模型只要记住"这位患者的温度场长什么样"，就能在测试集上拿到高分。这是患者级泄漏（patient-level leakage）。

2024 年那篇研究把这件事说得很直白：传统做法"在处理训练/测试划分时没有考虑患者身份，可能导致测试集与训练集重叠"。它的应对是按患者 ID 先切分患者池，再把每位患者的全部图像分配到同一侧。切分结果是 1,060 训练 / 462 测试——注意这是帧数，不是患者数。

2025 年 JESTECH 那篇同样采用了患者级切分（subject-wise split），并明确写了"确保某位受试者的全部热图完全落入训练集或测试集之一"。

判断一篇 DMR-IR 论文是否可信的第一个动作：翻到实验设置，找"split"这个词。如果只写"randomly split 80/20"而没有提到患者身份，它的指标基本不可用。

7.4 动态序列建模：被低估的方向

相比静态图上的分类竞赛，动态序列的研究少得多，但它触及了 DMR-IR 最独特的价值。可用思路包括：

思路	输入	建模要点	主要难点
热恢复曲线	乳房区域掩码内的平均温度 × 20 帧	指数拟合、曲线下面积、斜率	需先解决帧间配准
时空卷积	20 帧序列	3D CNN 或 CNN+LSTM	180 例样本量对 3D 网络偏小
差分图	相邻帧相减	突出温度变化区域而非绝对温度	对运动伪影极敏感
描述子聚合	每帧提取温度直方图 + 纹理	帧级特征池化后分类	池化会丢失时序信息

这些思路的共同前提是：你必须先把时间轴对齐。如 §3.4 所述，DMR-IR 的动态序列不能假设严格等距 15 s，建议归一化后再建模。

7.5 可解释性：热成像研究的一个天然优势

热成像有一个其他模态羡慕的特性：归因图（attribution map）可以直接对着温度图看。当 Grad-CAM 高亮出某块区域时，你可以立刻检查那块区域的温度是不是真的偏高、是不是在解剖上合理的位置。

这使得热成像成为研究"模型是否学到了正确的生理信号"的天然试验场。2024 年那篇研究把可解释 AI 作为方法的一部分，而不是附录里的装饰，这个取向值得肯定。

但也要警惕一种伪可解释：归因图落在图像边缘、背景或色标上。这在热成像里非常常见，因为背景（墙壁、器械）的温度分布往往比乳房内部更均匀、更容易形成稳定的激活模式。看到这种情况，说明模型学的是构图而不是生理。

§8 获取、许可与合规

8.1 三种获取路径的实际差异

路径	入口	需要什么	得到的形态	风险
官方门户	visual.ic.uff.br/dmi/prontuario/home.php	登记/申请，具体条件页面未详述	原始形态（JPEG + 温度矩阵 + 记录）	无许可文本，用途边界不清
HuggingFace 复刻	SemilleroCV/DMR-IR	平台账号	TIFF 化温度矩阵 + 生成式文本提示 + 元数据	复刻方自述 License “Not provided”
论文附带	各研究者的仓库	视作者而定	经过各自预处理后的子集	预处理不可追溯，无法回到原始温度

三条路径里，官方门户是唯一可能拿到完整原始数据的方式；HuggingFace 版胜在易用（TIFF + 结构化字段 + 已修正的元数据）；论文附带的小子集不建议作为主数据源，除非你只需要复现那一篇。

8.2 许可：一个需要正面回答的问题

这是本条目最不愿意含糊其辞的部分。

已知事实：

1. 官方页面没有许可条款、使用协议或引用要求
2. 2014 年论文摘要写的是 “can be accessed online for free”，描述的是访问方式，不含授权范围
3. HuggingFace 复刻版的 License 字段是 “Not provided”，并附注 “please update if applicable”
4. 数据涉及伦理批件（CAAE 01042812.0.0000.5243），批件约束的是采集行为，不等于数据再分发许可

推论：

• 学术研究使用（发表论文、报告指标）：在实践中被广泛接受，风险低，但严格说仍属"未明确授权"
• 商用、二次分发、构建商业产品：没有依据，必须另行取得书面许可
• 将数据上传至第三方平台（包括模型训练平台、数据托管服务）：应视为二次分发，同样需要许可

建议做法：

1. 论文的方法或数据可用性声明中，写明获取日期与获取方式
2. 若期刊要求 data availability statement，如实写"经官方门户登记获取，数据所有者未公开许可条款"
3. 涉及商业合作时，直接联系 UFF 视觉实验室取得书面许可
4. 不要因为"在 HuggingFace 上能下载"就推断它可以再分发

8.3 伦理与隐私

数据在发布前已做匿名化处理，官方页面明确写患者记录"以匿名方式呈现"。但需要注意：

• 临床元数据包含大量准标识符（年龄、人种、婚姻状况、初诊日期、治疗史）。准标识符的组合可能重新识别个体，尤其是小样本子集。
• 热成像本身携带体表形态信息。虽然不如照片直观，但结合体型与拍摄日期，识别风险不可完全忽略。
• HF 复刻卡自己也列出这一条：临床元数据包含敏感的个人与医疗信息（饮食习惯、家族史、放疗、激素替代、年龄、初潮/绝经），虽无显式标识符，仍应按隐私法规处理。

合规使用的底线是：不做个体级展示、不做跨数据集的记录链接、不做以重新识别为目的的分析。

8.4 引用规范

原始论文的标准引用：

Silva, L. F., Saade, D. C. M., Sequeiros, G. O., Silva, A. C., Paiva, A. C.,
Bravo, R. S., & Conci, A. (2014). A New Database for Breast Research with
Infrared Image. Journal of Medical Imaging and Health Informatics, 4(1), 92-100.
https://doi.org/10.1166/jmihi.2014.1226

使用 HuggingFace 复刻版时，除上述论文外还应引用其配套会议论文（Pinto 等，ColCACI 2025，DOI 10.1109/ColCACI67437.2025.11230909）。

注意 BibTeX 中的一个常见错误：原论文 BibTeX 里第二作者写作 “Saade, DCM”，第三作者 “Sequeiros, GO”，第七作者 “Conci, Aura”。部分二手引用把作者顺序或缩写弄错，投稿前请以 DOI 页面为准。

§9 与库内条目的关系

9.1 乳腺影像家族图谱

千方病案医数集已收录的乳腺相关条目，覆盖了从筛查到病理的完整链路。DMR-IR 在这张图里占据的是"功能成像、无辐射"这一格：

环节	条目	rid	模态
筛查（功能）	DMR-IR	本条	红外热成像
筛查（结构）	CBIS-DDSM	541	数字化钼靶
筛查（结构）	INbreast	542	钼靶（精细标注）
筛查（结构）	VinDr-Mammo	543	钼靶（BI-RADS）
筛查（结构）	CMMD	544	钼靶（中国人群）
筛查（结构）	Swiss-Mammo	627	钼靶报告合成
筛查（结构）	TN-Mammo	628	钼靶密度分级
筛查（断层）	3D Mammogram	942	数字乳腺断层摄影 DBT
诊断（功能）	Duke-Breast-MRI	440	DCE-MRI
诊断（超声）	BUSI	539	乳腺超声
诊断（超声）	Breast-Lesions-USG	1133	乳腺超声病灶
病理	BreastPathQ	268	细胞增殖定量

9.2 三条具体的互链路径

路径一：模态对照研究。 DMR-IR（rid 本条）与 CBIS-DDSM（541）、INbreast（542）的组合，可以做"同为乳腺癌筛查、不同模态下模型的域适应能力"研究。注意这类研究的结论往往是"跨模态迁移效果有限"，本身就是有价值的发现。

路径二：超声与热成像的互补。 BUSI（539）与 Breast-Lesions-USG（1133）都是超声模态，病灶级标注比 DMR-IR 细得多。用它们训练"病灶形态判别"，再用 DMR-IR 检验"温度模式是否能提示同类型病灶"，是一条可行但尚未被充分探索的路。

路径三：密度与温度的交叉。 TN-Mammo（628）提供乳腺密度分级。理论上，致密型乳腺的辐射散热特性与脂肪型不同，这会影响热成像的基线温度分布。目前没有看到公开研究把这两个数据集对齐分析——这是一个空白点。

9.3 不构成互链的对象

需要明确排除一类误关联：CMMD（544）虽同属乳腺钼靶，但为中国人群；VinDr-Mammo（543）为越南人群。 它们与 DMR-IR 的巴西人群共同构成"跨人群"证据链，但三者之间不存在患者重叠、不存在同一批病例的多模态记录，不能当作配对数据使用。

§10 避坑清单：十个已踩过的坑

坑 1：把 293 和 287 混用或相加

表现：论文写"该数据集共有约 293 例，部分文献报告 287 例，合计数据库约 580 例"。
为什么错：这是同一实体的两个统计口径，不是两个子集。
正确做法：选一个口径，标注来源与时点，另一个作为脚注存照。

坑 2：按图像随机切分

表现：train_test_split(images, test_size=0.2, random_state=42)。
为什么错：同一患者的 5 张静态图或 20 帧动态图会横跨训练与测试，模型靠"记住这位患者"拿高分。2024 年那篇研究已明确指出这一点。
正确做法：先按 patient_id 切分患者池，再分配图像。

坑 3：把 sick 只含患侧当作无关紧要

表现：直接把全部图像混在一起训练，不检查视角分布。
为什么错：healthy 有双侧、sick 只有单侧，模型的输入分布存在系统差异，可能学出"单侧 = 有病"的伪规律。
正确做法：对每一例只取同等视角（例如只取正位），或显式地把视角作为协变量。

坑 4：相信 97.62% 是 DMR-IR 单库成绩

表现：引言里写"已有研究在该数据集上达到 97.62%"。
为什么错：该结果来自与另一个数据集合并训练。
正确做法：引用时带上"合并训练"这一前置条件，或改引单库、患者级切分的研究。

坑 5：用带色标的 JPEG 训练

表现：直接读 JPEG 转 RGB 三通道喂网络。
为什么错：色标图例会成为一个稳定的高对比度特征，模型可能学会"有没有图例"这类与诊断无关的模式；伪彩色映射函数未记录，颜色不等于温度。
正确做法：优先用温度矩阵；若只能用 JPEG，裁掉图例并统一为灰度。

坑 6：以为 56 例掩码能覆盖全库

表现：设计"全库分割 + 分类"的端到端流水线。
为什么错：只有 56 例有掩码，其余 237 例需要自己分割，分割误差不会被最终指标反映。
正确做法：明确区分"掩码子集实验"与"自分割全库实验"，分别报告。

坑 7：忽视元数据的双语混写

表现：df['marital_status'].unique() 后直接 one-hot。
为什么错：同一类别会出现英语与葡语两种写法，被当作两个类别。
正确做法：先做值域盘点与映射，保留 Unknown 档。

坑 8：假设动态序列严格等距

表现：直接用 15 s 固定间隔做热恢复曲线拟合。
为什么错：跨年份、跨批次采集，帧间隔与帧数未必严格一致。
正确做法：抽样核验帧数与时间戳，对时间轴做归一化。

坑 9：以为 HuggingFace 上能下载就等于可以自由使用

表现：在论文里写"数据以 CC BY 许可公开于 HuggingFace"。
为什么错：复刻版 License 字段是 “Not provided”，官方页面也无许可声明。
正确做法：如实写"未公开许可条款，经登记门户/第三方镜像获取"。

坑 10：用"胸壁温度"字段当无关列丢弃

表现：建模时只保留图像与标签。
为什么错：这是唯一能代理环境与生理状态的标量，若在两组间有系统性差异，它就是混杂变量。
正确做法：至少报告其在 sick/healthy 两组的分布，必要时作为协变量。

坑 11（附加）：把 MRI/超声当作与热图配对的数据

表现：论文写"该数据集提供热成像与 MRI、超声的多模态配对样本"。
为什么错：官方页面只说明库中有这些影像，未说明逐例配对关系与完整度。
正确做法：只对可查证的"热图 + 临床记录 + 部分钼靶 + 56 例掩码"作承诺。

§11 总结

11.1 三句话总结

1. DMR-IR 是乳腺红外热成像领域的事实标准数据集——2025 年综述统计的 26 篇相关研究中 20 篇使用它，且它是唯一患者数超过 100 例的公开热成像库。
2. 它由 UFF 视觉实验室建立、HUAP 医院采集，主口径 293 例（sick 105 / healthy 188），FLIR SC620 五视角静态 + 20 帧动态双协议，56 例带手工分割掩码。
3. 它的价值与缺陷同样突出：动态协议是独特增量，但许可未声明、患者数多口径、sick 仅含患侧、元数据双语混记——每一条都要求使用者在方法学上多做一步。

11.2 适合谁

• 研究无辐射筛查方法、且愿意处理数据治理问题的团队
• 做时序/动态功能成像分析（热恢复曲线、时空建模）的研究者——这是 DMR-IR 最未被充分利用的部分
• 需要小样本、高解释性实验场景（可解释 AI、特征工程对照）的教学与研究
• 做医学数据集治理研究的人：它是一个"高使用率、低治理度"的绝佳案例

11.3 不适合谁

• 需要大规模、多中心、跨人群验证的产品化团队——单中心 293 例，泛化证据不足
• 需要病灶级精细标注的研究——只有二分类标签与 56 例区域掩码
• 需要明确商用许可的项目——许可从未公开声明
• 想"快速刷一个 SOTA"的人——患者级切分之后，这个数据集上的指标天花板并不高，且已有大量工作

11.4 30 秒决策卡

你的需求	结论
研究热成像分类算法，学术发表	推荐，但必须患者级切分
做动态热恢复时序建模	强烈推荐，这是最稀缺的资源
训练商业乳腺癌筛查产品	不建议，许可与规模都不支持
做多模态（影像 + 临床）研究	推荐，元数据是独特增量，但需清洗
做跨模态域适应（热成像 ↔ 钼靶）	可行，但预期结论是"迁移有限"
只需要一个二分类 demo	可用，但请如实报告规模与切分方式

§12 实操清单：从拿到数据到投出论文

这一节按时间顺序给出可执行的动作，每一步都标注"是否可跳过"。凡标"不可跳过"的，跳过就会在审稿阶段被追问。

12.1 第 0 步：访问与留痕（不可跳过）

1. 通过官方门户登记，记录访问日期与申请时填写的用途说明
2. 首次下载后立即生成文件清单与校验和（find . -type f -exec md5sum {} \; > manifest.md5）
3. 把 manifest 与访问日期写入项目 README

理由：库持续增长，没有版本号。没有访问日期的论文，在两年后无法被复现。

12.2 第 1 步：数据清点（不可跳过）

1. 统计患者数、每人影像数、每人视角数、每人有无动态序列
2. 与文献口径对照：你数出的患者数如果既不是 293 也不是 287，先别急着下结论，很可能是筛选条件不同
3. 画一张"患者 × 协议 × 视角"的稀疏矩阵图，看缺口在哪里

产物：一张数据清点表，直接放进论文附录或补充材料。

12.3 第 2 步：元数据清洗（不可跳过）

1. 逐列盘点取值（含缺失率）
2. 建立葡-英映射表，布尔字段统一为 True/False/Unknown
3. 日期逐批解析，抽检 20 条人工核对
4. 标出四个"必留"混杂字段，做 sick/healthy 分布对比

产物：清洗日志 + 映射表。两者都应作为补充材料提交，因为下一位使用同一数据集的研究者需要它。

12.4 第 3 步：图像预处理（按任务分流）

任务	输入形态	关键动作
二分类（静态）	温度矩阵 → 灰度	裁掉背景与图例、直方图归一、统一尺寸
二分类（动态）	温度矩阵序列	帧间配准、时间轴归一、取 ROI 内统计量
区域分割	JPEG/矩阵 + 56 例掩码	只在这 56 例上训练与评估，明确报告
多模态	图像 + 表格	表格先清洗，再决定是拼接还是转文本提示

12.5 第 4 步：切分（不可跳过）

1. 按患者切分，做不相交断言（附录 E 的 assert）
2. 检查两组标签比例，偏差超过 10 个百分点时改用分层分组切分（StratifiedGroupKFold）
3. 记录切分种子并写入论文

12.6 第 5 步：建模与评估（按需）

1. 先跑一个极简基线（例如 ROI 内平均温度 + 逻辑回归）。如果深度模型没有显著超过它，说明模型没学到东西
2. 报告三件事：患者级切分的指标、置信区间、混淆矩阵
3. 做一次"捷径检查"：把图像背景替换为纯色后重测，指标若大幅下降，说明模型依赖背景

第 3 条是这个数据集上最值得做的实验之一，成本很低但说服力很强。

12.7 第 6 步：可解释性（强烈建议）

1. 生成归因图
2. 逐例检查归因是否落在乳房区域内部
3. 统计"归因落在图像边缘/背景/色标"的比例，作为模型可信度的一个量化指标报告

12.8 第 7 步：写作与提交（不可跳过）

1. 在方法一节写明：库的患者数口径、访问日期、切分方式、视角选择
2. 在数据可用性声明中写明许可状态
3. 若使用了 HuggingFace 复刻版，额外引用 ColCACI 2025 论文
4. 提交前对照 §10 的十一个坑逐条自查

12.9 一张表看完这七步

步骤	耗时占比（经验值）	可跳过	常见失误
0 访问与留痕	5%	否	不记录访问日期
1 数据清点	10%	否	直接开始训练，不清楚自己有多少例
2 元数据清洗	20%	否	双语值当不同类别
3 图像预处理	20%	视任务	用带色标 JPEG
4 切分	5%	否	按图像随机切分
5 建模评估	25%	视任务	不做极简基线
6 可解释性	5%	建议做	只看指标不看归因
7 写作提交	10%	否	不写许可状态

这张表最想传达的一点是：在这个数据集上，真正的功夫有 40% 花在拿到数据之后、训练模型之前。它不是那种"下载即用"的数据集，这也正是它有别于现代挑战赛数据集的地方。

12.10 三个典型的失败案例复盘

以下三例不是某个具体实验室的事故记录，而是这个数据集上反复出现的三类失败模式。它们常以不同面貌重演。

案例一：指标虚高，换数据即崩。
某研究在 DMR-IR 上做患者级切分，报告了很高的准确率，随后在另一家医院的私有热成像数据上测试，指标大幅下降。复盘发现：DMR-IR 全部来自同一台 FLIR SC620、同一间检查室、同一套风扇与室温设定。模型学到的不只是温度模式，还有这台相机的噪声指纹与这间屋子的背景温度分布。换设备、换房间，这些"稳定特征"全部失效。

教训：单中心单设备数据集上的高分，几乎总是包含设备与环境的贡献。要检验这一点，最便宜的办法是只保留乳房区域、把背景置零后重测；若指标明显下降，说明模型的部分能力来自背景。

案例二：把二分类当作病灶检测。
某研究把模型的显著性图当作"病灶定位"来展示，声称模型"能自动圈出可疑区域"。实际上 DMR-IR 的标签只有患者级二分类，没有任何病灶位置监督。归因图高亮的区域，只是"对分类有贡献的区域"，不等于病灶。当审稿人要求提供定位的真值评估时，这项声称无法支撑。

教训：归因 ≠ 定位。没有病灶级标注，就不要写出"定位"“检出”"圈出病灶"这类表述；改为"模型关注区域"并明确说明其未经验证。

案例三：跨库合并后被数据来源主导。
某研究把 DMR-IR 与另一个热成像库合并训练，报告了很高的指标。这类工作的隐患在于：如果两个库在相机型号、分辨率、文件格式、背景构成上存在系统差异，那么"标签"与"来源"就是相关的——只要某个库的患病比例更高，模型就可以靠识别来源来提升准确率，而不需要学会生理特征。这种效应在合并库数量少、来源差异大时尤其明显。

教训：合并训练前，先做一个仅用来源作为标签的分类实验。如果模型能轻易区分两个库（准确率远超随机），那么在真实标签任务上，来源信息就是一个必须被消除的混杂维度（可用对抗训练、域归一化或按来源分层评估来处理）。

三个案例的共同点是：问题都不出在模型结构，而出在对数据的认识。这也是本条目反复强调"先算清数据、再谈模型"的原因。

12.11 一句话交接

如果你要把这项工作交给下一个人，只需交代四件事：数据从哪来、访问日期是哪天、切分按什么做、许可写什么。这四件事构成了 DMR-IR 研究的最低可复现单元；缺任何一项，接手者都要从零开始重新摸索，而这个数据集恰恰没有官方文档可以依靠。

12.12 常见角色阅读路径

本条目篇幅较长，不同角色可按以下顺序取用：

角色	建议顺序	重点
临床/肿瘤科医生	§4 → §0 → §11.2	理解热成像的定位与局限，避免把它当筛查首选
影像组学算法工程师	§2.2 → §6 → §12	预处理与切分是成败关键
数据治理 / 合规人员	§8 → 附录 B → §10	许可缺失是核心风险点
数据集选型的 PI	§11.4 → §2.8 → 附录 H	30 秒判断是否适合
学生 / 课程使用者	§0 → §1 → §3 → §12	建立整体认知与动手路径
审稿人	§10 → 附录 C → 附录 G	快速核对数字口径与证据强度

12.13 关于"用不用"的最后一句

这份数据的价值，很大程度上取决于使用者是否愿意承认它的缺陷。承认了，你能在一个稀缺模态上做出扎实的小样本研究；不承认，你会在一个单中心、许可不明、标签粗糙的库上，重复十年前已经做过的指标游戏。选择权在读者手上，本条目只负责把事实摆清。

12.14 与钼靶流程的衔接建议

很多临床研究者关心的问题是：热成像的结果该怎么放回现有的筛查流程里。这里给出一个不越界的建议框架。

可以做的：

1. 把热成像作为补充记录留档。当患者因乳腺致密、钼靶阴性但临床可疑而进入随访时，热成像可以作为一条独立的时间序列记录，为后续对比提供基线。
2. 把热成像的时序变化（而非单次绝对值）作为随访提示。同一个体在不同时间点的温度分布变化，比跨个体的绝对值更有解释力，因为它天然消去了个体差异。
3. 在新辅助治疗随访中使用。治疗期间肿瘤血流会迅速改变，温度模式的变化可能早于影像学体积变化；但这一点在 DMR-IR 上并无治疗前后配对数据可供验证，需要前瞻性采集。

不能做的：

1. 不能用 DMR-IR 训练出的模型直接做"是否癌"的临床判断。数据集标签是患者级二分类，且部分未经活检确认。
2. 不能把热成像作为钼靶的替代，用于一般人群筛查。缺乏大样本的前瞻性验证，这一点在文献中是一致的。
3. 不能在没有监管批准的情况下，把算法输出包装成诊断建议。

这个框架的写法刻意区分了"可作为研究记录"与"不可作为临床决策"，因为这两者之间的界线，是这类数据集最容易被人为模糊的地方。

12.15 数据使用登记样表

建议在项目内部维护一张如下登记表，它同时也是论文补充材料的现成素材。

项目	填写内容	示例
数据来源	官方门户 / 第三方镜像	官方门户
访问日期	YYYY-MM-DD	2026-10-17
患者数（库口径）	文献口径 + 出处	293（PMC12189745）
患者数（本研究口径）	筛选后实际使用	待填
图像形态	温度矩阵 / JPEG	温度矩阵
视角	使用的视角集合	frontal
协议	SIT / DIT / 两者	SIT
切分方式	患者级 / 图像级	患者级
切分种子	整数	42
掩码子集	使用 / 未使用	未使用
许可状态	原文照抄	未公开声明
引用	原始论文 + 镜像论文	S1 + ColCACI 2025

这张表填完，论文的方法与数据可用性两节基本就齐了。它解决的问题是：十年后有人想复现你的结果时，至少知道该从哪个时点、哪个口径开始。

FAQ（高频问答 24 问）

A. 基础认知

Q1：DMR-IR 和"热成像乳腺癌检测"是一回事吗？
不是。DMR-IR 是一个数据集，热成像检测是任务方向。很多论文用 DMR-IR 做热成像检测，但热成像检测也可以用其他库（如 Ann Arbor 系列、私有库）。本条目只描述数据集本身。

Q2：为什么它叫 DMR 而不是 DMR-IR？
“Database for Mastology Research” 原名是 DMR，后来因为其核心内容是红外图像，文献中广泛写作 DMR-IR。官方研究组的论文标题用的是 “A New Database for Breast Research with Infrared Image”，正文简称 DMR。两种写法指同一实体。

Q3：它和 TCGA、CAMELYON 这类大库有什么区别？
规模差异是量级的（TCGA 是万级，DMR-IR 是百级），但更本质的区别是组织方式：TCGA 是项目制的多中心注记数据库，DMR-IR 是单中心医院档案的开放检索接口。前者有严格的数据字典与版本管理，后者没有。

Q4：它的数据是回顾性还是前瞻性？
从公开资料看，是从既有临床记录中整理的历史影像（HUAP 筛查科与妇科门诊），属回顾性整理，但采集时遵循了明确的协议。这一点在文献中没有被明确表述为"回顾性研究"，此处仅据"采集自既有门诊记录"推断。

Q5：为什么 2014 年就发了论文，2025 年还在用？
因为替代品没有出现。十年间全球没有第二个患者数过百的公开乳腺热成像库。稀缺性造成垄断，垄断造成"只能忍受它的缺陷"。

Q6：有更新的版本吗？
官方库持续接收新病例（这也是 287 与 293 差异的可能来源），但没有"V2.0"这样的版本号。2025 年的 HuggingFace 复刻版不是官方版本，是第三方处理版。

B. 数据与获取

Q7：怎么拿到数据？
官方路径是 http://visual.ic.uff.br/dmi/ 及其病历入口 visual.ic.uff.br/dmi/prontuario/home.php，需要登记。第三方路径是 HuggingFace SemilleroCV/DMR-IR。两条路的授权状态都不明确。

Q8：下载需要付费吗？
公开资料中没有付费说明。2014 年论文摘要写 “accessed online for free”。但这只是访问方式的描述，不构成对使用范围的授权。

Q9：有许可证吗？
官方页面没有。HuggingFace 复刻版标注为 “Not provided”。因此任何写"该数据集采用 CC BY 或 CC BY-NC 许可"的说法都缺乏依据。

Q10：可以用于商业产品吗？
不能据现有信息判断可以。需要向数据所有者（UFF 视觉实验室）取得书面许可。

Q11：可以二次分发到自己的平台吗？
属于再分发，同样需要许可。不应因为其托管在 HuggingFace 上就认为它可自由镜像。

Q12：引用要求是什么？
官方页面未列出引用要求。学术惯例是引用 2014 年原始论文（DOI 10.1166/jmihi.2014.1226）。使用复刻版时另引用 ColCACI 2025 论文。

C. 数据构成

Q13：到底有多少例患者？
主口径 293 例（2025 综述），另有 287 例（2023 论文）。两者是不同时点/范围的统计，不是两个子集。选择其一并注明来源即可。

Q14：sick 和 healthy 各多少？
按主口径，sick 105 例、healthy 188 例，合计 293 例，内部自洽。

Q15：有多少张图？
公开资料没有给出可直接引用的"总图像数"。可查的具体数字有：56 例带掩码；某研究在患者级切分后得到 1,522 帧（1,060 + 462）；某研究使用 180 例 × 20 帧 = 3,600 帧。这些都是研究者的样本量，不是库的总量。

Q16：图像分辨率是多少？
640×480，FLIR SC620 拍摄，热灵敏度文献中写作 0.04 ℃ / 45 mK / 40 mK 三种表述。

Q17：有 MRI、钼靶、超声吗？
官方页面称库内有热成像、钼靶、MRI、超声。可查证的配对关系只限于热图 + 临床记录 + 部分钼靶 + 56 例掩码。MRI 与超声的配对完整度无公开说明。

Q18：有分割标注吗？
有，56 例（37 sick + 19 normal），手工勾画胸部/乳房区域。

D. 模型与方法

Q19：在这个数据集上，准确率能到多少？
没有可一概而论的答案。流行的 97.62% 是跨库合并训练的结果。患者级切分后的单库结果通常明显更低，且高度依赖预处理与视角选择。建议不要引用单一数字，而是引用"患者级切分 + 明确预处理"的方法论文。

Q20：为什么同一个模型换个论文准确率差很多？
三个主因：切分方式（图像级 vs 患者级）、视角选择（五视角全用 vs 只用正位）、输入形态（JPEG vs 温度矩阵）。这三项任一变化都会显著改变指标。

Q21：可以用预训练模型吗？
可以，但要意识到 ImageNet 预训练与热成像的域差异极大。建议至少做两件事：一是在冻结主干的情况下先看特征是否可分；二是微调时用较小学习率与较强正则。

Q22：动态序列怎么建模？
先把时间轴归一化，再做帧间配准，然后取两种思路之一：曲线型（区域内平均温度随时间的变化）或张量型（3D CNN / CNN-LSTM）。样本量只有百级，复杂模型的过拟合风险很高。

E. 治理与合规

Q23：如果期刊要求 data availability statement，怎么写？
建议写清楚三件事：获取渠道（官方门户登记 / HuggingFace 镜像）、获取日期、许可状态（“数据所有者未公开许可条款”）。不要编造一个许可证。

Q24：可以用它做模型发布吗？
发布模型权重（而非数据）通常争议较小，但仍应在模型卡中注明训练数据来源与许可不明的事实，并提示下游用户不得据此推断数据可商用。

事实清单（硬事实 32 条）

以下每条均可回溯到公开来源，标注出处编号见文末来源表。

1. 数据库全称 DMR（Database for Mastology Research），核心内容为乳腺红外热成像。【S1、S2】
2. 首发论文发表于 Journal of Medical Imaging and Health Informatics 2014 年第 4 卷第 1 期，页码 92-100。【S1】
3. 论文 DOI 为 10.1166/jmihi.2014.1226。【S1】
4. 论文作者共 7 人：Silva LF、Saade DCM、Sequeiros GO、Silva AC、Paiva AC、Bravo RS、Conci A。【S1】
5. 建立机构为巴西弗鲁米嫩塞联邦大学（UFF）计算机研究所视觉实验室。【S1、S3、S4】
6. 影像采集于 HUAP（Hospital Universitário Antônio Pedro）大学医院。【S3、S4】
7. 伦理批件为巴西卫生部登记号 CAAE 01042812.0.0000.5243。【S3、S4】（双源一致）
8. 患者主口径 293 例。【S4】
9. 其中 sick 105 例、healthy 188 例，两者相加等于 293。【S4】（据该文数字推算内部自洽）
10. 对照口径 287 例，出自 2023 年 MBE 论文。【S5】
11. 有分割掩码的病例为 56 例，其中 sick 37、normal 19。【S4】
12. 117 例（40%）的诊断经活检验证。【S4】
13. sick 组中 78 例（74%）经活检验证。【S4】
14. 采集设备为 FLIR SC620 热像仪。【S3、S6、S7】
15. 图像分辨率 640×480。【S3、S6、S7】
16. 热灵敏度在文献中有 0.04 ℃、45 mK、40 mK 三种表述。【S3（0.04 ℃）、S7（45 mK）、S6（40 mK）】
17. 静态协议为静息 10-15 min 后单帧拍摄。【S6、S7】
18. 动态协议为降温 5 min 后连续采集 20 帧。【S6、S7】
19. 动态序列帧间隔约 15 s。【S7】
20. 动态协议室温控制在 20-22 ℃。【S6】
21. 五个标准视角：正位、R45、L45、R90、L90。【S6、S7】
22. 图像以 JPEG 热图与温度矩阵两种形态提供。【S4】
23. 多数 JPEG 为灰度，部分带色标图例。【S4】
24. 提供部分数字化钼靶图像（灰度）。【S3、S4】
25. sick 病例仅含患侧影像；healthy 病例含左右两侧。【S6】
26. sick 病例不标注异常在左乳或右乳。【S4】
27. 临床元数据字段含年龄、初诊日期、婚姻状况、人种、诊断、主诉、体征、拍摄时胸壁温度、钼靶检查史、放疗、整形手术、假体、激素替代、乳头改变、乳房疣。【S4】
28. 元数据以英语或葡萄牙语混记，编码不一致。【S4】
29. 2025 年综述统计的 26 篇相关研究中，20 篇（77%）使用 DMR-IR。【S4】
30. 该综述称 DMR-IR 是唯一患者数超过 100 例的公开乳腺热成像数据集。【S4】
31. HuggingFace 复刻版标识为 SemilleroCV/DMR-IR，License 字段为 Not provided。【S3】
32. 复刻版配套论文为 ColCACI 2025，DOI 10.1109/ColCACI67437.2025.11230909。【S3】

术语表（26 条）

术语	英文	释义
红外热成像	infrared thermography	被动接收体表红外辐射并成像的技术，不发射任何能量
乳腺病学研究	mastology	研究乳腺疾病的基础与临床学科，葡语/西语文献常用
静态红外热成像	Static Infrared Thermography (SIT)	热稳定后单帧成像的协议
动态红外热成像	Dynamic Infrared Thermography (DIT)	主动降温后连续成像、观察热恢复的协议
热恢复曲线	thermal recovery curve	区域内温度随时间回升的曲线，反映血流与热容量
温度矩阵	thermal matrix	逐像素浮点温度值的原始数据形态
伪彩色	false color / pseudo color	把温度映射到色带的可视化方式，映射函数常未记录
色标图例	color bar	伪彩图上标示温度范围的条带，可能成为模型捷径
正位	frontal view	正对胸壁的拍摄视角
斜位 45°	oblique 45° view	左右各一的 45° 斜向视角
侧位 90°	lateral 90° view	左右各一的 90° 侧向视角，覆盖腋窝
双侧温差分析	asymmetry analysis	比较左右乳房温度分布差异的临床读图方法
患侧	affected side	sick 病例中有病变的一侧
热灵敏度	thermal sensitivity (NETD)	相机可分辨的最小温差，单位 mK 或 ℃
感兴趣区域	Region of Interest (ROI)	用于统计或分割的局部区域
分割掩码	segmentation mask	像素级标出目标区域的文件
患者级切分	patient-level / subject-wise split	同一患者的全部样本只落在一侧，避免泄漏
数据泄漏	data leakage	测试信息通过样本关联渗入训练过程
捷径学习	shortcut learning	模型学习与目标无关但相关的表面特征
调色板泄漏	palette leakage	模型学到色彩映射而非生理信号
选择偏倚	selection bias	样本纳入过程与目标变量相关导致的偏差
混杂变量	confounder	同时影响输入与结果、未被控制的变量
准标识符	quasi-identifier	单独不识别、组合可识别个体的字段
域适应	domain adaptation	把一个源域训练的模型迁移到另一分布
视觉-语言模型	vision-language model (VLM)	同时处理图像与文本的模型，如复刻版配套论文所用
回指热图	attribution map	标出模型关注区域的解释性可视化，如 Grad-CAM

附录

附录 A：条目信息速查卡

项	内容
条目 slug	dmr-ir
官方名	DMR — Database for Mastology Research
常见别名	DMR-IR、DMR_IR、DMR dataset
建立机构	Universidade Federal Fluminense（UFF）视觉实验室
采集医院	HUAP（Hospital Universitário Antônio Pedro）
首发论文	J Med Imaging Health Inform 2014;4(1):92-100
DOI	10.1166/jmihi.2014.1226
官方入口	http://visual.ic.uff.br/dmi/
伦理批件	CAAE 01042812.0.0000.5243
规模	293 例（105 sick / 188 healthy）
模态	红外热成像（附部分钼靶、MRI、超声）
设备	FLIR SC620，640×480
标注	二分类；56 例分割掩码
许可	未公开声明
使用率	综述 26 篇中 20 篇使用（77%）

附录 B：DAIMS 评估全表

DAIMS（Data and AI Maturity/Readiness Scorecard）从六个维度评估数据集的"AI 就绪度"。本条目按此框架评分，每项 1-5 分（1 = 严重不足，5 = 业界标杆）。

维度	评分	依据
数据可用性（Availability）	3	官方门户可访问、长期在线；但登记制、无直链下载、无版本号
数据完整性（Completeness）	3	影像 + 元数据 + 部分钼靶 + 掩码较完整；但元数据缺环境参数、缺病灶定位、掩码覆盖率仅 19%（56/293）
标注质量（Annotation Quality）	3	诊断标签有临床来源；40% 有活检；但仅二分类、无病灶级标注、判定模态未逐例披露
规范性（Standardization）	2	无数据字典、字段双语混记、无标准目录结构、无版本管理
许可清晰度（Licensing）	1	官方无许可声明，第三方镜像亦为 Not provided，是六项中最弱一环
可复现性（Reproducibility）	3	采集协议有明确文献描述；但库持续增长、无锁定版本、元数据不完整导致复现困难
加权总分	2.5 / 5.0	属于"研究可用、工程慎用"档

补充说明：这个分数不代表数据集"差"。以 2014 年的标准看，能在没有基金支持的条件下建成并长期维护一个百例级热成像库，已属难得。扣分主要集中在许可与规范性上——这两项恰恰是 2010 年代早期医学数据集的普遍短板，而非 DMR-IR 独有。

附录 C：逐项证据链自证

结论	证据	证据类型
数据集真实存在	官方页面可访问 + 2014 论文 DOI 可解析 + 多篇独立论文使用	三源互证
建立机构为 UFF	论文作者机构 + 官方页面域名（ic.uff.br 为 UFF 计算机研究所）	双源
伦理批件号	PMC 综述 + HuggingFace 卡	双源一致
293 例	PMC 综述（2025）	单一来源，存照
287 例	MBE 2023	单一来源，存照
105 / 188 拆分	PMC 综述	单一来源，与 293 内部自洽
56 例掩码	PMC 综述	单一来源
40% / 74% 活检率	PMC 综述	单一来源
FLIR SC620	HF 卡 + MBE + JESTECH	三源一致
20 帧 / 15 s	JESTECH（明确写 15-second intervals）+ MDPI（写 20 张图）	双源
20-22 ℃ 室温	MDPI Algorithms 2024	单一来源
五视角	MBE + MDPI	双源
许可未声明	官方页面无许可段落 + HF 卡 License: Not provided	双源
77% 使用率	PMC 综述	单一来源

附录 D：数据获取决策树

你打算用 DMR-IR 做什么？
│
├─ 学术发表（论文、学位论文）
│   ├─ 需要原始温度矩阵 ──→ 官方门户登记 ──→ 记录访问日期
│   └─ 只要图 + 元数据 ──→ HuggingFace 复刻版（TIFF，更快上手）
│
├─ 教学 / 课程演示
│   └─ HuggingFace 复刻版即可（注意在课件中注明许可状态）
│
├─ 商业产品 / 对外服务
│   └─ 停止。先联系 UFF 视觉实验室取得书面许可
│
├─ 构建并公开发布模型
│   ├─ 只发权重 ──→ 可行，模型卡注明数据来源与许可不明
│   └─ 连数据一起发 ──→ 不行，属再分发
│
└─ 与钼靶/超声数据集做跨模态研究
    └─ 可行，但须先证明两个数据集之间不存在患者重叠

附录 E：患者级切分代码骨架

以下骨架演示"先切患者、再取图像"的正确顺序，不依赖具体库。

import pandas as pd
from sklearn.model_selection import GroupShuffleSplit

# df 至少包含三列: patient_id, image_path, label
df = pd.read_csv("dmr_index.csv")

# 关键: 以 patient_id 为分组键，而不是以 image_path 为索引
gss = GroupShuffleSplit(n_splits=1, test_size=0.3, random_state=42)
train_idx, test_idx = next(gss.split(df, groups=df["patient_id"]))

train_df = df.iloc[train_idx]
test_df = df.iloc[test_idx]

# 自检 1: 两组患者集合必须不相交
assert set(train_df["patient_id"]).isdisjoint(set(test_df["patient_id"]))

# 自检 2: 报告患者数而非图像数
print("train patients:", train_df["patient_id"].nunique(),
      "test patients:", test_df["patient_id"].nunique())

# 自检 3: 检查两组标签比例是否严重失衡
print(train_df.groupby("patient_id")["label"].first().value_counts())
print(test_df.groupby("patient_id")["label"].first().value_counts())

要点说明：GroupShuffleSplit 的 groups 参数是分组的唯一依据，切分发生在患者层面，之后按索引取图像。自检 1 是必须保留的断言——它能在数据整理出错时立刻报警。

附录 F：视角一致性检查骨架

用于坑 3（sick 只含患侧导致视角分布偏差）。

# df 含 patient_id, label, view（frontal / R45 / L45 / R90 / L90）, side（L/R）
pivot = df.groupby(["label", "view"])["patient_id"].nunique().unstack(fill_value=0)
print(pivot)

# 若 healthy 组的 view 数量明显多于 sick 组，说明两侧影像导致了视角数差异
# 应对: 每例只保留 frontal 视角，或对两侧影像做随机单侧抽样后与 sick 组对齐

判断标准：如果 pivot.loc["healthy"].sum() 显著大于 pivot.loc["sick"].sum()，则直接混训会引入视角偏倚。最稳妥的做法是只用 frontal 视角做患者级二分类，因为五视角中只有正位对 sick 与 healthy 都是必然存在的。

附录 G：硬数字双口径登记表

指标	口径 A	口径 B	差异原因	本条目采用
患者数	293（综述 2025）	287（MBE 2023）	统计时点或范围不同	A 为主，B 存照
热灵敏度	0.04 ℃（HF 卡）	45 mK（JESTECH）/ 40 mK（MBE）	表述单位与测量条件不同	并列，均为同一量级
动态帧数	20 帧（MDPI/JESTECH）	—	无冲突	20 帧
掩码覆盖	56 例（综述）	—	无冲突	56 例
活检比例	40%（总体）	74%（sick 组）	分母不同，不冲突	双数并列
使用率	20/26 = 77%	—	无冲突	77%

附录 H：与其他乳腺数据集的关键属性对照

属性	DMR-IR	CBIS-DDSM (541)	INbreast (542)	BUSI (539)	Duke-Breast-MRI (440)
模态	热成像	钼靶	钼靶	超声	DCE-MRI
电离辐射	无	有	有	无	无
规模量级	百例	千例	百例	百例	近千例
病灶级标注	无（仅 56 例区域掩码）	有	有	有	有
逐例临床元数据	有（较丰富但编码乱）	部分	部分	部分	有
公开许可	未声明	依官方约定	依官方约定	依官方约定	依官方约定
典型任务	二分类、动态时序	病灶分类/分割	病灶分割	三分类+分割	病灶检测/分类

这张表的用途是帮助读者在选数据集时快速建立排除逻辑：如果你需要病灶级标注，DMR-IR 直接出局；如果你需要无辐射模态，DMR-IR 与超声、MRI 是仅有的选项，而其中只有 DMR-IR 是纯被动的（超声需要耦合剂接触，MRI 需要造影剂）。

附录 I：维护计划与触发点

本条目内容基于 2026 年 10 月可查的公开资料。以下情形出现时需要更新：

1. 官方发布许可条款（最优先）——若 UFF 后续明确授权，附录 B 的"许可清晰度"评分应从 1 分上调，§8.2 的结论需重写
2. 患者数口径统一——若官方页面开始公布计数，附表 G 的双口径可合并为单口径
3. 库规模显著扩张（例如突破 500 例）——§2.1 的规模表与 §11.4 的决策卡需复核
4. 出现新的患者数超过 100 的公开乳腺热成像库——§11.1 的"唯一性"论断失效，需改写
5. 复刻版更新 License 字段——§8.1 与 §8.2 需同步

来源

编号	来源	用途	URL / DOI
S1	Silva LF 等，A New Database for Breast Research with Infrared Image，J Med Imaging Health Inform 2014;4(1):92-100	论文元数据、作者、摘要表述（free access、四协议、相似性检索）	DOI 10.1166/jmihi.2014.1226
S2	DMR 官方门户	数据库定位、影像类型、匿名化说明	http://visual.ic.uff.br/dmi/
S3	HuggingFace 数据集卡 SemilleroCV/DMR-IR	复刻版构成、CAAE 批件、FLIR SC620 参数、License: Not provided、配套论文 DOI	https://huggingface.co/datasets/SemilleroCV/DMR-IR
S4	PMC12189745，Breast Cancer Detection Using Infrared Thermography: A Survey of Texture Analysis and Machine Learning Approaches	293/105/188、56 例掩码、40%/74% 活检率、77% 使用率、五视角、元数据字段与缺陷、患侧说明	https://pmc.ncbi.nlm.nih.gov/articles/PMC12189745/
S5	Mathematical Biosciences and Engineering 2023，Automated tumor segmentation in thermographic breast images（DOI 10.3934/mbe.2023748）	287 例对照口径、五视角、40 mK、肿瘤分割	https://doi.org/10.3934/mbe.2023748
S6	Algorithms 2024, 17(10):462，A New Computer-Aided Diagnosis System for Breast Cancer Detection from Thermograms	动态协议细节（20-22 ℃、抱头站立、20 帧、640×480）、1,060/462 切分、患者级切分论述、旧/新病例文件夹结构	https://www.mdpi.com/1999-4893/17/10/462
S7	Engineering Science and Technology, an International Journal 2025，Comparative analysis of autoencoder architectures for breast cancer detection using dynamic infrared thermography	45 mK、15 s 帧间隔、21-80 岁、90+90=180 例 3,600 帧、subject-wise split	DOI 10.1016/j.jestch.2025.102225

说明：S1 通过 IngentaConnect 摘要页核实（全文为付费墙，本条目仅引用摘要中明确出现的表述）；S4 通过 PMC 页面核实；S3 通过镜像地址读取（HuggingFace 主站在沙箱内不可直连）；S5/S7 通过 DOI 解析页与论文 PDF 摘要核实；S6 通过 MDPI 页面核实。

---

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：

• tn-mammo-breast-density — 共享标签：医学影像 / 乳腺影像 / 图像分类 / 肿瘤学
• qamebi — 共享标签：医学影像 / 乳腺影像 / 图像分类 / 肿瘤学
• oasbud — 共享标签：医学影像 / 乳腺影像 / 图像分类 / 肿瘤学
• bach — 共享标签：医学影像 / 乳腺影像 / 图像分类 / 肿瘤学
• udiat — 共享标签：医学影像 / 乳腺影像 / 图像分类 / 肿瘤学
• ham10000 — 共享标签：医学影像 / 图像分类 / 肿瘤学
• ddti — 共享标签：医学影像 / 图像分类 / 肿瘤学
• panda — 共享标签：医学影像 / 图像分类 / 肿瘤学
• oral-cavity-opmd — 共享标签：医学影像 / 图像分类 / 肿瘤学
• cystods — 共享标签：医学影像 / 图像分类 / 肿瘤学

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。