信息速览
INFOBOX — DRIONS-DB 一屏速览
维度 内容 本质 2008 年发布的视神经乳头（视盘）分割基准数据集（非挑战赛、单版本） 全称 Digital Retinal Images for Optic Nerve Segmentation Database 团队 UNED 人工智能系 + Hospital Miguel Servet（萨拉戈萨）+ 马德里康普顿斯大学；通讯 Enrique J. Carmona 论文 Artif Intell Med. 2008;43(3):243-259（doi:10.1016/j.artmed.2008.04.005；PMID 18534830） 数据 110 张彩色眼底彩照（原始 124 张剔除 14 张白内障）；RGB 600×400、8 bits/pixel 患者 55 名；平均 53.0 岁（S.D. 13.05）；46.2% 男/53.8% 女；全体高加索族裔 疾病 23.1% 慢性单纯性青光眼 + 76.9% 眼高压（合计 100%） 标注 2 名医学专家逐点手工描画视盘轮廓；官网分发两套独立 GT；论文金标准=两专家平均 任务 视盘（ONH/OD）定位与分割；2 类（background / optic_disc） 常用切分 DRIU（MICCAI 2016）60 训练 / 50 测试，仅用 expert1 获取 官网 .rar 直链（anon_direct，约 0.2 GB）；UNED 主机 2026-07 起 SSL 证书过期 许可 研究/教育免费；禁修改、禁再分发、禁未授权商用；非 CC 地位 视网膜视盘分割的奠基基准之一；DRIU 在此宣称 super-human 性能 库内互链 RIM-ONE（rid 291，最近亲）、DRIVE（rid 241）、MESSIDOR（rid 59）、EyePACS（rid 58）、ACRIMA（rid 774）
DRIONS-DB 是视网膜图像分析史上不能绕过的一块基石：2008 年，当"用算法自动找出眼底照片上那个亮圆形——视神经乳头"还是一件需要手工设计规则和启发式的工作时，西班牙 UNED 的 Enrique Carmona 团队联合萨拉戈萨 Miguel Servet 医院的眼科医生，把 110 张眼底彩照连同两位眼科专家一笔一笔描出的视盘轮廓，打包成了一个公开基准。它奠定了"视盘分割如何算好"的评测范式，也让后来者得以量化一个至今仍被津津乐道的问题：算法到底能不能比第二个专家画得更接近金标准？
导语读法三则：
- 只想下数据：直奔 §6 获取与许可——官网 .rar 直链，注意"研究/教育限定 + 禁再分发"不是 CC，且 UNED 主机证书已过期。
- 关心怎么评测：直奔 §4 任务与标注、§5 评估与基准——金标准三口径（专家1/专家2/平均）与 60/50 切分是复现的前提。
- 想弄清它在今天的价值：直奔 §7 生态与谱系、§9 避坑清单——它小、旧、单族裔，但仍是"DRIU 超人类性能"叙事的原点与跨库泛化的试金石。
§0 导读：这个数据集解决什么问题
眼科人工智能的起点，可以浓缩成一张眼底照片上的一个问题：视神经乳头（optic nerve head, ONH）在哪里？这块亮圆形区域是视网膜神经纤维汇入视神经的出口，它的边界、大小、以及它内部凹陷的"视杯"（optic cup）与整体的比值——杯盘比（cup-to-disc ratio, CDR）——是青光眼诊断的核心量化指标。若算法能稳定地把视盘轮廓圈出来，CDR 就能自动测量，青光眼筛查就有了可规模化的入口。
但在 2008 年，没有大规模标注、没有深度学习、没有 ImageNet 式的预训练，视盘定位依赖的是图像处理工程师手工设计的启发式规则：找亮度接近、几何性质相近的点，再拟合一个椭圆。这类方法最大的难点不是"能不能找到"，而是"怎么证明找得对"。这就需要一个公正、公开、有专家背书的基准——DRIONS-DB 正是为此而生。
它的设计逻辑很朴素：请两位有眼科经验的专家各自把视盘轮廓描一遍，把两人的描画都公开，再用两人的平均作为"金标准"。这样一来，任何算法的得分都能和"第二位专家的水平"直接对比——如果算法的分割和专家的平均比第二位专家本人还接近，那就叫超人类性能（super-human performance）。这个评测范式被后来的 DRIU（Maninis et al., MICCAI 2016）完整继承并在 DRIONS-DB 上兑现，成为视网膜分割领域一句反复被引用的结论。
§0 读法三则：
- 这个条目的核心张力是"小而经典"：110 张、600×400、单机构单族裔，按现代标准小得可怜；但正因为小、干净、双专家标注明确，它成了评测协议与方法论讨论的教科书样本。
- 全文所有硬数字均出自官网页面 + Europe PMC 论文元数据 + DRIU/mednet 第三方文档三源互证；金标准与切分的"口径漂移"已在 §9 逐条存照。
- 检索时注意：官网页面文件名是
DRIONS-DB_2.html，另有DRIONS-DB.html入口；下载文件叫DRIONS-DB.rar。别名"DRIONS"或"Digital Retinal Images for Optic Nerve Segmentation"均指向同一数据集。
§0.1 一句话理解视盘与青光眼
要理解这个数据集为什么重要，先要理解它在测什么。视神经乳头（optic nerve head, ONH），俗称视盘（optic disc），是眼底照片上那块边界清晰的亮圆形区域——它是视网膜神经节细胞的轴突汇聚穿出眼球的出口，也是视网膜中央动静脉进出眼球的通道。视盘中央略微凹陷的部分叫视杯（optic cup）。视杯直径与视盘直径的比值——杯盘比（cup-to-disc ratio, CDR）——是青光眼诊断的核心量化指标：青光眼患者因视神经纤维逐渐死亡，视杯会进行性扩大，CDR 随之升高。
因此，“把视盘轮廓准确地圈出来"这件事，是自动测量 CDR、进而自动筛查青光眼的第一步。DRIONS-DB 干的就是这第一步的基准化：提供一个专家标注好的视盘轮廓集合，让不同算法在同一条起跑线上比"圈得准不准”。
§0.2 一个 2008 年的问题
2008 年的视网膜图像分析，还没有深度学习。视盘定位的主流思路是手工设计特征 + 几何拟合：先根据亮度、几何性质筛出"可能是视盘边缘"的点，再用某种优化方法（遗传算法、霍夫变换、主动轮廓等）拟合出一个圆形或椭圆。这类方法的评价标准，就是"拟合出的形状和专家画的轮廓差多少"。
DRIONS-DB 出现的意义，正在于为这个评价标准提供一个公正、公开、双专家背书的靶子。在它之前，各家方法各自在自己的私有数据上报数字，横向比较几乎不可能；它之后，视盘分割有了第一个被广泛接受的公共基准。这也是它被反复引用、被 DRIU 等里程碑方法选作实验场的根本原因。
§0.3 读者画像：谁该读这一条
- 做视盘/视神经分割的算法研究者：§4 任务定义、§5 评估基准、§9 坑 2/坑 4 是必读——金标准口径与切分直接决定你的数字能否和历史结果对齐。
- 做青光眼 CAD 系统的工程团队：§2 人群与疾病构成、§6 许可、坑 9（无视杯）是必读——它能不能支撑你的 CDR 需求，要先判断清楚。
- 做数据集方法学/标注研究的人：§3 双专家标注、§8 方法学启示是核心——它提供了一个"金标准不确定性显式化"的早期范例。
- 只想快速判断能不能用的人：直接看 INFOBOX + §11.4 决策卡 + FAQ。
§0.4 为什么它值得单独成条（而非并入 RIM-ONE）
本库已收 RIM-ONE（rid 291），同为青光眼视神经分析数据集，为什么还要为 DRIONS-DB 单独立条？三点理由：
- 历史坐标不同：DRIONS-DB（2008）是视盘分割公共基准的开创者，RIM-ONE（2011 起）是后继者。二者的引用语境不同——DRIU 等里程碑论文的基准数字首先来自 DRIONS-DB。
- 数据形态不同：DRIONS-DB 单版本、仅视盘、600×400；RIM-ONE 多版本、含视杯、分辨率更高。"仅视盘"这一特征使 DRIONS-DB 的评测任务更纯粹，也是它常被用作"纯净基线"的原因。
- 许可与获取形态不同：两者虽都是研究限定，但条款措辞与授权范围有别，条目需各自如实记录。
因此，本条目与 RIM-ONE 条目是互补而非重复的关系，互为最亲的互链对象（见 §10）。
§0.5 本条目的事实来源与核验方法
为避免"凭印象写数据集"的常见错误，本条目所有硬数字都经三源互证：
- 官网第一手：http://www.ia.uned.es/~ejcarmona/DRIONS-DB_2.html —— 规模、分辨率、人群、疾病构成、图像缺陷表、金标准、许可条款均逐字核对原文。
- 文献元数据：Europe PMC（DOI 10.1016/j.artmed.2008.04.005）—— 论文标题、作者、卷期页、PMID、摘要。
- 第三方复用文档：DRIU（MICCAI 2016）论文与下载页、Idiap Bob/mednet 加载器文档、EyeDataHub 目录 —— 切分口径、金标准协议、体积、SSL 状态。
三源不一致处（如 PMID、标注点数、体积）已在 FACTS.md 与 §9 逐条存照。凡标注为"第三方口径""单源"的数字，均不建议作为唯一依据引用。
§1 数据集速览：十问十答
Q1：DRIONS-DB 的"110 张"是怎么来的？
原始从 Miguel Servet 医院眼科的眼底图像库里随机抽取 124 张，剔除其中 **14 张有白内障（重度或中度）**的图像，最终保留 110 张彩色数字眼底图像。这是官网原文给出的数据筛选链路。
Q2：图像规格是什么？
RGB 彩色眼底图，分辨率 600 × 400，8 bits/pixel。采集用彩色模拟眼底相机，大致以视神经乳头为中心取景；原始图像以幻灯片（slide）形式保存，后用 HP-PhotoSmart-S20 高分辨率扫描仪数字化。
Q3：来自什么人群？
55 名患者，平均年龄 53.0 岁（S.D. 13.05），男性 46.2%、女性 53.8%，全部为高加索（Caucasian）族裔。疾病构成：23.1% 慢性单纯性青光眼，76.9% 眼高压（两者相加为 100%）。
Q4：标注是谁做的、怎么做的？
2 名医学专家各自独立描画视盘轮廓。“专家"的官网定义是"有医学教育背景、并在眼科有扎实经验的人”。每人在图像上逐点选取最显著的乳头轮廓点，标注工具自动用曲线连接相邻点。两位专家的描画存在观察者间变异（inter-observer variability）。
Q5：金标准到底是哪一套？
三层口径并存：①论文与官网自用金标准 = 两位专家轮廓的平均；②官网同时逐专家提供两套独立 ground truth（可分别下载）；③第三方（DRIU、mednet）通常只用第一位专家的标注（expert1）。引用任何指标前必须声明用的是哪一套（见坑 2）。
Q6：任务是什么、有几类？
任务是视神经乳头/视盘的定位与分割，本质上是一个二值分割问题：类别为 **background（背景）+ optic_disc（视盘）**两类。
Q7：怎么切分训练/测试？
官网未规定固定切分。第三方惯用口径来自 DRIU（MICCAI 2016）：110 张按 60 训练 / 50 测试划分，并只用 expert1 标注。Idiap 的 mednet / bob 加载器沿用此切分，协议名 expert1（baseline）与 expert2（human comparison）。
Q8：怎么拿数据？
从官网下载 DRIONS-DB.rar（anon 直链，约 0.2 GB），解压后得图像与标注文件。注意：UNED 主机自 2026-07 起 SSL 证书过期，可能需要降级证书校验或走 http。
Q9：能商用吗？
不能直接商用。 许可是"研究/教育用途免费"，并明确禁止修改、复制、再分发与未经授权的商业使用，禁止未经书面许可嵌入专有程序。它不是 CC 许可，可自由下载 ≠ 可自由镜像或商用。
Q10：为什么今天还值得关注它？
因为它是视盘分割评测范式的原点：双专家标注 + 平均金标准 + "对比第二位专家"的评分逻辑，都被后续数据集（RIM-ONE、DRISHTI-GS、REFUGE 等）继承；DRIU 在此得出的"super-human"结论更是视网膜 AI 的一句标志性口号。做视盘/青光眼分割，几乎绕不开它的历史坐标。
§1.1 五句话定位
若只想记住五句话：
- 它是谁：2008 年西班牙 UNED + Miguel Servet 医院发布的视盘分割基准。
- 它有多大：110 张彩照 / 55 名患者，RGB 600×400。
- 它标了什么：两位眼科专家各自手工描的视盘轮廓（含两套独立 GT + 平均金标准）。
- 它怎么用：DRIU 的 60/50 切分，常用 expert1 金标准，指标看 Dice/IoU/边界误差。
- 它的红线：研究/教育免费，但禁修改、禁再分发、禁未授权商用——不是 CC。
§1.2 常见误解纠正
| 误解 | 事实 |
|---|---|
| “110 名患者” | ❌ 110 是图像数，55 名患者 |
| “有视杯/杯盘比标注” | ❌ 只有视盘轮廓，无视杯、无 CDR |
| “有官方训练测试切分” | ❌ 无官方切分，通行 DRIU 60/50 |
| “是 CC 开放许可” | ❌ 研究/教育限定，禁再分发与商用 |
| “23.1% 是图像级的青光眼比例” | ❌ 是患者级（55 名患者中 23.1% 慢性青光眼） |
| “GPL 加载器 = 数据可自由分发” | ❌ GPL 是代码许可，数据许可独立且更严 |
| “它是深度学习数据集” | ❌ 2008 年发布，官方基线是遗传算法（非 DL） |
| “官网 https 可正常访问” | ❌ UNED 主机 2026-07 起 SSL 证书过期 |
§1.3 一图流：数据流转链路
Miguel Servet 医院眼底图像库
│ 随机抽取 124 张
▼
剔除 14 张白内障（重/中）
│
▼
110 张彩色眼底图像（55 名患者）
│ 2 名专家逐点标注
▼
┌──────────────────────────────┐
│ expert1 轮廓 expert2 轮廓 │ ← 官网分发两套独立 GT
└──────────────┬───────────────┘
│ 平均
▼
金标准（论文口径）
│
┌──────┴──────┐
▼ ▼
DRIU 60/50 切分 自定切分（如 7:2:1）
│ │
└──────┬──────┘
▼
视盘分割模型训练与评测（Dice/IoU/边界误差）
这张链路图浓缩了 DRIONS-DB 的全部关键抉择：为什么是 55 名患者 110 张（筛选后）、为什么有两套标注（双专家独立）、金标准为何是平均（论文口径），以及切分为何要声明（官方无切分）。读懂这张图，就读懂了这个数据集的方法论骨架。
§2 数据构成与规格
2.1 规模、来源与筛选链路
DRIONS-DB 的构成链路干净得可以一句话说清，但每一环都值得拆开看：
| 环节 | 数量 | 说明 |
|---|---|---|
| 原始随机抽取 | 124 张 | 来自 Miguel Servet 医院眼科眼底图像库，随机抽取 |
| 剔除白内障（重/中） | −14 张 | 重度或中度白内障图像被移除 |
| 最终入库 | 110 张 | 彩色数字眼底图像，即 DRIONS-DB 本体 |
| 患者数 | 55 名 | 110 张图像对应 55 名患者（每人约双眼成像） |
| 机构 | 1 家 | Hospital Miguel Servet, Servicio de Oftalmología, Zaragoza, Spain |
一个常被误读的细节：110 是图像数，55 是患者数。官网正文写"110 张图像"，而 Idiap 的加载器文档写"55 patients with glaucoma (23.1%) and eye hypertension (76.9%)"——两者并不矛盾，只是计数层级不同（患者 vs 图像）。引用"23.1% 青光眼"时应说明这是患者级比例。
2.2 图像规格与采集工艺
- 模态：彩色眼底彩照（color fundus photograph）
- 分辨率：600 × 400 像素（官网原文
resolution 600x400）；注意 mednet 文档写作"original resolution (height x width): 400 x 600"，即高 400 × 宽 600，与官网 600×400（宽×高）表述方向不同、实为同一尺寸 - 位深：8 bits/pixel
- 色彩空间：RGB
- 采集设备：彩色模拟眼底相机（colour analogical fundus camera），取景大致以 ONH 为中心
- 存储介质：原始以幻灯片（slide）格式保存
- 数字化：HP-PhotoSmart-S20 高分辨率扫描仪，扫描转成数字 RGB
这套"模拟相机拍摄 → 幻灯片 → 平板扫描仪数字化"的工艺，是 2008 年前后眼底数据集的典型路径。它带来两个今天需注意的特征：一是色彩与对比度带有扫描仪特性的烙印；二是 600×400 的分辨率远低于现代数字眼底相机（动辄数千万像素），跨设备迁移时域偏移（domain shift）不可忽视。
值得展开的是这条工艺链的每一环对图像特性的影响：
- 模拟相机：模拟成像的信噪比、动态范围与色彩还原不如现代数字传感器，图像整体偏"软"（边缘对比度低），这会直接影响视盘边界的可辨识度。
- 幻灯片存储：幻灯片（正片）的色彩饱和度与对比度有其胶片特性，不同批次的显影会带来色彩偏移。
- HP-PhotoSmart-S20 扫描：这是一台 1990 年代末的消费级平板扫描仪（HP PhotoSmart 系列），"高分辨率"是相对当时而言。扫描引入的色彩响应曲线、锐化/降噪算法，都会烙印在最终的 600×400 图像上。
因此，DRIONS-DB 与现代眼底相机数据的差异不只是分辨率，还有成像链路的整体色彩与对比度特性。做跨库迁移时，这些差异往往是性能跌落的真正来源，而不仅仅是像素数。这也解释了为什么 2008 论文反复强调"应用于不同图像库时泛化能力"——作者当时就已意识到成像链路带来的域差异。
2.3 图像质量谱：原文自曝的困难样本
DRIONS-DB 官网用一张表（Table 1）主动公布了 110 张图像里可能干扰视盘轮廓检测的各种缺陷，这种做法在当时并不常见，也让它成为研究"困难样本鲁棒性"的优选素材：
| 视觉特征 | 图像数 |
|---|---|
| 白内障（重度或中度） | 0 |
| 轻微伪影（light artifacts） | 3 |
| 部分视盘边缘模糊或缺失（rim blurred or missing） | 5 |
| 中度视乳头周围萎缩（moderate peripapillary atrophy） | 16 |
| 同心性视乳头周围萎缩/伪影 | 20 |
| 强苍白干扰（strong pallor distractor） | 6 |
值得注意的是第一行"白内障 0"——这不是遗漏，而是筛选的结果：14 张白内障图像在入库前已被剔除，所以最终库里再无白内障样本。其余缺陷则是图像库中无法完全规避、被如实记录并保留的样本。20 张同心性萎缩/伪影 + 16 张中度萎缩合计 36 张（占 110 张的约三分之一），是视盘边界检测中最容易出错的一批。
2.4 人群与疾病构成
| 属性 | 数值 |
|---|---|
| 患者数 | 55 名 |
| 平均年龄 | 53.0 岁（S.D. 13.05） |
| 性别 | 男 46.2% / 女 53.8% |
| 族裔 | 100% 高加索（Caucasian） |
| 慢性单纯性青光眼 | 23.1% |
| 眼高压（eye hypertension） | 76.9% |
这张构成表的含义需要点破：DRIONS-DB 不是一个"正常眼底"库，而是一个青光眼谱系人群库。近四分之一的患者确诊慢性单纯性青光眼，其余四分之三为眼高压（青光眼的临床前高危状态，眼压升高但尚无明确视神经损害）。因此其中的视盘形态天然带有青光眼相关的变异，这也是它被广泛用于青光眼视盘分析的原因。同时，全体高加索族裔 + 单机构单地区的构成，是它人口泛化性的明确边界（现代研究常用 ORIGA 等含亚裔人群的数据集做对照）。
2.5 与后续视盘数据集的规模对照
把 DRIONS-DB 放进视盘分割数据集谱系里，它的"小"一目了然，这也解释了它为何更多作为"经典基准"而非"现代训练集"：
| 数据集 | 规模 | 人群/来源 | 标注 |
|---|---|---|---|
| DRIONS-DB（2008） | 110 张 | 西班牙，高加索 | 2 专家视盘轮廓 |
| DRISHTI-GS（2014） | 101 张（50 训练/51 测试） | 印度 | 4 专家视盘+视杯 |
| ONHSD | 99 张 | 多族裔（亚裔/非裔/白人） | 专家视盘 |
| ORIGA（2010） | 650 张（168 青光眼+482 正常） | 新加坡 | 视盘+视杯+CDR |
| RIM-ONE（2011 起） | v1 169 / v2 455 / v3 159 / DL 485 | 西班牙，三院 | 专家视盘（v3 视杯） |
| REFUGE（2018） | 1200 张（400/400/400） | 多中心 | 视盘+视杯 |
| G1020（2020） | 1020 张 | 单中心高分辨率 | 视盘+视杯+神经视网膜边缘 |
DRIONS-DB 的独特价值不在于规模，而在于：发布时间最早、金标准定义最清晰、双专家标注最透明。它是这条谱系的首传，后续数据集里"多专家标注 + 平均/多数表决"的惯例，可以追溯到它。
2.6 文件组织与命名
官网下载包为单个 .rar，解压后典型结构含：彩色眼底图像（如 image_002、image_025、image_082、image_092 等，官网示例给出的编号）与对应的专家轮廓标注文件。EyEDataHub 记录其路由为 “anonymous_direct / Direct HTTP”，体积约 0.2 GB（第三方口径，见坑 7）。
标注文件的具体格式在各封装里被读取为点序列/多边形：Idiap 的 mednet 加载器用 csv.reader(delimiter=",", quoting=QUOTE_NONNUMERIC) 读入坐标点，再以 ImageDraw.polygon 连接成实心掩码——这说明官方标注本质是轮廓点坐标的文本文件，而非现成的 PNG 掩码。使用者需要自行把点连成多边形再栅格化，这是工程上第一个要处理的细节。
2.7 一份"老数据集"的构件清单
把 DRIONS-DB 的构成拆成一张可核对的清单，便于快速判断它与自己需求的距离：
| 构件 | 是否提供 | 备注 |
|---|---|---|
| 彩色眼底图像 | ✅ | 110 张，RGB 600×400，8 bit |
| 专家 1 视盘轮廓 | ✅ | 点序列文本 |
| 专家 2 视盘轮廓 | ✅ | 点序列文本（human baseline） |
| 两专家平均轮廓 | ⚠️ 可自算 | 论文金标准，官网说明但未必单独提供文件 |
| 视杯轮廓 | ❌ | 完全不含 |
| 杯盘比 CDR | ❌ | 需自行从视盘推算或另找数据集 |
| 血管标注 | ❌ | 见 DRIVE（库内 rid 241） |
| 逐张临床诊断标签 | ❌ | 仅有整体人群的疾病构成比例 |
| 官方训练/测试切分 | ❌ | 第三方 DRIU 60/50 |
| 官方排行榜 | ❌ | 无挑战赛、无排行榜 |
这张表的价值在于：快速证伪"用 DRIONS-DB 做青光眼分级"的设想——它连逐张诊断标签都没有，更别说 CDR。想清楚任务边界，比急着下载更重要。
2.8 与同期数据集的工艺对照
| 数据集 | 发布年 | 规模 | 标注内容 | 获取方式 |
|---|---|---|---|---|
| DRIONS-DB | 2008 | 110 | 双专家视盘轮廓 | 官网 .rar 直链，研究限定 |
| DRIVE | 2004 | 40 | 血管（训练集双专家） | 官网直链 |
| STARE | 2000 | 20 | 血管 + 病变 | 官网申请 |
| MESSIDOR | 2008 | 1200 | DR 分级 | 申请/下载 |
| RIM-ONE | 2011 | 169+ | 视盘（v3 含视杯） | 官网 |
DRIONS-DB 与 DRIVE、STARE 同属"小规模、双专家标注、为评测方法学而生"的第一代眼底数据集。它们共同的特点是：规模让位于标注可信度，获取摩擦低但许可严格。理解这一代数据集的共同气质，有助于正确预期 DRIONS-DB 的用法与边界。
2.9 数据完整性备忘
使用 DRIONS-DB 时，还有几个完整性相关的实务点值得记录：
- 图像编号：官网示例给出的是
image_002、image_025、image_082、image_092等编号（注意前导零为三位），实际打包内编号规则以解压所见为准。编号不连续（如从 002 起）属正常，不必当作缺图。 - 图像与标注的对应：每张图配对应编号的专家轮廓文件；下载后应先做一次"图像-标注配对完整性"校验，确认 110 张图各有两套标注。
- 标注文件与图像的坐标系：轮廓点坐标以图像像素坐标系为准（左上为原点），栅格化时需注意 (x, y) 与 (row, col) 的转置——这是工程上最常见的 off-by-transpose 错误来源。
- 两专家文件的命名区分：不同封装对 expert1/expert2 文件的命名方式不同（可能带后缀或分目录），解析前务必确认哪套是 expert1。
这些细节在官网未明确文档化，多来自第三方加载器的实现反推，属于"实践知识"而非官方规格。记录于此，供复现者参考。
§3 双专家标注：金标准的定义与分歧
3.1 为什么是"两位专家"
DRIONS-DB 的标注哲学建立在一个诚实的承认之上：眼底视盘的边界本身就是模糊的，不同专家画出来的线不会完全重合。与其假装存在唯一正确的"真值"，不如把两位专家的描画都摆上桌，让后来者同时看到分歧的幅度。官网原文写道：
“As expected, there was an inter-observer variability among the two experts tracing the contour of a papilla.”
这句话是整个数据集的方法论基石。"as expected"三字承认了观察者间变异是预期内的常态，而不是需要消除的噪声。
3.2 专家的定义与标注流程
- 专家资格：官网明确"a person with medical education and solid experience in ophthalmology was considered as an expert"——即有医学教育背景且眼科经验扎实者。注意数据集未公布专家人数以外的资质细节（如年资、职称）。
- 标注工具：专用图像标注软件（used a software tool provided for image annotation）。
- 标注方式：专家逐点选取最显著的乳头轮廓点，工具自动以曲线连接相邻点，形成闭合轮廓。这是一种"关键点 + 样条连接"的半自动标注，而非自由手绘。
- 标注内容：仅视盘（视神经乳头）外轮廓，不含视杯。这是 DRIONS-DB 相对 RIM-ONE v3、REFUGE 等"视盘+视杯"数据集的根本差异——它无法直接支持杯盘比计算。
3.3 三套金标准口径（本条目最重要的一处存照）
DRIONS-DB 的金标准不是一个数，而是三套并存的口径，引用时必须点明用的是哪套：
- 两专家平均轮廓（论文/官网自用金标准）：官网原文——“in our work [1] we used as a gold standard, in each image, the average of the contours traced by the two experts”。这是 2008 年论文里算法对标的目标。
- 逐专家独立 ground truth（官网分发）：官网下一步写"From here, it can be downloaded the ground truth of the each expert"——即两套独立标注都提供下载，允许研究者自行选择或对比。
- 只用 expert1（第三方惯例）：DRIU（MICCAI 2016）明确"we use the segmentations of the first annotator to train/test our algorithm"；mednet/bob 加载器把第一套协议命名
expert1（baseline，常用），第二套命名expert2（human comparison，用作"人类"对照基线）。
为什么这个区别致命：同一个模型在"expert1"和"平均金标准"上会得到不同的数值。若论文 A 用 expert1、论文 B 用平均金标准，二者的 Dice 不可直接比较。这是 DRIONS-DB 相关文献里最隐蔽的坑（见坑 2）。
3.4 "第二位专家"为何成为基线
数据集设计里最有远见的一点，是把第二位专家的标注保留下来当作"人类基线"。逻辑是：金标准既然是"平均"，那么一位真实专家（expert2）相对这个平均的偏差，就构成了"人类自身能达到的一致性上限"。任何算法只要比 expert2 更接近平均，就实现了超越单个人类标注者的表现——这就是 DRIU 后来宣称的 super-human performance 的可操作定义。DRIONS-DB 因此不仅提供了数据，更提供了一个可证伪的、量化"机器 vs 人"的评测框架。
3.5 观察者间变异：为什么它不是缺点
初学者容易把两位专家标注不一致当作"数据质量差"，这是误解。视盘边界的不确定性来自解剖本身：视盘的边缘常常是渐变的（从明亮的视盘到周围视网膜），视乳头周围萎缩、色素改变会进一步模糊边界。在这种情况下，不同专家落在"心理上认为的边界"上的位置天然会有几像素到几十像素的差异。
DRIONS-DB 的贡献恰恰是把这个不确定性量化并公开，而不是假装它不存在。它提示后来者：任何在视盘分割上报告单一 Dice 数字的论文，都隐含了一个"金标准被当作绝对真值"的假设——而当金标准本身带有观察者间变异时，追求超过某个精度阈值的边际收益可能只是在拟合标注噪声。这个反思，在今天概率化标注（probabilistic labels）、标注者一致性建模成为研究热点的背景下，愈发显得先见。
3.6 标注流程的可复现性评估
从"可复现"角度审视 DRIONS-DB 的标注流程，有得有失：
得：
- 专家资格定义明确（有医学教育背景 + 眼科经验）
- 标注方式明确（关键点 + 自动曲线连接）
- 双专家独立标注，分歧公开
- 金标准定义明确（平均）
失：
- 未公布专家具体人数、年资、是否同一机构（只说"2 medical experts"）
- 未公布每张图的标注点数与耗时
- 未公布标注工具的具体名称与版本
- 未提供标注者间一致性（如 Dice/IoU 数值）的定量统计
因此，DRIONS-DB 的标注流程透明但细节有限：你能知道"怎么标的"，但无法精确复现"标得多细"。这一点在引用它的标注质量时应如实说明，不宜将其与公布了完整标注手册的现代数据集（如 REFUGE 的标注协议）等同看待。
3.7 与"单一专家标注"数据集的对比
为看清 DRIONS-DB 的设计选择，把它与"单一专家标注"的假想方案对比：
| 维度 | 单一专家 GT | DRIONS-DB（双专家+平均） |
|---|---|---|
| 评测基准 | 唯一、易用 | 需声明口径，稍复杂 |
| 人类基线 | 无 | 有（expert2） |
| 不确定性可见性 | 隐藏 | 显式公开 |
| 模型上限解释 | 无法区分"模型差"与"标注错" | 可将误差对照人类不一致度 |
| 复现风险 | 低（口径单一） | 中（三口径易混） |
DRIONS-DB 选择了"更复杂但更诚实"的方案。代价是使用者必须多想一步"我该对标哪套金标准"——这也是本条目反复强调口径的原因。但从方法学价值看，这个代价值得：它让"视盘分割到底能有多准"这个问题有了人类自身的参照系，而不只是一个孤立的数字。
3.8 标注时间的间接线索
官网与论文均未直接公布标注耗时，但从同类双专家视盘标注任务的经验可作粗略旁证（非本数据集官方数据，仅作量级参考）：视盘轮廓标注单张通常以分钟计，110 张 × 2 专家属于数小时量级的专家投入。这解释了为何 DRIONS-DB 的规模止步于 110 张——在专家时间昂贵的约束下，"小而精"是 2008 年条件下的理性选择。现代数据集能扩展到千张级，靠的正是众包、半自动预标注等降低单张成本的手段，而这些手段在 2008 年尚未成熟。
§4 任务定义与标注规范
4.1 任务：视盘定位 + 分割
DRIONS-DB 支持的任务可拆成两级，虽常被合并讨论，但值得分开理解：
- 定位（localization）：在整张 600×400 眼底图中找到视盘的大致位置。2008 年论文的遗传算法方法就包含这一步——先生成"假设点"（hypothesis points，几何性质与强度接近视盘轮廓像素的点），再用遗传算法找一个椭圆，使其周长邻域内包含最多假设点，该椭圆即视盘的近似。
- 分割（segmentation）：给出视盘的精确边界（像素级或轮廓级），即输出一个二值掩码或闭合轮廓。
评测时，定位的误差通常用中心点距离衡量，分割的误差用区域重叠（IoU/Dice）或边界距离衡量。DRIONS-DB 的标注是轮廓级别，因此两种任务都能支持。
4.2 类别体系
DRIONS-DB 是二类数据集：
| 类别 | 含义 |
|---|---|
background |
背景（含视网膜其余部分、血管、黄斑等） |
optic_disc |
视盘（视神经乳头）区域 |
"2 类（background, optic_disc）"这一口径在 EyeDataHub 的元数据中被明确记录。注意它不含视杯、不含杯盘比、不含血管——这是与 RIM-ONE v3、REFUGE、ORIGA 等"视盘+视杯"数据集的关键区别。做青光眼分级若需要 CDR，DRIONS-DB 本身给不了，只能另行结合其它数据集或从视盘形态间接推断。
4.3 标注的几何性质
官方标注本质是轮廓点序列而非现成掩码。以 Idiap mednet 加载器的实现为证：它把标注文件按逗号分隔读入坐标点，再用 PIL.ImageDraw.polygon(data, fill="white") 把点连成实心多边形，栅格化为二值掩码。这带来几个值得注意的工程点：
- 点的密度与分布由专家自行决定（“selecting the most significant contour points”），因此不同图像的点数可能不同，轮廓平滑度也带有专家个人风格。
- 栅格化方式（多边形填充 vs 折线描边）会显著影响掩码面积与 Dice/IoU 数值。复现时务必说明自己的栅格化策略。
- 单一 MDPI 2026 综述提到"每位专家 36 个地标（36 landmarks）"——但官网原文只说"逐点选取最显著轮廓点"，未给出点数。该"36"为单源口径，本条目存照并建议使用者自行核对实际标注文件的点数（见坑 8）。
4.4 标注质量与观察者间变异的处理
数据集对观察者间变异的处理方式是"公开分歧、分层使用"：既公布两人各自的结果，又用平均提供单一目标。这带来一个方法学上的好处——研究者可以同时报告"算法 vs 平均金标准"和"算法 vs 单专家"的分数，从而把算法误差与标注内在不确定性分离开。这正是后续研究 DRIONS-DB 时常见的做法，也是它比"单一专家掩码"数据集更具方法学价值的根源。
4.5 数据划分
官网未提供固定训练/测试划分，也未提供交叉验证折。学界通行的是 DRIU 的 60/50 划分，且只用 expert1：
- 训练：60 张
- 测试：50 张
- 金标准：expert1 的标注
Idiap 的 mednet/bob 加载器完全采用该划分，并在文档中注明 split reference 为 Maninis et al. (2016)。这意味着任何声称"在 DRIONS-DB 上可比"的结果，最好都说明是否采用了这一 60/50 划分——否则训练/测试集不同，数字不可比。
4.6 三个典型使用场景与各自的前置处理
场景 A：复现 DRIU 式视盘分割基准
- 官网下载
DRIONS-DB.rar并解压； - 用 60/50 划分（DRIU 切分文件）；
- 仅取 expert1 标注，栅格化为二值掩码；
- 训练分割模型，在 50 张测试集上算 region PR / boundary error / Dice；
- 与 DRIU 预计算结果及 expert2（human baseline）对比。
场景 B：研究标注不确定性 / 多专家一致性
- 同时加载 expert1 与 expert2 两套标注；
- 计算两位专家的 Dice/IoU/边界距离（即"人类自身不一致度"）；
- 将模型误差放在"expert1 vs expert2"的不一致度背景下解读，而非与单一 GT 绝对比较。
场景 C：跨库域泛化研究
- 在一个库（如 DRIONS-DB）训练，在另一个库（如 RIM-ONE、DRISHTI-GS）测试；
- 重点观察设备/分辨率/人群差异带来的性能跌落；
- 呼应 2008 论文强调的"跨图像库泛化"主题。
这三个场景对应三种"金标准 + 切分 + 度量"组合，再次印证：用 DRIONS-DB 之前，先想清楚你要回答哪个问题。
§5 评估与基准
5.1 官方基线：遗传算法（Carmona et al., 2008）
主论文的核心贡献是提出一套用**遗传算法（genetic algorithms, GA）**在眼底图中定位并分割视神经乳头的方法：
- 输入：彩色眼底图像
- 第一步：利用领域知识构造启发式，生成几何性质与强度接近 ONH 轮廓像素的"假设点"集合
- 第二步：用遗传算法搜索一个椭圆，使其周长的一个偏移带（offset of its perimeter）内包含最多的假设点，并满足若干约束——这个椭圆即为 ONH 的近似
- 测试：在 110 张眼底图样本上评估
- 结论：结果"与文献中的方法有竞争力"（competitive with those in the literature）；当方法应用于不同图像库时，其泛化能力得到强化
论文摘要明确强调了泛化能力——这是早期视盘方法论文的共同关切：在一个图像库上调好的参数，能否迁移到另一个设备/人群的库。这一点也暗示了 DRIONS-DB 从设计之初就带有"跨库评测"的意图。
5.2 DRIU：super-human performance 的兑现（Maninis et al., MICCAI 2016）
DRIONS-DB 最著名的第三方基准结果来自 DRIU（Deep Retinal Image Understanding），一篇把深度卷积网络（CNN）统一用于视网膜血管与视盘分割的 MICCAI 2016 论文：
- 在 DRIONS-DB 上的任务：视盘分割（同时也在 RIM-ONE r3 上做）
- 训练/测试切分：60 / 50，只用第一位专家的标注
- 评测度量：除区域 precision-recall 曲线外，还测边界误差（boundary error）——算法结果边界与金标准边界之间的平均距离
- 核心结论：DRIU 呈现 super-human performance——“it presents results more coherent to the gold standard than the second human annotator”（其结果比第二位人类标注者更接近金标准）
- 边界精度：DRIU 的边界误差中位数（median error）低于第二位专家，且离散度更小（less dispersion），即更稳定
- 对照方法：论文同时列出了既有方法（如 N⁴-fields、Kernel Boost、HED、CRFs 等）在 precision-recall 曲线上的位置，以及"Human"（第二位专家）的参考点
DRIU 的这句"super-human"是视网膜 AI 领域被反复引用的标志性结论之一。它的说服力恰恰来自 DRIONS-DB 的设计：因为有 expert2 这个现成的人类对照，机器超越人类的声明才可被量化。
5.3 常用评测度量
原文与后续文献在 DRIONS-DB 上常用的度量包括：
| 度量 | 定义 | 用途 |
|---|---|---|
| Region Precision/Recall | 区域级精确率/召回率曲线 | 分割区域重叠的整体表现 |
| Boundary Error | 结果边界与 GT 边界的平均距离 | 边界精度（视盘轮廓的核心指标） |
| IoU（Jaccard） | 交集面积 / 并集面积 | 分割掩码相似度 |
| Dice 系数 | 2×交集 / (预测面积 + GT 面积) | 与 IoU 近似的重叠度量，更强调重叠 |
MDPI 2026 的 Boundary-Aware Transformer 论文明确指出，在 DRIONS-DB 上独立实验（不与其它数据集混合），若数据集无预定义切分，则自行按 7:2:1 划 train/val/test——这再次印证了 DRIONS-DB 没有官方切分这一事实，不同论文的划分策略可能各不相同（坑 4）。
5.4 复现资源：DRIU 的预计算与切分
DRIU 官方下载页（cvlsegmentation.github.io/driu/downloads.html）提供了极有价值的复现资源：
- DRIONS-DB 的预计算 DRIU 结果
- 训练/测试切分文件（60/50）
- 所有对比方法（SoA）的预计算结果
这意味着 DRIONS-DB 的许多历史基准数字是可直接下载、逐一核对的，这对做公平对比的研究者极为友好。资源同时托管在 ETH 视觉与几何实验室（vision.ee.ethz.ch/~cvlsegmentation/）。
5.5 工具链：Bob 与 mednet 加载器
瑞士 Idiap 研究所的 Bob 工具箱提供了 bob.db.drionsdb 包（v1.0.1），以及后续的 mednet 框架 drionsdb 数据模块：
- 二者均不包含原始数据，只提供加载接口——使用者仍需从官网获取
DRIONS-DB.rar - mednet 的口径：原始分辨率 400×600（高×宽），配置分辨率 416×608（padding 后）；协议
expert1（baseline）与expert2（human comparison）；训练 60 / 测试 50 - 许可证为 GPL-3.0-or-later（注意这是代码的许可，不是数据集的许可——别混淆）
padding 的缘由：600×400 的尺寸不能被深度学习常用的下采样因子（如 8 或 16）整除，直接送入网络会在池化/上采样时产生尺寸不匹配。mednet 把 400×600 补边到 416×608（416=26×16，608=38×16，均为 16 的倍数），这是工程上处理非 2ⁿ 尺寸的常见做法。复现时若不补边而直接 resize，会导致与官方流程的细微差异，需留意。
5.6 DRIU 之后：深度学习方法在 DRIONS-DB 上的延续
DRIU（2016）之后，DRIONS-DB 持续作为视盘分割方法的对照基准出现在文献中，典型方法家族包括：
- U-Net 及其变体：医学图像分割的通用主力，常被当作 DRIONS-DB 上的基线复现
- 注意力 / Transformer 系：如 MDPI 2026 的 Boundary-Aware Transformer，专门针对视盘/视杯边界精度
- 多尺度 / 空洞卷积系：应对视盘大小不一、边界模糊的经典策略
- 数学形态学 + PCA 系：如 Morales et al. (2012, 2013) 的传统方法，至今仍被引用作对照
这些方法在 DRIONS-DB 上的数字虽因切分与金标准口径不同而难以直接横比，但共同印证了一点：DRIONS-DB 已成为视盘分割方法"报到"的固定站点——新方法往往要在这里给出一个数字，才算完成了与历史的对话。
5.7 评估方法学小结
DRIONS-DB 的评估体系可以概括为"一库两标三度量"：一个数据集、两套专家标注（外加其平均）、三类评测度量（区域 PR、边界误差、IoU/Dice）。它的历史意义在于：把"视盘分割得准不准"从一个模糊的定性判断，变成了一个有专家基线、可跨方法比较的定量问题。这一范式被后续所有视盘数据集继承。
而在实操层面，评估 DRIONS-DB 结果时最要紧的三句话是：
- 声明金标准口径（expert1 / expert2 / 平均）——决定数字的基准。
- 声明切分（DRIU 60/50 / 自定 / 交叉验证）——决定训练与测试的边界。
- 声明栅格化策略（多边形填充 / 描边）——决定掩码面积与重叠度量的基准。
三句都不声明就报数字的论文，其"可比性"是可疑的。这既是 DRIONS-DB 的坑，也是它作为方法学基准的考题。
5.8 度量选择的实务陷阱
在 DRIONS-DB 上评估视盘分割，不同度量会给出不同的"最优算法"，理解其原因是读懂结果的关键：
- 区域重叠（Dice/IoU）偏向"大而圆"的结果：视盘是大面积的类圆区域，一个"差不多大、位置对"的圆就能拿到很高的 Dice。因此 Dice 高不代表边界精确。
- 边界误差（boundary error）偏向"轮廓贴合"：它测的是两条边界的平均距离，对视盘这种边界模糊的目标更敏感，也更能反映轮廓质量。DRIU 特意同时报告区域与边界两套指标，正因如此。
- precision-recall 曲线的操作点：分割阈值的选择会移动 PR 曲线上的工作点，不同论文在不同阈值下取数，会造成"看起来差很多"的假象。比较时应看整条曲线或统一阈值。
实务建议：报 DRIONS-DB 结果时，同时给区域与边界两类指标（至少 Dice + 边界误差），并说明阈值/栅格化。只报一个 Dice 数字，几乎无法与他人的边界精度对比。
5.9 与 RIM-ONE 的评测对照意义
DRIONS-DB 与 RIM-ONE r3（159 张）在 DRIU 中被并列评测，这不是巧合：两者都提供双专家视盘标注，都能测量"算法 vs 第二位专家"。把它们并置的价值在于跨数据集泛化检验：
- 若某方法在 DRIONS-DB（600×400，西班牙）与 RIM-ONE（更高分辨率，西班牙）上都表现稳定，说明其对视盘形态的学习更具泛化性；
- 若只在其中一个上优秀，则可能过拟合了该数据集的成像特性。
因此，看到"在 DRIONS-DB 上 SOTA"时，一个自然的追问是"在 RIM-ONE 上呢？"——两库并测已成为视盘分割方法的隐形标准动作。
5.10 基准数字的可复现性说明
本条目刻意不列具体的 Dice/IoU 数值，原因有二：
- 口径依赖过强：同一方法在 expert1 与平均金标准下、在 60/50 与 7:2:1 切分下，数值差异可达若干个百分点。脱离口径的孤立数字会误导读者。
- 一手数字宜从源头取：DRIU 论文与下载页提供了可核对的预计算结果与切分；直接引用这些一手来源，比转述二手综述更可靠。
建议读者：需要具体数字时，优先从 DRIU 论文及其下载页获取，并在引用时完整标注金标准口径与切分。若引用第三方综述的数字，务必回溯其原始出处并核对口径。
5.11 小结：DRIONS-DB 基准的三层价值
- 历史层：视盘分割公共基准的开创者，DRIU"超人类"结论的诞生地。
- 方法层：提供了"双专家 + 人类基线"的评测范式，被后续数据集继承。
- 工程层：规模小、可完整复现，是教学与快速原型的理想素材。
三层价值叠加，构成了它至今仍被引用的理由。
§6 获取与许可
6.0 三分钟决策：我该不该用 DRIONS-DB
在动手下载前，先回答三个问题：
- 你的任务是视盘分割/定位吗？ 否 → DRIONS-DB 帮不上（无视杯、无分级、无血管）。
- 你能接受 110 张的规模吗？ 若需要大规模训练，它只能当"预训练/微调/对照"，不能当主训练集。
- 你的用途是研究/教育吗？ 若涉及商用或再分发 → 需先与版权人书面确认。
三个都"是"（或"能接受"），DRIONS-DB 才适合你。这三问能挡掉大部分误用。
6.1 获取路径
DRIONS-DB 的获取方式在同期数据集里属于"低摩擦但高限制"的典型：
| 项目 | 内容 |
|---|---|
| 入口 | 官网 http://www.ia.uned.es/~ejcarmona/DRIONS-DB_2.html |
| 直链 | http://www.ia.uned.es/~ejcarmona/DRIONS-DB/BD/DRIONS-DB.rar |
| 格式 | .rar 打包（需 unrar / 7-Zip 解压） |
| 获取摩擦 | 匿名直链（anonymous_direct），无需注册、无需申请、无需签署协议 |
| 体积 | 约 0.2 GB（第三方 EyeDataHub 口径） |
| 协议 | Direct HTTP（非 HTTPS 友好） |
SSL 证书告警：据 EyeDataHub 记录，UNED 主机自 2026-07 起 SSL 证书过期，HTTPS 请求会证书校验失败。实践对策：用 http 直链，或在 Python 中设置 PYTHONHTTPSVERIFY=0，或 curl -k。这是检索/自动化抓取时最常见的第一个障碍（见坑 7）。
6.2 许可条款（逐条落地）
官网 “Using the Database” 段落是整个条目的合规核心，逐条拆解如下：
- ✅ 允许：免费用于研究与教育目的（research and educational purposes）
- ❌ 禁止修改（You are not allowed to modify it）——连"改一改再用"都不行
- ❌ 禁止复制（copying）
- ❌ 禁止再分发（redistribution）
- ❌ 禁止未经授权的商业使用（unauthorized commercial use）
- ❌ 禁止未经版权人书面许可，将数据集整体或部分嵌入专有程序（proprietary program）
- 🔒 使用资格限定：“The use of this database is restricted to those individuals or organizations that obtained the database directly from this website.”——只授权从官网直接获取者使用，从第三方镜像拿到的副本不在授权范围内
- 📝 致谢义务：任何报告使用本数据集结果的研究者必须致谢 DRIONS-DB，并建议引用 2008 论文
版权归属：Copyright © 2008 by Julián García Feijoo, José María Martínez de la Casa, Hospital Miguel Servet, Mariano Rincón Zamorano, Margarita Bachiller and Enrique J. Carmona Suárez——五位个人作者 + Hospital Miguel Servet 共同持有。
6.3 许可性质判定：不是 CC
必须明确：DRIONS-DB 不是 Creative Commons 许可的数据集。它与 CC BY / CC0 等开放许可有本质区别：
| 维度 | DRIONS-DB | 典型 CC BY 数据集 |
|---|---|---|
| 商用 | ❌ 未授权禁止 | ✅ 允许 |
| 再分发/镜像 | ❌ 禁止 | ✅ 允许（署名） |
| 修改 | ❌ 禁止 | ✅ 允许（署名） |
| 获取资格 | 仅限官网直接获取者 | 无限制 |
因此它属于"可免费获取，但不可自由再利用"（openly accessible but not openly licensed）。这一区分对下游至关重要：可以在研究中用它训练/评测模型，但不能把数据重新打包分发、不能直接用于商业产品、不能做数据增强式的修改再发布。衍生模型（model weights）的许可边界官网未细化——严谨做法是商用前与版权人（ecarmona@dia.uned.es）书面确认（坑 5）。
6.4 AI-Ready 定位
在"AI-Ready 光谱"上，DRIONS-DB 的位置是：获取门槛低（匿名直链） + 许可门槛高（限制性研究许可） + 工程就绪度中（需自行栅格化标注）。它适合直接投入学术研究的训练管线，但不适合作为可自由分发的数据资产。用一句话概括：“容易拿到手，但不容易转手。”
6.5 获取与使用的合规检查清单
在研究项目中引入 DRIONS-DB 前，建议逐条核对：
- [ ] 用途属于研究或教育（非商业产品、非付费服务）
- [ ] 数据直接来自官网（而非第三方镜像，否则不在授权范围）
- [ ] 不修改数据本体（数据增强的处理限于研究内部，不发布衍生版本）
- [ ] 不复制、不再分发原始数据（含不打包进公开模型仓库/数据托管）
- [ ] 不将数据嵌入专有程序
- [ ] 论文/报告中致谢 DRIONS-DB 并引用 2008 论文
- [ ] 若涉及商用或再分发意图，事先与版权人书面确认（ecarmona@dia.uned.es）
任何一条存疑，都应视为"需确认"而非"默认可行"。这条清单的价值在于把一份 2008 年写就的英文条款，转成可执行的合规动作。
6.6 与"开放数据"观念的时代错位
DRIONS-DB 的许可语言带有明显的2000 年代学术数据集的印记：强调"从本网站直接获取者使用"“禁止复制/再分发”“嵌入专有程序需书面许可”。这套语言的设计初衷是防止数据被商业公司"白嫖"后闭源，保护学术共同体的投入——在当年是合理且常见的做法。
但从今天的"开放科学"与"可复现研究"视角看，这套条款存在时代错位：
- 与 FAIR 原则（可发现、可访问、可互操作、可复用）中的"可复用（R1.1 清晰的使用许可）"部分冲突——条款清晰但限制多。
- "仅限官网直接获取者"在镜像遍布的时代难以执行，也与"可访问"精神有张力。
- 禁止再分发使数据难以进入现代数据平台（HuggingFace、Zenodo），不利于长期保存与引用追踪。
理解这层时代错位，有助于客观评价 DRIONS-DB：它是它那个年代的产物，用今天的开放标准苛责它并不公平，但用它来警示"许可条款会长期约束数据的可达性"，则非常合适。这也是本条目反复强调"不是 CC"的原因——同一个’免费’，在不同年代、不同许可下，含义天差地别。
§7 生态、谱系与影响
7.1 谱系：从遗传算法到深度网络
DRIONS-DB 是 UNED Carmona 团队一条持续近十年的研究线的产物与平台：
- 前作：M. Rincón, M. Bachiller, J. Mira (2005), Knowledge modeling for the image understanding task as a design task, Expert Systems with Applications 29(1):207-217——图像理解任务的知识建模，为后续视盘检测奠定方法论基础
- 主论文：Carmona et al. (2008), Identification of the optic nerve head with genetic algorithms, Artif Intell Med 43(3):243-259——DRIONS-DB 随该文发布，GA 方法为官方基线
- 延续：J.M. Molina & E.J. Carmona (2011), IWINAC——用金字塔表示 + 遗传算法定位与分割 ONH；J.M. Molina & E.J. Carmona (2013), LNCS-7931——用 LBP 关系算子做图像模式检测
- 第三方里程碑：Maninis et al. (2016), DRIU, MICCAI——把 DRIONS-DB 带入深度学习时代，并做出 super-human 的结论
这条谱系清晰地展示了视网膜图像分析从"手工启发式 + 进化算法"到"端到端深度学习"的演进，而 DRIONS-DB 是贯穿其中的稳定评测锚点。
7.2 榜单化的引用传统
官网专门维护了一份 “References using DRIONS-DB” 列表，收录早期重要引用：
- M.S. Haleem, L. Han, J. van Hemert, B. Li (2013), Automatic Extraction of Retinal Features from Color Retinal Images for Glaucoma Diagnosis: A Review, Computerized Medical Imaging and Graphics 37(7-8):581-596
- S. Morales, V. Naranjo, J. Angulo, M. Alcañiz (2013), Automatic Detection of Optic Disc Based on PCA and Mathematical Morphology, IEEE TMI 32:786-796
- S. Morales, V. Naranjo, D. Pérez, A. Navea, M. Alcañiz (2012), Automatic detection of optic disc based on PCA and stochastic watershed, EUSIPCO 2012:2605-2609
- J.M. Molina & E.J. Carmona (2011, 2013)（见上）
- E.J. Carmona et al. (2008)（主论文）
- M. Rincón, M. Bachiller, J. Mira (2005)（前作）
这份自维护引用列表本身是数据集"生态活跃度"的一个见证，也是检索相关方法学的便捷入口。
7.3 在视盘数据集景观中的位置
DRIONS-DB 常与以下数据集并列出现在的综述与对比实验中（多数在本库尚未立项）：
| 数据集 | 与 DRIONS-DB 的关系 |
|---|---|
| RIM-ONE（库内 rid 291） | 最亲：同为青光眼视神经分析，同以西班牙萨拉戈萨 HUMS 医院为采集点之一；但 RIM-ONE 有 v1/v2/v3/DL 版本链且含视杯 |
| DRIVE（库内 rid 241） | 同被 DRIU 统一框架评测（血管 + 视盘两任务）；DRIVE 专注血管分割 |
| DRISHTI-GS | 同为视盘（+视杯）分割基准，印度人群，4 专家标注 |
| ORIGA | 新加坡，含 650 张与 CDR |
| REFUGE | MICCAI 挑战赛，1200 张，视盘+视杯 |
| ONHSD / HRF / G1020 / Sjchoi86-HRF | 同族视盘/眼底数据集 |
DRIONS-DB 在其中的相对位置是"最早、最小、最干净、双专家最透明"——它不追求规模，而追求评测的可信度。
7.4 软件生态
除 Bob/mednet 加载器外，DRIONS-DB 还出现在多个机器学习基准库与教程中（如 PyTorch 医学分割示例、各类"Awesome Medical Dataset"清单）。它的 110 张规模使其成为教学与快速原型的常用素材：一张 GPU 就能跑完整训练，适合验证新想法的可行性。
7.4.1 官方维护页面的信号
官网有一处细节值得一提：页面底部标注 “Last updated: 21-Ago-2009”，且专门维护了一份 “References using DRIONS-DB” 列表（含 Haleem 2013、Morales 2012/2013、Molina & Carmona 2011/2013 等）。这说明：
- 数据集自 2009 年后再无官方内容更新——它的历史使命（发布基准 + 记录早期引用）已完成，现在处于"稳定存档"状态。
- 作者主动追踪引用的做法，在 2008 年并不多见，反映了团队对数据集成生态影响力的经营意识。这份列表也成了检索相关方法学的历史入口。
7.4.2 与后续数据集的诞生关系
DRIONS-DB 之后，视盘/青光眼数据集出现了明显的"规模化 + 视杯 + 多族裔"演进：
- RIM-ONE（2011 起）：加入视杯标注与版本链（v1/v2/v3/DL），是 DRIONS-DB 最直接的"继任者"。
- DRISHTI-GS（2014）：印度人群，4 专家标注，专门为青光眼 CAD 评测设计。
- ORIGA（2010）：新加坡，650 张，含 CDR，补上亚裔人群。
- REFUGE（2018）：MICCAI 挑战赛，1200 张，多中心，视盘+视杯，把评测推向规模化。
DRIONS-DB 在这条演进线上是"起点与坐标"——后续每一个数据集都在规模、标注维度或人群多样性上超越它，但都在评测逻辑上沿用它定下的规矩。
7.5 搜索引擎与目录中的 DRIONS-DB
DRIONS-DB 在多个数据集目录中被收录，各自口径略有差异，值得对照：
- EyeDataHub（khosravipooya.com）：记为
drions_db，primary category “fundus”，task “segmentation”，主量 “110 images”，classes “2”，size “0.2 GB”，terms “research-only”，access “anonymous_direct / Direct HTTP”，可用性检查时点 2026-07-21。这是本条目体积与许可口径的主要第三方来源。 - Idiap Bob / mednet：提供加载器与 60/50 切分口径，明确不含原始数据。
- 各类 “Awesome Medical Dataset” GitHub 清单：通常一句话收录（“110 fundus images for ONH segmentation”），不提供元数据细节。
不同目录对"任务"的描述也不同：有写 segmentation（分割），有写 ONH segmentation/localization（分割+定位）。这与任务本身的双重性一致（见 §4.1）。
7.6 复现难度评估
| 环节 | 难度 | 说明 |
|---|---|---|
| 下载 | 低 | 匿名直链，但需绕过 SSL 证书过期 |
| 解压 | 低 | .rar，需安装 unrar/7-Zip |
| 解析标注 | 中 | 点序列文本需自行栅格化，且格式需试错确认 |
| 复现切分 | 中 | 官网无切分，需自行采用 DRIU 60/50 |
| 复现基准数字 | 中 | 可从 DRIU 下载页取预计算结果对照 |
| 环境搭建 | 低 | 数据小，单卡即可完成 |
总体：低门槛进入，中等门槛精确复现。主要摩擦点在"标注文件解析"与"金标准/切分口径对齐"，而非算力或数据量。
7.7 教学与入门推荐用法
正因为它小、干净、双专家标注清晰，DRIONS-DB 非常适合作为医学图像分割的教学案例：
- 理解"金标准"是什么：让学生同时接触 expert1 与 expert2，直观看到"专家之间也不一致"。
- 理解评测指标的陷阱：演示同一模型在 expert1 与平均金标准下的 Dice 差异，讲清"口径决定数字"。
- 理解域偏移：把 DRIONS-DB 训练的模型直接用到 RIM-ONE，观察性能跌落。
- 理解小数据集的价值与局限：110 张能跑通流程，但无法支撑有统计意义的性能结论。
用 DRIONS-DB 教"数据集的元知识"，比用它教"刷 SOTA"更有价值。
7.8 一个值得做的对照实验
若想亲手感受 DRIONS-DB 口径的重要性，可以做这个只需一张 GPU 的小实验：
- 用 DRIU 的 60/50 切分训练同一个分割模型（如一个小 U-Net）；
- 分别在 expert1 与 两专家平均 两套金标准上评测；
- 对比同一模型的两组 Dice/IoU；
- 再计算 expert1 vs expert2 的 Dice/IoU（人类自身的不一致度）。
你会观察到两件事：同一模型在不同金标准下的分数不同；而 expert1 与 expert2 之间本身就有可观的不一致。这个实验能在一小时内让人真正理解"金标准是相对的"——比读十篇论文的抽象论述更有效。DRIONS-DB 因数据小而使得这类元实验变得可行，这是它作为教学工具的独特优势。
§8 方法学启示
8.1 "双专家 + 平均金标准"是可迁移的范式
DRIONS-DB 最有价值的方法学贡献，是把"金标准的不确定性"显式化了：不假装单一真值，而是公开两位专家的分歧，并用平均作为目标。这套做法后来被大量医学分割数据集采纳（多专家投票、STAPLE 算法、概率化标注等）。对于任何一个边界模糊的医学标注任务（肿瘤边界、器官分割、病灶勾画），DRIONS-DB 都提供了一个早期范例。
8.2 "人类基线"让超人类性能可被证伪
保留第二位专家的标注作为对照，使"算法超越人类"从一个修辞变成可量化、可复现的声明。这是 DRIONS-DB 设计的精妙之处：它没有用第二位专家做"一致性检验"后就丢弃，而是把它变成评测体系的一部分。任何声称在 DRIONS-DB 上超越人类的模型，都必须面对这个明确的数值门槛。
8.3 小数据集的持久价值
110 张在今天看微不足道，但 DRIONS-DB 仍是高频引用的基准。原因是它稳定、透明、无歧义：切分清楚、金标准清楚、任务清楚，因此适合作为方法论的对照点，而不适合作为性能竞赛的主战场。这提示我们：数据集的长期价值不仅取决于规模，更取决于评测定义的清晰度。
8.4 域偏移的历史样本
从模拟相机 + 幻灯片扫描到现代数字眼底相机，DRIONS-DB 恰好横跨眼底成像数字化变迁的早期。它的 600×400 分辨率与扫描仪色彩特性，使其成为研究跨设备域泛化的天然素材——论文摘要里强调的"应用于不同图像库时泛化能力强化"，在深度学习时代依然是需要反复验证的命题。
8.5 "小数据 + 强标注"的方法论遗产
DRIONS-DB 代表了一种与"大数据 + 弱标注"相反的思路：用精心设计的少量标注，换取可解释、可核对的评测。这一思路的遗产在今天仍有两处回响：
- 医学影像的小样本学习（few-shot / meta-learning）：常直接拿 DRIONS-DB 这类小库做实验，测试模型在极少样本下的表现。
- 标注质量优先的主张：在"数据规模决定一切"的叙事之外，DRIONS-DB 提醒我们，标注的透明度与金标准的设计同样决定模型能学多好、评测能有多可信。
8.6 对"金标准"概念的再思考
DRIONS-DB 最深的启示，或许是让研究者停下追问：我们评测模型时，究竟在对标什么？
- 对标单一专家？那是"复制某一个人的判断"，专家错了模型也跟着错。
- 对标专家平均？那是"接近专家群体的中心"，更稳健，但中心本身可能偏离真实的解剖边界。
- 对标某种共识（如多个专家多数表决）？共识也可能系统性地偏离。
DRIONS-DB 用"两套独立标注 + 平均"把这个问题摊开，让使用者自行选择并声明。这种"不替你决定金标准，但把选项和分歧都给你"的态度，是它作为方法学基石最值得继承的部分。
§9 DAIMS 评估与避坑清单
9.1 DAIMS 数据集就绪度评分
DAIMS（Data AI-Readiness Maturity Score）从六个维度评估数据集对 AI 应用的成熟度：
| 维度 | 评分（1-5） | 依据 |
|---|---|---|
| D — Data Volume（规模） | 2 | 110 张 / 55 名患者，远小于现代训练需求 |
| A — Annotation Quality（标注质量） | 5 | 双专家独立标注 + 官网分发 + 平均金标准，透明且可核对 |
| I — Interoperability（互操作性） | 3 | 标注为轮廓点文本需自行栅格化；有 Bob/mednet 加载器；无统一云端 API |
| M — Metadata（元数据） | 4 | 人口学、疾病构成、图像缺陷表齐全；但缺逐张临床标签 |
| S — Sustainability（可持续性） | 2 | 2008 年官网至今在线，但 2026-07 起 SSL 过期、无机构级长期托管保障 |
| 总分（均分） | 3.2 / 5 | 标注质量满分、规模与可持续性拖后腿——典型"经典小基准"画像 |
9.2 避坑清单：八个已踩/已知的坑
坑 1："DRIONS-DB"名称与入口易错。 官网有两个入口 DRIONS-DB.html 与 DRIONS-DB_2.html，内容页实为 _2 后缀者；下载文件是 DRIONS-DB.rar。检索时若只记 DRIONS-DB.html 可能拿到简化入口页。别名/全称"Digital Retinal Images for Optic Nerve Segmentation Database"指向同一数据集，勿当成两个。
坑 2：金标准三口径，不可混引。 论文/官网自用=两专家平均轮廓；官网另分发两套独立专家 GT；第三方（DRIU/mednet）惯用只用 expert1。同一模型在不同口径下的 Dice/IoU 数值不可直接比较。引用任何指标前必须声明口径（见 §3.3）。
坑 3：110 是图像数、55 是患者数。 官网正文以"110 张图像"叙述，Idiap 文档以"55 patients"叙述，二者是不同计数层级。错把 110 当患者数、或把 23.1% 青光眼 误认为图像级比例，都会出错。23.1%/76.9% 是患者级构成。
坑 4：没有官方训练/测试切分。 官网未给固定划分。学界通行的是 DRIU 的 60/50（只用 expert1），但另有论文（如 MDPI 2026 BAT）自行按 7:2:1 划分。声称"在 DRIONS-DB 上可比"必须说明用了哪套切分。
坑 5：许可不是 CC，别一揽子引用。 研究/教育免费，但禁修改、禁再分发、禁未授权商用、禁嵌入专有程序、仅限官网直接获取者。商用或再分发前须与版权人书面确认。“免费的”≠“能商用的”。
坑 6：许可证混淆——数据 vs 代码。 Idiap 的 bob.db.drionsdb / mednet 加载器是 GPL-3.0-or-later，那是软件许可，不是数据集许可。别把 GPL 当成 DRIONS-DB 的数据许可，也别以为有 GPL 加载器就能自由再分发数据。
坑 7：UNED 主机 SSL 证书已过期。 自 2026-07 起，HTTPS 访问官网会证书校验失败（EyeDataHub 记录）。需 curl -k、走 http，或设 PYTHONHTTPSVERIFY=0。体积约 0.2 GB 为第三方口径，官网未标。
坑 8：标注点数"36 landmarks"是单源口径。 仅 MDPI 2026 综述提到"每位专家 36 个地标"；官网原文只说"逐点选取最显著轮廓点"，未给点数。使用时以实际标注文件的点数为准，勿把 36 当官方规格。
坑 9（附加）：仅有视盘、无视杯。 DRIONS-DB 不含视杯与杯盘比标注，不能直接用于 CDR 计算或青光眼自动分级——需结合 RIM-ONE v3 / REFUGE / ORIGA 等含视杯的数据集。
坑 10（附加）：无官方挑战赛与排行榜。 DRIONS-DB 是静态发布的数据集，没有 grand-challenge 式排行榜。所有"排行"都来自论文自报，横向比较时须自行核对切分与金标准口径（呼应坑 2、坑 4）。
9.3 一句话总结
DRIONS-DB 是视盘分割评测的"罗塞塔石碑"——它小、旧、单族裔，却用双专家标注定义了后来十年的评测语言。用它，要先想清楚：你到底在对标哪一套金标准。
9.4 图像缺陷表逐条解读
官网 Table 1 的六类缺陷不是装饰性文字，而是理解这个数据集"难度分布"的钥匙。逐条解读：
- 白内障（重/中）= 0：这是筛选结果而非"库里没有白内障患者"。原始 124 张剔除的 14 张即白内障样本。含义：DRIONS-DB 有意避开了"混浊介质导致的成像模糊"这一类困难，使剩余样本更适合专注视盘边界问题。
- 轻微伪影 = 3：少量图像有光斑、反射等轻度假象。对算法影响小，但可测鲁棒性。
- 部分视盘边缘模糊或缺失 = 5：对视盘分割最困难的一类——边界本身不完整，专家也可能有分歧。这 5 张是分割模型最容易失败的地方。
- 中度视乳头周围萎缩 = 16：视盘周围出现色素/萎缩改变，使"视盘边界"与"周围病变区"的区分变难。
- 同心性视乳头周围萎缩/伪影 = 20：占全库近五分之一，是数量最多的一类干扰。同心结构容易被算法误当作视盘轮廓。
- 强苍白干扰 = 6：视盘区域苍白（可能与青光眼进展相关），降低了视盘与周围区域的对比度。
综合意义：约 36 张（16+20）有不同程度的视乳头周围萎缩，加上 5 张边缘模糊与 6 张苍白干扰，超过三分之一的图像存在足以干扰视盘检测的视觉因素。这个比例说明 DRIONS-DB 并非"简单样本集"——110 张里藏着相当比例的疑难例。官网主动公布这些，既是对研究者负责，也使它成为"困难样本鲁棒性"研究的合适素材。
9.5 引用 DRIONS-DB 时的最低信息披露标准
为保证学术可比性，建议任何使用 DRIONS-DB 的论文至少披露以下信息（缺一即可疑）：
- 使用的图像张数（是否 110 全用）
- 金标准口径（expert1 / expert2 / 平均）
- 训练/测试切分（DRIU 60/50 或自定）
- 标注栅格化策略（多边形填充 / 描边）
- 评测度量（Dice / IoU / 边界误差 / 全部）
- 是否与 expert2 人类基线对比
- 致谢与引用（Carmona et al. 2008）
这七条构成了 DRIONS-DB 结果的"最小可复现单元"。本条目把它们列出来，是希望使用者少走"数字对不上"的弯路。
§10 与库内条目的关系
10.1 家族图谱
DRIONS-DB 在本库的"眼科影像—视盘/青光眼"簇中处于上游奠基位置：
| 库内条目 | rid | 关系类型 | 说明 |
|---|---|---|---|
| RIM-ONE | 291 | 最近亲（姊妹数据集） | 同为青光眼视神经分析；同含萨拉戈萨来源；但 RIM-ONE 有版本链且含视杯，DRIONS-DB 为单版本仅视盘 |
| DRIVE | 241 | 同框架评测伙伴 | 同被 DRIU 统一框架覆盖（血管 + 视盘）；DRIVE 为血管分割，DRIONS-DB 为视盘分割 |
| MESSIDOR | 59 | 同域（眼底彩照） | 糖尿病视网膜病变眼底库，常与视盘数据集并用于眼底分析综述 |
| EyePACS | 58 | 同域（眼底彩照） | 大规模 DR 筛查眼底影像，规模对照项 |
| ACRIMA | 774 | 同任务（青光眼） | 705 张青光眼/正常眼底分类，含分类标签但无视盘分割，与 DRIONS-DB 恰好互补 |
10.2 库内定位与差异化
- 与 RIM-ONE 的分工：RIM-ONE 覆盖更多版本、含视杯与青光眼分级（v1 五分组），是"青光眼视神经综合评测"；DRIONS-DB 是"视盘分割单一任务的干净基准"。二者在文献中高频并引（DRIU 即同时在两者上评测）。
- 与 DRIVE 的分工：DRIVE 管血管、DRIONS-DB 管视盘，同属 DRIU 的多任务框架；视网膜"血管 + 视盘"双任务研究常同时引用二者。
- 与 ACRIMA/MESSIDOR/EyePACS 的分工：后三者以分类为主（DR 分级 / 青光眼二分类），DRIONS-DB 以分割为主——任务互补，常在同一综述（如 PMC8878383 的 AI 青光眼综述）中被并列综述。
10.3 互链条目建议（供主会话参考）
强互链：RIM-ONE（291）、DRIVE（241）——理由：任务最相关、同被 DRIU 评测、同域同源。
中互链：MESSIDOR（59）、EyePACS（58）、ACRIMA（774）——理由：同属眼底/青光眼影像簇，综述常并列。
10.4 检索路径建议
- 精确检索词：
DRIONS-DB（带连字符）、Digital Retinal Images for Optic Nerve Segmentation、Carmona optic nerve head genetic algorithms。 - 找数据：官网
ia.uned.es/~ejcarmona/DRIONS-DB_2.html+DRIONS-DB.rar；或经 EyeDataHubdrions_db封装。 - 找切分与基准数字：DRIU 下载页（cvlsegmentation.github.io/driu/downloads.html）——60/50 切分 + 预计算结果。
- 找加载器：Idiap
bob.db.drionsdb/mednet（GPL-3.0-or-later，不含原始数据）。 - 引用规范：必须致谢 DRIONS-DB 并引用 Carmona et al. (2008), Artif Intell Med 43(3):243-259。
10.5 与库内"可获取性光谱"的对照
把 DRIONS-DB 放进本库"数据获取摩擦 vs 许可开放度"的坐标系里，它的位置很有代表性：
| 条目 | 获取摩擦 | 许可开放度 | 类型 |
|---|---|---|---|
| DRIONS-DB（本条） | 低（匿名直链） | 低（禁再分发/商用） | 易取难转 |
| EyePACS（58） | 中（需注册/Kaggle） | 中 | 平台托管 |
| MESSIDOR（59） | 中（申请） | 中 | 申请制 |
| RIM-ONE（291） | 低（官网直链） | 中（研究用途） | 易取研究限 |
| DRIVE（241） | 低（官网直链） | 中（研究用途） | 易取研究限 |
| ACRIMA（774） | 低（GitHub） | 中 | 易取研究限 |
结论：DRIONS-DB 与 RIM-ONE、DRIVE、ACRIMA 同属"低摩擦 + 研究限定"一档——这是第一代眼底数据集的普遍气质。它们都可免费下载用于研究，但都不能像 CC 数据集那样自由再分发。这一档的共性是：学术友好，工程/商业不友好。做产品化的团队若想用这一档数据，必须逐一确认许可边界，不能想当然。
10.6 库内引用建议
若在本库其它条目中引用 DRIONS-DB，建议采用统一口径：
- 规模：110 张彩色眼底图像 / 55 名患者
- 标注：2 名医学专家手工视盘轮廓（无视杯）
- 金标准：论文=两专家平均；第三方惯用 expert1
- 切分：无官方；DRIU 60/50
- 许可：研究/教育限定，禁再分发与未授权商用
- 引用：Carmona et al. (2008), Artif Intell Med 43(3):243-259, doi:10.1016/j.artmed.2008.04.005
避免在不同条目里出现"110 张"与"55 张"混用、"平均金标准"与"expert1"混引等口径漂移。
§11 总结
11.1 三句话总结
- 它是什么：2008 年由西班牙 UNED + Miguel Servet 医院 + 马德里康普顿斯大学联合发布的 110 张彩色眼底彩照视盘分割基准，双专家手工轮廓标注，研究/教育限定许可、官网直链分发。
- 它为什么重要：用"双专家 + 平均金标准"定义了视盘分割的评测语言，并因保留第二位专家标注而让 DRIU 的"super-human performance"成为可量化的标志性结论。
- 它的边界：小（110 张/55 人）、旧（600×400）、单族裔、仅视盘无视杯、许可不可再分发——适合做方法论对照与教学，不适合当现代训练集或商用数据源。
11.1.1 三条最容易踩的红线
若时间只够记三条，记这三条：
- 金标准口径：expert1 / expert2 / 平均三者不可混引——报了 Dice 却不说口径，等于没报（坑 2）。
- 许可红线：研究/教育免费，但禁再分发、禁未授权商用、非 CC——“能下载”≠“能商用”（坑 5）。
- 任务边界：只有视盘、没有视杯与 CDR——拿它做青光眼分级会落空（坑 9）。
11.2 适合谁
- 视盘/视神经乳头分割算法的初学者与教学场景（一张 GPU 跑通全流程）
- 需要经典基准对照的青光眼 CAD 研究者
- 研究金标准不确定性、观察者间变异、多专家标注方法学的团队
- 研究跨设备域偏移与早期眼底成像特性的历史比较研究
- 需要与 DRIU 等历史方法数字对齐的复现工作
11.3 不适合谁
- 需要大规模训练数据的深度分割模型（110 张严重不足）
- 需要视杯 / 杯盘比 / 青光眼分级标签的任务（DRIONS-DB 给不了）
- 需要亚裔/非裔等多样人群的研究（全高加索族裔）
- 计划商用或再分发数据的产品团队（许可禁止）
- 需要官方排行榜与固定切分的竞赛式评测（无切分、无榜）
11.4 30 秒决策卡
| 问题 | 答案 |
|---|---|
| 有多少数据？ | 110 张彩照 / 55 名患者，RGB 600×400 |
| 标了什么？ | 2 专家手工视盘轮廓（无视杯） |
| 金标准用哪个？ | 论文=两专家平均；第三方惯用 expert1 |
| 怎么切分？ | 无官方切分；通行 DRIU 60/50 |
| 怎么拿？ | 官网 .rar 直链（约 0.2 GB，SSL 已过期需绕过） |
| 能商用吗？ | 不能。研究/教育限定、禁再分发 |
| 引哪篇？ | Carmona et al. (2008), Artif Intell Med 43(3):243-259, doi:10.1016/j.artmed.2008.04.005 |
11.5 一页速览：把它讲给同事听
如果你只有一分钟向同事介绍 DRIONS-DB，可以这样说：
“它是一个 2008 年的老数据集，110 张眼底彩照，两位眼科专家各画了一遍视盘轮廓。它的价值不在数据量，而在于它第一次把’视盘分割怎么算好’这件事标准化了——用双专家的平均当金标准，把第二位专家留作人类基线，这样算法就能和’人’比。后来 DRIU 就是靠这个设计宣称’机器比第二个专家还准’。用它的坑有三个：金标准有三套口径别混、许可是研究限定不能商用、它只有视盘没有视杯。规模小，适合当基准和教学，不适合当主力训练集。”
这段口述覆盖了它的本质、价值、坑与适用边界，可作为团队内部科普或项目立项时的快速说明。
11.6 结语
DRIONS-DB 是那种"看起来过时、实则无可替代"的数据集。论规模，它被后来者远远甩开；论任务维度，它只有一个视盘轮廓；论获取便利，它的官网 SSL 证书都已过期。但只要视盘分割仍是青光眼 AI 的基础命题，"一个双专家标注、金标准透明、可量化对比人类的公共基准"就有其不可替代的方法学价值。
它提醒我们：数据集的寿命，不取决于它的像素数，而取决于它的评测定义有多少人愿意沿用。 从这个意义上说，DRIONS-DB 不仅活着，还是这条赛道上的一块路标。
FAQ（高频问答）
A. 基础认知
Q：DRIONS-DB 是什么的缩写？
A：Digital Retinal Images for Optic Nerve Segmentation Database——“数字视网膜图像视神经分割数据库”。全称里"Optic Nerve"指视神经乳头（optic nerve head, ONH），即视盘。
Q：谁做的？
A：西班牙 UNED 人工智能系的 Enrique J. Carmona、Mariano Rincón、Margarita Bachiller，联合马德里康普顿斯大学 / Hospital Clínico San Carlos 的 Julián García Feijoo、José María Martínez de la Casa，以及萨拉戈萨 Hospital Miguel Servet。数据采集在 Miguel Servet 医院眼科完成。
Q：哪一年发布的？
A：随 Carmona et al. (2008) 论文发布于 Artificial Intelligence in Medicine 43(3):243-259；官网页面标注最后更新 2009-08-21，版权行写 © 2008。
Q：有多少张图？
A：110 张彩色数字眼底图像，来自 55 名患者。原始随机抽取 124 张，剔除 14 张白内障（重/中）后得 110 张。
Q：分辨率多少？
A：600 × 400 像素（宽×高；Idiap 文档以 400×600 记，方向不同、尺寸相同），RGB，8 bits/pixel。
B. 数据与标注
Q：标注是什么内容？
A：2 名医学专家各自手工描画的视神经乳头（视盘）外轮廓。专家逐点选取最显著轮廓点，工具自动用曲线连接相邻点。不含视杯。
Q：两位专家的标注一样吗？
A：不完全一样，存在观察者间变异（inter-observer variability）——这是官网明确承认且公开的。
Q：金标准是哪一套？
A：三套口径并存：论文/官网自用=两专家轮廓平均；官网另分发两套独立专家 GT；第三方（DRIU/mednet）惯用 expert1。引用前必须声明（坑 2）。
Q：有视杯或杯盘比吗？
A：没有。DRIONS-DB 仅有视盘轮廓，做 CDR/青光眼分级需结合 RIM-ONE v3 / REFUGE / ORIGA 等含视杯数据集。
Q：标注文件是什么格式？
A：本质是轮廓点坐标文本（Idiap 用逗号分隔 CSV 读取），需自行栅格化为掩码。非现成 PNG。
C. 人群与临床
Q：来自什么人群？
A：55 名患者，平均 53.0 岁（S.D. 13.05），46.2% 男 / 53.8% 女，全体高加索族裔，来自西班牙萨拉戈萨。
Q：疾病构成如何？
A：患者级：23.1% 慢性单纯性青光眼 + 76.9% 眼高压（合计 100%）。注意是患者级比例，不是图像级。
Q：图像质量如何？
A：库内无白内障图像（已剔除）；但有 20 张同心性视乳头周围萎缩/伪影、16 张中度萎缩、5 张视盘边缘模糊或缺失、6 张强苍白干扰、3 张轻微伪影——官网 Table 1 如实公布。
D. 评测与复现
Q：怎么做 train/test 划分？
A：无官方划分。通行 DRIU 的 60/50，只用 expert1。另有论文自行 7:2:1。
Q：常用什么指标？
A：Region precision-recall、boundary error（边界平均距离）、IoU、Dice。
Q：DRIU 是什么？为什么和 DRIONS-DB 绑在一起？
A：DRIU（Maninis et al., MICCAI 2016）用 CNN 做视网膜血管与视盘分割，在 DRIONS-DB 上得出 super-human performance（比第二位专家更接近平均金标准、边界误差更小更稳）。它使 DRIONS-DB 成为"机器 vs 人"叙事的标志性实验场。
Q：哪里能拿预计算结果和切分？
A：DRIU 下载页 cvlsegmentation.github.io/driu/downloads.html（含 60/50 切分 + 预计算 + 各对比方法结果）。
Q：有 Python 加载器吗？
A：Idiap bob.db.drionsdb 与 mednet（GPL-3.0-or-later）。不含原始数据，仍需从官网下载 .rar。
E. 获取与许可
Q：怎么下载？
A：官网 http://www.ia.uned.es/~ejcarmona/DRIONS-DB/BD/DRIONS-DB.rar，匿名直链，.rar 需解压，约 0.2 GB。
Q：下载报 SSL 错误怎么办？
A：UNED 主机 2026-07 起证书过期，用 curl -k / 走 http / 设 PYTHONHTTPSVERIFY=0（坑 7）。
Q：能商用吗？
A：不能。研究/教育免费，禁修改、禁复制、禁再分发、禁未授权商用、禁嵌入专有程序，仅限官网直接获取者使用（坑 5）。
Q：是 CC 许可吗？
A：不是。它限制再分发与商用，与 CC BY 等开放许可有本质区别。
Q：引用要求？
A：必须致谢 DRIONS-DB，并建议引用 Carmona et al. (2008), Artif Intell Med 43(3):243-259, doi:10.1016/j.artmed.2008.04.005（PMID 18534830）。
F. 库内与生态
Q：本库里有哪些相关条目？
A：RIM-ONE（rid 291，最近亲）、DRIVE（rid 241）、MESSIDOR（rid 59）、EyePACS（rid 58）、ACRIMA（rid 774）。
Q：和 RIM-ONE 什么关系？
A：都是青光眼视神经分析数据集，且同以西班牙萨拉戈萨为来源之一；RIM-ONE 有 v1/v2/v3/DL 版本链且含视杯，DRIONS-DB 单版本仅视盘。DRIU 同时在两者上评测。
Q：它过时了吗？
A：作为训练集，规模确实过时（110 张）；作为方法论基准与评测锚点，它依然活跃，双专家标注范式被广泛继承。
Q：一句话记住它？
A：视盘分割评测的罗塞塔石碑——小、旧、干净、双专家，用之前先想清楚对标哪套金标准。
G. 方法学与历史
Q：为什么说它是"评测范式的原点"？
A：它最早把"双专家标注 + 平均金标准 + 对比第二位专家"这套评测逻辑完整实现并公开，后来 RIM-ONE、DRISHTI-GS、REFUGE 等数据集的"多专家 + 一致性"设计都可追溯到它。
Q：super-human performance 是什么意思？
A：指算法与金标准（两专家平均）的一致性超过第二位人类专家。DRIONS-DB 因保留了 expert2 标注，使这一声明可量化。DRIU（2016）在此得出该结论。
Q：观察者间变异是缺陷吗？
A：不是。视盘边界解剖上模糊，专家间差异是常态。DRIONS-DB 公开这种差异，反而让评测更诚实（见 §3.5）。
Q：它和 RIM-ONE 谁更早？
A：DRIONS-DB 更早（2008 论文发布）；RIM-ONE v1 为 2011 年。二者常被并列为西班牙来源的视神经分析数据集。
Q：它有没有挑战赛？
A：没有。DRIONS-DB 是静态数据集，无 grand-challenge 式排行榜，所有"排行"均来自论文自报。
Q：600×400 会不会太小导致模型学不好？
A：对现代深分割而言确实偏小，但视盘在图中占比不小，任务相对简单，小分辨率也能获得不错的重叠度。关键是接受它在边界精度上的天然上限。
Q：能不能做数据增强？
A：技术上可以，但注意许可禁止修改（You are not allowed to modify it）。数据增强是否算"修改"存在解释空间——严谨做法是仅在研究内部处理、不发布衍生版本，商用前与版权人确认。
Q：它有官方引用格式吗？
A：
Carmona EJ, Rincón M, García-Feijoó J, Martínez-de-la-Casa JM.
Identification of the optic nerve head with genetic algorithms.
Artificial Intelligence in Medicine, 2008, 43(3): 243-259.
doi:10.1016/j.artmed.2008.04.005
并须在致谢中提及 DRIONS-DB。
Q：本条目和 FACTS.md 的关系？
A：FACTS.md 是事实档案（逐条落源、双口径存照、待核疑点），本百科条目在其基础上成文。凡本条目出现的硬数字，均可在 FACTS.md 找到对应来源。
附录 A：术语表
| 术语 | 英文 | 说明 |
|---|---|---|
| 视神经乳头 | optic nerve head (ONH) | 视神经穿出眼球的部位，即视盘的解剖学称谓 |
| 视盘 | optic disc | 眼底照片上 ONH 呈现的亮圆形区域，DRIONS-DB 的标注目标 |
| 视杯 | optic cup | 视盘中央的凹陷区，DRIONS-DB 不含 |
| 杯盘比 | cup-to-disc ratio (CDR) | 视杯/视盘直径比，青光眼核心指标，DRIONS-DB 不含 |
| 青光眼 | glaucoma | 以视神经进行性损害为特征的致盲眼病 |
| 眼高压 | ocular hypertension / eye hypertension | 眼压升高但无视神经损害的临床前状态 |
| 眼底彩照 | color fundus photograph | 用眼底相机拍摄的视网膜彩色图像 |
| 视乳头周围萎缩 | peripapillary atrophy | 视盘周围视网膜色素上皮萎缩，干扰边界识别 |
| 观察者间变异 | inter-observer variability | 不同专家标注不一致的程度 |
| 金标准 | gold standard | 用于评测的参考标注；DRIONS-DB 为两专家平均 |
| 超人类性能 | super-human performance | 算法与金标准一致性超过第二位人类专家 |
| 分割 | segmentation | 逐像素/轮廓划分目标区域的任务 |
| 边界误差 | boundary error | 预测边界与 GT 边界间的平均距离 |
| 交并比 | IoU (Intersection over Union) | 交集面积/并集面积，分割重叠度量 |
| Dice 系数 | Dice coefficient | 2×交集/(预测+GT)面积，重叠度量 |
| 域偏移 | domain shift | 训练域与测试域分布差异导致的性能下降 |
附录 B：关键数字速查卡
| 数字 | 含义 |
|---|---|
| 110 | 图像数（DRIONS-DB 本体规模） |
| 124 | 原始随机抽取的图像数 |
| 14 | 被剔除的白内障（重/中）图像数 |
| 55 | 患者数 |
| 600 × 400 | 图像分辨率（宽×高），RGB，8 bit |
| 53.0（S.D. 13.05） | 患者平均年龄 |
| 46.2% / 53.8% | 男 / 女比例 |
| 23.1% / 76.9% | 慢性单纯性青光眼 / 眼高压（患者级） |
| 2 | 标注专家数 |
| 60 / 50 | DRIU 训练 / 测试切分 |
| 约 0.2 GB | 数据体积（第三方口径） |
| 2008 | 发布年份（Artif Intell Med 43(3):243-259） |
| 2009-08-21 | 官网最后更新日期 |
附录 C：本条目核验与写作说明
- 核验方式：三源互证（官网第一手 + Europe PMC 文献元数据 + DRIU/Bob/mednet/EyeDataHub 第三方文档），详见 §0.5 与 FACTS.md。
- 双口径存照：金标准三口径、图像/患者计数层级、PMID 差异、标注点数单源、体积第三方口径——均已在 §9 与 FACTS.md 第 9 节列明。
- 遗留疑点：专家具体人数以外的资质细节、标注工具名称与版本、标注点数是否确为 36、体积精确值、许可中 “educational” 的边界——官网均未明确，列为待核。
- 写作纪律：凡不确定的数字均标注口径或存疑，不以推测充作事实；凡第三方口径均注明来源，不冒充官方规格。
- 权威入口：官网 http://www.ia.uned.es/~ejcarmona/DRIONS-DB_2.html ；论文 doi:10.1016/j.artmed.2008.04.005 。
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 / 评测基准 / 青光眼
- riga — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 评测基准 / 青光眼
- refuge — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 青光眼
- drive — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 评测基准
- fives — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 青光眼
- g1020 — 共享标签：眼科影像 / 医学图像分割 / 评测基准 / 青光眼
- iostar — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 评测基准
- rim-one — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 青光眼
- drishti-gs — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 青光眼
- justraigs — 共享标签：医学影像 / 眼科影像 / 评测基准 / 青光眼
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。
